CN117251586A - 多媒体资源推荐方法、装置及存储介质 - Google Patents
多媒体资源推荐方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117251586A CN117251586A CN202311077288.8A CN202311077288A CN117251586A CN 117251586 A CN117251586 A CN 117251586A CN 202311077288 A CN202311077288 A CN 202311077288A CN 117251586 A CN117251586 A CN 117251586A
- Authority
- CN
- China
- Prior art keywords
- target
- resource
- preset
- relation
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 115
- 238000003860 storage Methods 0.000 title abstract description 31
- 238000010586 diagram Methods 0.000 claims abstract description 261
- 238000000605 extraction Methods 0.000 claims description 66
- 230000004927 fusion Effects 0.000 claims description 55
- 238000010276 construction Methods 0.000 claims description 47
- 230000003993 interaction Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 24
- 238000007499 fusion processing Methods 0.000 claims description 22
- 230000006399 behavior Effects 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 abstract description 20
- 238000013473 artificial intelligence Methods 0.000 abstract description 16
- 238000004422 calculation algorithm Methods 0.000 description 30
- 238000013528 artificial neural network Methods 0.000 description 19
- 230000015654 memory Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 10
- 230000002776 aggregation Effects 0.000 description 9
- 238000004220 aggregation Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000005295 random walk Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000000547 structure data Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010012335 Dependence Diseases 0.000 description 1
- 241000486463 Eugraphe sigma Species 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003822 preparative gas chromatography Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—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
Abstract
本申请公开了一种多媒体资源推荐方法、装置及存储介质,可以应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景,所述方法包括:获取目标对象以及目标关联对象各自对应的目标多媒体资源;基于目标对象以及至少两个目标关联对象,构建目标对象关系图;基于目标对象、至少两个目标关联对象以及目标多媒体资源,构建目标对象资源关系图;根据目标对象的对象属性信息、目标对象关系图以及目标对象资源关系图,确定目标对象的目标对象特征;获取候选多媒体资源的候选资源特征;根据目标对象特征与候选资源特征之间的相似度,确定目标推荐结果;目标推荐结果表征向目标对象推荐候选多媒体资源的概率。本申请提高了推荐的多媒体资源的多样性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种多媒体资源推荐方法、装置及存储介质。
背景技术
在互联网快速发展的时代,随着多媒体资源生产的门槛降低,各种多媒体资源包括视频上传量以指数级的速度增长。这些视频包括各种多媒体资源创作机构,比如自媒体和机构的PGC,UGC多媒体资源。这些多媒体资源经过机器算法和人工校验标准化后,通常启用后构建一个多媒体资源池给到多媒体资源分发引擎,比如推荐或者搜索引擎。最后推荐引擎基于用户的画像特征,通过推荐算法比如协同推荐,矩阵分解,监督学习算法模型,基于深度学习的模型考虑上下文环境及画像等分发给海量的用户。
推荐算法其实本质上是一种信息处理逻辑,当获取用户与多媒体资源的信息之后,按照一定的逻辑处理信息后,产生推荐结果。热度排行榜就是最简单的一种推荐方法,它依赖的逻辑就是当一个多媒体资源被大多数用户喜欢,那大概率其他用户也会喜欢。但是现有的推荐算法通常仅向用户推荐其感兴趣的多媒体资源,推荐资源形式单一,导致用户的信息选择面和接收面收窄。
发明内容
本申请提供了一种多媒体资源推荐方法、装置及存储介质,可以提高推荐的多媒体资源的多样性以及推荐成功率。
一方面,本申请提供了一种多媒体资源推荐方法,所述方法包括:
获取目标对象以及目标关联对象各自对应的目标多媒体资源;所述目标关联对象为所述目标对象对应的关联对象,所述目标关联对象为至少两个;
基于所述目标对象以及所述至少两个目标关联对象,构建目标对象关系图;所述目标对象关系图中节点表征所述目标对象或所述目标关联对象,所述目标对象关系图中连接线用于连接综合对象集中任意两个存在关联关系的对象;所述综合对象集包括所述目标对象以及所述至少两个目标关联对象;
基于所述目标对象、所述至少两个目标关联对象以及所述目标多媒体资源,构建目标对象资源关系图;所述目标对象资源关系图中节点表征所述目标对象、所述至少两个目标关联对象或所述目标多媒体资源;所述目标对象资源关系图中连接线用于连接所述目标对象、所述至少两个目标关联对象、所述目标多媒体资源中的任意两个;
根据所述目标对象的对象属性信息、所述目标对象关系图以及所述目标对象资源关系图,确定所述目标对象的目标对象特征;
获取候选多媒体资源的候选资源特征;
根据所述目标对象特征与所述候选资源特征之间的相似度,确定目标推荐结果;所述目标推荐结果表征向所述目标对象推荐所述候选多媒体资源的概率。
在一示例性实施方式中,资源推荐模型的训练方法包括:
获取样本对象的对象属性信息、样本对象关系图、样本对象资源关系图以及样本候选多媒体资源;所述样本候选多媒体资源标注了样本推荐结果标签,所述样本推荐结果标签表征向所述样本对象推荐所述样本候选多媒体资源的推荐结果;
其中,所述样本对象关系图中节点表征所述样本对象或样本关联对象,所述样本对象关系图中连接线用于连接样本综合对象集中任意两个存在关联关系的对象;所述样本综合对象集包括所述样本对象以及至少两个所述样本关联对象;所述样本对象资源关系图中节点表征所述样本对象、所述至少两个所述样本关联对象或样本多媒体资源;所述样本对象资源关系图中连接线用于连接所述样本对象、所述至少两个所述样本关联对象、所述样本多媒体资源中的任意两个;
基于预设资源推荐模型的预设对象特征融合网络,对所述样本对象的对象属性信息、所述样本对象关系图以及所述样本对象资源关系图进行特征融合处理,得到所述样本对象的样本对象特征;
基于所述预设资源推荐模型的预设资源特征提取网络,对样本候选多媒体资源进行资源特征提取处理,得到样本候选资源特征;
基于所述样本对象特征、所述样本候选资源特征以及所述样本推荐结果标签,对所述预设资源推荐模型进行训练,得到所述资源推荐模型。
在一示例性实施方式中,所述预设对象特征融合网络包括预设对象属性特征提取网络、第一预设特征融合网络以及第二预设特征融合网络,所述基于预设资源推荐模型的预设对象特征融合网络,对所述样本对象的对象属性信息、所述样本对象关系图以及所述样本对象资源关系图进行特征融合处理,得到所述样本对象的样本对象特征,包括:
基于所述预设对象属性特征提取网络,对所述样本对象的对象属性信息进行属性特征提取处理,得到第一样本对象特征;
基于所述第一预设特征融合网络,对样本对象关系特征以及样本对象资源关系特征进行融合处理,得到第二样本对象特征;所述样本对象关系特征基于所述样本对象关系图确定,所述样本对象资源关系特征基于所述样本对象资源关系图确定;
基于所述第二预设特征融合网络,对所述第一样本对象特征以及所述第二样本对象特征进行融合处理,得到所述样本对象的样本对象特征。
在一示例性实施方式中,所述基于所述第一预设特征融合网络,对样本对象关系特征以及样本对象资源关系特征进行融合处理,得到第二样本对象特征之前,所述方法还包括:
基于所述预设资源推荐模型的预设对象关系特征提取网络,对所述样本对象关系图进行对象关系特征提取处理,得到所述样本对象关系特征;
基于所述预设资源推荐模型的预设对象资源特征提取网络,对所述样本对象资源关系图进行对象资源关系特征提取处理,得到所述样本对象资源关系特征。
在一示例性实施方式中,所述基于所述样本对象特征、所述样本候选资源特征以及所述样本推荐结果标签,对所述预设资源推荐模型进行训练,得到所述资源推荐模型,包括:
基于所述预设资源推荐模型的预设推荐结果预测网络,确定所述样本对象特征与所述样本候选资源特征之间的样本相似度,并基于所述样本相似度确定样本预测推荐结果;
基于所述样本预测推荐结果与所述样本推荐结果标签之间的差异,对所述预设资源推荐模型进行训练,得到所述资源推荐模型。
另一方面提供了一种多媒体资源推荐装置,所述装置包括:
目标资源获取模块,用于获取目标对象以及目标关联对象各自对应的目标多媒体资源;所述目标关联对象为所述目标对象对应的关联对象,所述目标关联对象为至少两个;
第一目标图构建模块,用于基于所述目标对象以及所述至少两个目标关联对象,构建目标对象关系图;所述目标对象关系图中节点表征所述目标对象或所述目标关联对象,所述目标对象关系图中连接线用于连接综合对象集中任意两个存在关联关系的对象;所述综合对象集包括所述目标对象以及所述至少两个目标关联对象;
第二目标图构建模块,用于基于所述目标对象、所述至少两个目标关联对象以及所述目标多媒体资源,构建目标对象资源关系图;所述目标对象资源关系图中节点表征所述目标对象、所述至少两个目标关联对象或所述目标多媒体资源;所述目标对象资源关系图中连接线用于连接所述目标对象、所述至少两个目标关联对象、所述目标多媒体资源中的任意两个;
目标对象特征确定模块,用于根据所述目标对象的对象属性信息、所述目标对象关系图以及所述目标对象资源关系图,确定所述目标对象的目标对象特征;
候选资源特征获取模块,用于获取候选多媒体资源的候选资源特征;
推荐结果确定模块,用于根据所述目标对象特征与所述候选资源特征之间的相似度,确定目标推荐结果;所述目标推荐结果表征向所述目标对象推荐所述候选多媒体资源的概率。
另一方面提供了一种多媒体资源推荐设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上所述的多媒体资源推荐方法。
另一方面提供了一种计算机存储介质,所述计算机存储介质存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如上所述的多媒体资源推荐方法。
另一方面提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行以实现如上所述的多媒体资源推荐方法。
本申请提供的多媒体资源推荐方法、装置及存储介质,具有如下技术效果:
本申请获取目标对象以及目标关联对象各自对应的目标多媒体资源;目标关联对象为目标对象对应的关联对象,目标关联对象为至少两个;基于目标对象以及至少两个目标关联对象,构建目标对象关系图;目标对象关系图中节点表征目标对象或目标关联对象,目标对象关系图中连接线用于连接综合对象集中任意两个存在关联关系的对象;综合对象集包括目标对象以及至少两个目标关联对象;基于目标对象、至少两个目标关联对象以及目标多媒体资源,构建目标对象资源关系图;目标对象资源关系图中节点表征目标对象、至少两个目标关联对象或目标多媒体资源;目标对象资源关系图中连接线用于连接目标对象、至少两个目标关联对象、目标多媒体资源中的任意两个;根据目标对象的对象属性信息、目标对象关系图以及目标对象资源关系图,确定目标对象的目标对象特征;从而基于目标对象及其对应的关联对象,构建得到用于确定目标对象特征的目标对象关系图以及目标对象资源关系图,从而在目标对象特征中融入了关联对象的特征;本申请获取候选多媒体资源的候选资源特征;根据目标对象特征与候选资源特征之间的相似度,确定目标推荐结果;目标推荐结果表征向目标对象推荐候选多媒体资源的概率。在多媒体资源推荐过程中,不仅可以向目标对象推荐其感兴趣的资源,还可以向目标对象推荐关联对象感兴趣的资源,从而提高了向目标对象推荐的多媒体资源的多样性以及推荐成功率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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它附图。
图1是本说明书实施例提供的一种多媒体资源推荐系统的示意图;
图2是本说明书实施例提供的一种多媒体资源推荐方法的流程示意图;
图3是本说明书实施例提供的一种基于上述目标对象以及上述至少两个目标关联对象,构建目标对象关系图的方法的流程示意图;
图4是本说明书实施例提供的一种基于上述目标对象、上述至少两个目标关联对象以及上述目标多媒体资源,构建目标对象资源关系图的方法的流程示意图;
图5是本说明书实施例提供的一种一种目标对象资源关系图的构建方法的流程示意图;
图6是本说明书实施例提供的另一种目标对象资源关系图的构建方法的流程示意图;
图7是本说明书实施例提供的一种确定目标对象特征的图注意力网络的结构示意图;
图8是本说明书实施例提供的一种目标对象对应终端的显示界面图;
图9是本说明书实施例提供的一种根据上述目标对象的对象属性信息、上述目标对象关系图以及上述目标对象资源关系图,确定上述目标对象的目标对象特征的方法的流程示意图;
图10是本说明书实施例提供的一种资源推荐模型的训练方法的流程示意图;
图11是本说明书实施例提供的一种对上述样本对象的对象属性信息、上述样本对象关系图以及上述样本对象资源关系图进行特征融合处理,得到上述样本对象的样本对象特征方法的流程示意图;
图12是本说明书实施例提供的一种基于上述样本对象特征、上述样本候选资源特征以及上述样本推荐结果标签,对上述预设资源推荐模型进行训练,得到上述资源推荐模型方法的流程示意图;
图13是本说明书实施例提供的一种资源推荐模型的结构示意图;
图14是本说明书实施例提供的一种目标对象关系图以及目标对象资源关系图的结构示意图;
图15是本说明书实施例提供的一种多媒体资源推荐装置的结构示意图;
图16是本说明书实施例提供的一种服务器的结构示意图。
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
可以理解的是,在本申请的具体实施方式中,涉及到用户信息相关的数据,当本申请以上实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
人工智能(Artificial Intelligence,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,它企图了解智能的实质,并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机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能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、大数据处理技术、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、自动驾驶、智慧交通等几大方向。
机器学习(Machine Learning,ML)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。机器学习是人工智能的核心,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。机器学习和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。
深度学习:深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”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,以便这里描述的本申请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。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服、车联网、自动驾驶、智慧交通等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
本申请实施例提供的方案涉及人工智能的智能营销、智能客服等技术,本发明实施例可应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景。
现有的资源推荐方法想要挖掘用户个性化的,小众化的兴趣,需要制定复杂的规则运算逻辑,由机器完成。目前推荐系统召回主要采用的是基于协同过滤的方案和部分基于表示学习的方案比如深度神经网络(Deep Neural Networks,DNN),多模态融合网络(Dense Multimodal Fusion,DMF)等,尝试了不少基于匹配函数的端到端的方式。算法推荐凭借其独特的优势,满足了用户的个性化、定制化需求。目前推荐算法都是以提高用户的点击率/交互等参数而设计的,一般而言,推荐算法不会考虑推荐条目的原因是否合理,也不会考虑推荐条目的频次是否合适,同时也会过于迎合用户的兴趣。算法推荐不断为用户推荐其感兴趣的多媒体资源,导致用户的信息选择面和接收面收窄。个性化推荐系统的出现,可以让受众根据自己的兴趣、爱好选择信息;虽然它在一定程度上提高了信息的分发率,满足了受众的信息需求;但是另一方面,个性化推荐仿用户的兴趣为用户筑起了一道“墙”,形成“信息茧房”,导致用户视野受限,造成推荐资源的种类以及样式单一。
因此,本实施例提供了一种多媒体资源推荐方法、装置及存储介质,在多媒体资源推荐过程中,不仅可以向目标对象推荐其感兴趣的资源,还可以向目标对象推荐关联对象感兴趣的资源,从而提高了向目标对象推荐的多媒体资源的多样性以及推荐成功率。具体通过如下实施例进行说明:
请参阅图1,图1是本说明书实施例提供的一种多媒体资源推荐系统的示意图,如图1所示,该多媒体资源推荐系统可以至少包括服务器01和客户端02。
具体的,本说明书实施例中,上述服务器01可以包括一个独立运行的服务器,或者分布式服务器,或者由多个服务器组成的服务器集群,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(ContentDelivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。服务器01可以包括有网络通信单元、处理器和存储器等等。具体的,上述服务器01可以用于构建目标对象关系图以及目标对象资源关系图,以及根据上述目标对象的对象属性信息、上述目标对象关系图以及上述目标对象资源关系图,确定上述目标对象的目标对象特征;获取候选多媒体资源的候选资源特征;根据上述目标对象特征与上述候选资源特征之间的相似度,确定目标推荐结果。
具体的,本说明书实施例中,上述客户端02可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、智能可穿戴设备、智能音箱、车载终端、智能电视等类型的实体设备,也可以包括运行于实体设备中的软体,例如一些服务商提供给用户的网页页面,也可以为该些服务商提供给用户的应用。具体的,上述客户端02可以用于展示目标推荐结果。
以下介绍本申请的一种多媒体资源推荐方法,图2是本说明书实施例提供的一种多媒体资源推荐方法的流程示意图,本说明书提供了如实施例或流程图上述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示,上述方法可以包括:
S201:获取目标对象以及目标关联对象各自对应的目标多媒体资源;上述目标关联对象为上述目标对象对应的关联对象,上述目标关联对象为至少两个。
在本说明书实施例中,目标对象可以为待推荐用户,目标关联对象可以为上述目标对象对应的关联对象;可以通过目标对象的社交关系确定对应的目标关联对象,获取目标对象的社交行为清单,根据清单将与目标对象存在社交关系的对象确定为目标关联对象。
示例性的,可以获取目标对象对应的社交网络,社交网络,即社交网络服务(SNS,Social Networking Services),是指以一定社会关系或共同兴趣为纽带、以各种形式为在线聚合的用户提供沟通、交互服务的互联网应用。这种以人与人关系为核心的方式建立的社会关系网络映射在互联网上就形成了以用户为中心、以人为本的互联网应用。若把每个人当作整个社会群体中的一个结点,每两点之间的连线称为一个关系链。现在具备任意社区性质的网络服务中,都会以此做为一个重要基础或是直接以此形成相关的服务。如何维系关系链的大盘活跃与增长也是社区或社会化网络服务的重要工作。通常情况下,所知的熟人关系网络构成强关系网络,通过兴趣,爱好等形成起来的关系链称为弱关系链。一种典型的关系强度等级划分与定可以参考如下:比如(1)强关系,你基本上每天都能接触或是一个星期至少有2-3次来往的人;(2)弱关系,不是每天接触的人,但基本上是曾经的朋友,同学,同事,亲戚等等;(3)微关系,通过共同的兴趣、爱好、经历形成的泛泛之交,然后可以继续发展成为更强关系的好友。关系链的建立,可以理解是两节点之间信息流动开始,关系链的活跃即是两节点之间信息流动的速度与频率所决定。关系链的初始化,即关系链的建立是双方信息在特质趋同的情况下,即同一场景,时间,地点,经历,态度等才能形成。不同关系链的关系所处的阶段和所发挥的作用也是完全不一样的。比如在用户增长的过程当中,弱关系链网络起到极大的作用,强关系链中每个节点所处的圈子重合度高,那么流动的信息重复度高,那些久不见面或接触的人,也就是距离较远的两个节点,反而能够提供更多新鲜而不重复的信息。
在本说明书实施例中,可以根据强关系、弱关系、微关系等确定目标对象对应的目标关联对象;示例性的,可以将与目标对象存在强关系的对象确定为目标关联对象;若存在强关系的对象数量较少,可以进一步将存在弱关系的对象也确定为目标关联对象;若存在强关系、弱关系的对象数量仍不满足要求,则继续将存在微关系的对象确定为目标关联对象。
在本说明书实施例中,上述方法还包括:
获取与上述目标对象存在交互行为的对象,得到至少两个候选关联对象;
确定每个候选关联对象与上述目标对象的交互信息;
将交互信息满足预设条件的候选关联对象,确定为上述目标关联对象。
在本说明书实施例中,交互信息满足预设条件的候选关联对象可以为目标对象对应的弱关系链网络中对象;弱关系链网络中对象即为与目标对象交互次数较少或交互频率较低的对象;任一候选关联对象与目标对象的交互信息可以包括但不限于候选关联对象与目标对象在预设时段内的交互次数、交互频率等,预设时段可以根据实际需求进行设置,例如可以设置为一周、一个月、三个月等,预设条件可以根据交互次数、交互频率等进行设置;例如,在交互信息为交互次数的情况下,可以将预设条件设置为交互次数小于预设次数阈值;从而将交互次数小于预设次数阈值的候选关联对象,确定为目标关联对象。
在本说明书实施例中,在用户增长的过程当中,弱关系链网络起到极大的作用,强关系链中每个节点所处的圈子重合度高,那么流动的信息重复度高;反之,对于久不见面或接触较少的对象,也就是关系链网络中距离较远的两个节点,反而能够提供更多新鲜而不重复的信息,通过交互信息筛选出交互较少的目标关联对象之后,根据该目标关联对象浏览过的多媒体资源提取目标对象的对象特征,从而可以向目标对象推荐与目标关联对象浏览过的多媒体资源相似度较高的资源,从而在向目标对象推荐其感兴趣的多媒体资源时,还可以推荐与其感兴趣资源差距较大的其他资源,提高了向目标对象推荐的多媒体资源的多样性。
示例性的,可以将目标对象浏览过的历史多媒体资源以及目标关联对象浏览过的历史多媒体资源,均确定为目标多媒体资源。目标多媒体资源可以包括但不限于文本、图片、照片、音频、动画、短视频和影片。
S203:基于上述目标对象以及上述至少两个目标关联对象,构建目标对象关系图;上述目标对象关系图中节点表征上述目标对象或上述目标关联对象,上述目标对象关系图中连接线用于连接综合对象集中任意两个存在关联关系的对象;上述综合对象集包括上述目标对象以及上述至少两个目标关联对象。
在本说明书实施例中,目标对象关系图可以包括多个节点以及连接线,每个节点表征一个对象,每个连接线用于连接存在关联关系的两个对象。
在本说明书实施例中,如图3所示,上述基于上述目标对象以及上述至少两个目标关联对象,构建目标对象关系图,包括:
S2031:基于上述目标对象以及上述至少两个目标关联对象,构建第一预设子图;上述第一预设子图包括依次顺序连接的三个第一预设节点,上述三个第一预设节点依次表征第一对象、第二对象以及第三对象;上述第二对象为与上述第一对象、上述第三对象均存在交互行为的对象;
S2033:基于至少两个上述第一预设子图,构建第一对象关系图;
S2035:基于上述第一对象关系图,构建上述目标对象关系图。
在本说明书实施例中,第二对象为与上述第一对象、上述第三对象均存在交互行为的对象;可以根据第二对象的社交关系先确定与第二对象存在关联关系的第一关联对象集,第一关联对象集中可以包括第一对象以及第三对象,第一对象、第三对象可以为第一关联对象集中任意两个不同的对象;第一对象、第二对象以及第三对象依次通过连接线构建得到第一预设子图(User-User-User,U-U-U)。
在第一对象、第三对象均为至少两个的情况下,可以针对第二对象构建多个第一预设子图。示例性的,可以根据目标对象以及上述至少两个目标关联对象构成综合对象集,并将综合对象集中任一对象确定为第二对象,从而可以构建综合对象集中各个第二对象对应的第一预设子图,得到至少两个第一预设子图,并构建第一对象关系图,从而可以进一步根据第一对象关系图,构建上述目标对象关系图。示例性的,可以将第一对象关系图,确定为目标对象关系图。第一对象关系图可以为基于图神经网络(Graph Neural Networks,GNN)构建的图,图神经网络是指使用神经网络来学习图结构数据,提取和发掘图结构数据中的特征和模式,满足聚类、分类、预测、分割、生成等图学习任务需求的算法总称。
图是一种常用的数据结构,如商业场景中人与商品的关系、社交场景中人与人的关系、支付场景的支付关系等。图嵌入(Graph Embedding)是一种将高维稀疏数据映射为低维稠密向量的过程,以此来解决原始图结构数据难以应用到机器学习算法(节点分类、链接预测、隐式特征挖掘)等问题。常用的图嵌入算法包括:(1)DeepWalk是比较基础的图算法,原理接近于word2Vec,只是在节点共现关系的组织上有所不同。算法分两个阶段:基于随机游走构建共现序列、使用skip-gram训练生成embedding;(2)Node2Vec是对DeepWalk的扩展,区别在于随机游走时,DeepWalk是深度优先搜索。而Node2Vec通过引入两个参数来权衡深度优先和广度优先搜索,使得随机游走更灵活;(3)Metapath2Ve;如果处理包含多种类型的顶点、边的异构图,可以使用Metapath2Vec。Metapath2Vec适合异构图的学习,它分为2个部分,先基于math-path来生成游走序列,称为Meta-Path-Based Random Walks,采样的时候考虑节点类型与元路径信息,再通过Skip-Gram算法来学习节点表征,本发明当中由于主要是一个异构的GNN图网络,所以选择这种方案;(4)Graphsage,在GCN基础上作了改进,通过邻居采样解决了GCN无法大规模训练的问题。上面这些算法它们主要是输出节点embedding,通常这类模型仅限于图本身的学习。
GNN可以包括图卷积网络、图自编码器、图生成网络、图循环网络以及图注意力网络;图卷积网络(Graph Convolutional Network,GCN)进行卷积操作主要有两种方法:一种是基于谱分解,即谱分解图卷积。另一种是基于节点空间变换,即空间图卷积。Bruna等人第一次将卷积神经网路泛化到图数据上,提出两种并列的图卷积模型:谱分解图卷积和空间图卷积。基于自编码器的GNN被称为图自编码器(Graph Auto-encoder,GAE),可以半监督或者无监督地学习图节点信息。在深度学习领域,自编码器(Auto-encoder,AE)是一类将输入信息进行表征学习的人工神经网络。图生成网络(Graph Generative Network,GGN)是一类用来生成图数据的GNN,其使用一定的规则对节点和边进行重新组合,最终生成具有特定属性和要求的目标图。图循环网络(Graph Recurrent Network,GRN)是最早出现的一种GNN模型。相较于其他的GNN算法,GRN通常将图数据转换为序列,在训练的过程中序列会不断地递归演进和变化。GRN模型一般使用双向循环神经网络(Bidirectional RNN,Bi-RNN)和长短期记忆网络(Long Short-Term Memory Network,LSTM)作为网络架构。注意力机制可以让一个神经网络只关注任务学习所需要的信息,它能够选择特定的输入。在GNN中引入注意力机制可以让神经网络关注对任务更加相关的节点和边,提升训练的有效性和测试的精度,由此形成图注意力网络(Graph Attention Network,GAT)。
在本说明书实施例中,上述方法还包括:
获取上述综合对象集中每个对象对应的资源发布方;上述每个对象对应的资源发布方为上述每个对象浏览过的目标多媒体资源的发布方;
基于上述每个对象对应的资源发布方,构建第二预设子图;上述第二预设子图包括依次顺序连接的三个第二预设节点,上述三个第二预设节点依次表征第四对象、预设资源发布方以及第五对象;上述预设资源发布方为与上述第四对象以及上述第五对象均存在关联关系的发布方;
基于至少两个上述第二预设子图,构建第二对象关系图。
在本说明书实施例中,每个对象对应的资源发布方为上述每个对象浏览过的目标多媒体资源的发布方;资源发布方可以为多媒体资源的作者、发布平台等;可以先获取综合对象集中每个对象浏览过的目标多媒体资源,从而得到预设资源发布方集;然后获取预设资源发布方集中任一预设资源发布方对应的两个对象,分别为第四对象以及第五对象,第四对象、第五对象均为综合对象集中对象;可以根据每个预设资源发布方对应的关联对象,构建第二预设子图(User-Author-User,U-A-U);第二预设子图包括依次顺序连接的三个第二预设节点,上述三个第二预设节点依次表征第四对象、预设资源发布方以及第五对象;第四对象、预设资源发布方以及第五对象依次通过有向连线连接;其中,第四对象、第五对象为与预设资源发布方均存在关联关系的对象,每个预设资源发布方可以对应至少一个第二预设子图;可以根据预设资源发布方集中各个预设资源发布方,构建第二预设子图;并根据各个第二预设子图构建第二对象关系图。第二对象关系图可以为基于图神经网络构建的图。
在本说明书实施例中,上述预设资源发布方包括第一资源发布方以及第二资源发布方,基于上述每个对象对应的资源发布方,构建第二预设子图,包括:
基于上述目标对象、上述第一资源发布方以及上述目标关联对象,构建第一预设对象关系子图;上述第一预设对象关系子图包括依次顺序连接的三个第二预设初始节点,上述三个第二预设初始节点依次表征上述目标对象、上述第一资源发布方以及上述目标关联对象;上述第一资源发布方为与上述目标对象以及上述目标关联对象均存在关联关系的发布方;
基于第一目标关联对象、上述第二资源发布方以及第二目标关联对象,构建第二预设对象关系子图;上述第二预设对象关系子图包括依次顺序连接的三个第二预设关联节点,上述三个第二预设关联节点依次表征上述第一目标关联对象、上述第二资源发布方以及上述第二目标关联对象;上述第二资源发布方为与上述第一目标关联对象以及上述第二目标关联对象均存在关联关系的发布方;上述第一目标关联对象、上述第二目标关联对象构成上述目标关联对象;
基于上述第一预设对象关系子图以及上述第二预设对象关系子图,构建上述第二预设子图。
在本说明书实施例中,可以根据目标对象、第一资源发布方以及上述目标关联对象,构建第一预设对象关系子图;第一预设对象关系子图包括依次顺序连接的三个第二预设初始节点,上述三个第二预设初始节点依次表征上述目标对象、上述第一资源发布方以及上述目标关联对象;上述第一资源发布方为与上述目标对象以及上述目标关联对象均存在关联关系的发布方;其中,三个第二预设初始节点依次表征与第一资源发布方存在关联关系的目标对象、上述第一资源发布方以及与第一资源发布方存在关联关系的目标关联对象;其中,居中的第二预设初始节点与两端的第二预设初始节点均存在关联关系;处于两端的两个第二预设初始节点的位置可以对调,第一预设对象关系子图可以为一个或至少两个。
在本说明书实施例中,可以根据第一目标关联对象、第二资源发布方以及第二目标关联对象,构建第二预设对象关系子图;上述第二预设对象关系子图包括依次顺序连接的三个第二预设关联节点,上述三个第二预设关联节点依次表征上述第一目标关联对象、上述第二资源发布方以及上述第二目标关联对象;上述第二资源发布方为与上述第一目标关联对象以及上述第二目标关联对象均存在关联关系的发布方;上述第一目标关联对象、上述第二目标关联对象构成上述目标关联对象;三个第二预设关联节点依次表征上述第一目标关联对象、上述第二资源发布方以及上述第二目标关联对象;居中的第二预设关联节点与两端的第二预设关联节点均存在关联关系;处于两端的两个第二预设关联节点的位置可以对调,第二预设对象关系子图可以为一个或至少两个。
在本说明书实施例中,可以根据第一预设对象关系子图以及第二预设对象关系子图,构建上述第二预设子图;具体的,可以根据第一预设对象关系子图以及第二预设对象关系子图中的公共节点,对两种子图进行融合,得到第二预设子图。
在本说明书实施例中,通过构建第一预设对象关系子图以及第二预设对象关系子图,可以结合目标对象与资源发布方之间的关联关系,以及目标关联对象与资源发布方之间的关联关系,向目标对象推荐与目标关联对象匹配的资源以及与资源发布方对应的资源,提高了向目标对象推荐资源的多样性。
相应的,上述基于上述第一对象关系图,构建上述目标对象关系图,包括:
将上述第一对象关系图以及上述第二对象关系图,确定为上述目标对象关系图。
在本说明书实施例中,可以将第一对象关系图以及上述第二对象关系图,均确定为上述目标对象关系图。
在本说明书实施例中,目标对象关系图可以包括第一对象关系图以及上述第二对象关系图,并通过目标对象关系图确定目标对象特征,提高了目标对象特征的多样性,从而可以提高推荐资源的多样性。
S205:基于上述目标对象、上述至少两个目标关联对象以及上述目标多媒体资源,构建目标对象资源关系图;上述目标对象资源关系图中节点表征上述目标对象、上述至少两个目标关联对象或上述目标多媒体资源;上述目标对象资源关系图中连接线用于连接上述目标对象、上述至少两个目标关联对象、上述目标多媒体资源中的任意两个。
在本说明书实施例中,目标对象资源关系图可以为基于图神经网络构建的图;目标对象资源关系图可以表征对象与多媒体资源之间的关联关系;目标对象资源关系图中可以包括多个节点以及多个连接线,每个节点可以表征上述目标对象、上述至少两个目标关联对象或上述目标多媒体资源;上述目标对象资源关系图中连接线用于连接上述目标对象、上述至少两个目标关联对象、上述目标多媒体资源中的任意两个。
在本说明书实施例中,如图4所示,上述基于上述目标对象、上述至少两个目标关联对象以及上述目标多媒体资源,构建目标对象资源关系图,包括:
S2051:基于上述目标对象以及上述至少两个目标关联对象,构建上述综合对象集;
S2053:基于上述综合对象集以及至少两个上述目标多媒体资源,构建第一目标子图;上述第一目标子图包括依次顺序连接的三个第一节点,上述三个第一节点依次表征第一初始对象、第一预设对象以及第一多媒体资源;上述第一预设对象为上述综合对象集中任一对象,上述第一初始对象为与上述第一预设对象存在关联关系的对象,上述第一多媒体资源为上述至少两个上述目标多媒体资源中上述第一预设对象浏览过的资源;
S2055:基于至少两个上述第一目标子图,构建第一对象资源关系图;
S2057:基于上述第一对象资源关系图,确定上述目标对象资源关系图。
在本说明书实施例中,上述至少两个上述目标多媒体资源包括上述目标对象对应的第一目标多媒体资源以及上述目标关联对象对应的第二目标多媒体资源,上述基于上述综合对象集以及至少两个上述目标多媒体资源,构建第一目标子图,包括:
基于上述综合对象集中上述目标关联对象、上述目标对象以及上述第一目标多媒体资源,构建预设对象资源关系图;上述预设对象资源关系图包括依次顺序连接的三个目标节点,上述三个目标节点依次表征上述目标关联对象、上述目标对象以及上述第一目标多媒体资源;
基于上述综合对象集中上述目标对象、上述目标关联对象以及上述第二目标多媒体资源,构建关联对象资源关系图;上述关联对象资源关系图包括依次顺序连接的三个初始节点,上述三个初始节点依次表征上述目标对象、上述目标关联对象以及上述第二目标多媒体资源;
基于上述预设对象资源关系图以及上述关联对象资源关系图,构建上述第一目标子图。
在本说明书实施例中,第一目标子图可以包括预设对象资源关系图以及关联对象资源关系图;可以根据综合对象集中目标关联对象、目标对象以及第一目标多媒体资源,构建预设对象资源关系图;上述预设对象资源关系图包括依次顺序连接的三个目标节点,上述三个目标节点依次表征上述目标关联对象、上述目标对象以及上述第一目标多媒体资源;三个目标节点中居中的目标节点与两端的目标节点均存在关联关系,处于两端的两个目标节点的位置可以对调。
可以根据综合对象集中目标对象、目标关联对象以及第二目标多媒体资源,构建关联对象资源关系图;上述关联对象资源关系图包括依次顺序连接的三个初始节点,上述三个初始节点依次表征上述目标对象、上述目标关联对象以及上述第二目标多媒体资源;三个初始节点中居中的初始节点与两端的初始节点均存在关联关系,处于两端的两个初始节点的位置可以对调。
在本说明书实施例中,可以根据预设对象资源关系图以及关联对象资源关系图,构建上述第二预设子图;具体的,可以根据第一预设对象关系子图以及第二预设对象关系子图中的公共节点,对两种子图进行融合,得到第二预设子图。
在本说明书实施例中,通过构建预设对象资源关系图以及关联对象资源关系图,在目标对象的对象特征提取过程中,融入了目标关联对象浏览过的多媒体资源,在资源推荐过程中,便于召回与目标关联对象浏览过的多媒体资源相似度较高的资源,向目标对象进行推荐,从而实现向目标对象推荐目标关联对象感兴趣的资源,提高了推荐资源的多样性。
在本说明书实施例中,可以将目标对象以及上述至少两个目标关联对象组成的集合,形成综合对象集;上述综合对象集中对象浏览过的多媒体资源可以为至少两个上述目标多媒体资源;可以根据综合对象集以及至少两个上述目标多媒体资源,构建第一目标子图(User-User-Item,UUI);其中,Item可以为第一多媒体资源对应的内容;可以先确定第一预设对象,第一预设对象可以为综合对象集中任一对象,然后确定第一预设对象对应的关联对象,得到第一初始对象;再进一步从上述至少两个上述目标多媒体资源中确定上述第一预设对象浏览过的资源,得到第一多媒体资源;之后将第一初始对象、第一预设对象以及第一多媒体资源作为节点,并依次在第一初始对象、第一预设对象以及第一多媒体资源之间顺序构建连接线,形成第一目标子图;居中的第一预设对象与两端的第一初始对象、第一多媒体资源均存在关联关系;然后根据每个第一预设对象对应的第一目标子图,构建第一对象资源关系图;第一对象资源关系图可以为基于图神经网络构建的图,可以将第一对象资源关系图确定为目标对象资源关系图。或者根据第一对象资源关系图以及其他图结构,构建目标对象资源关系图。
在本说明书实施例中,上述方法还包括:
基于上述综合对象集以及至少两个上述目标多媒体资源,构建第二目标子图;上述第二目标子图包括依次顺序连接的三个第二节点,上述三个第二节点依次表征第二初始对象、第二多媒体资源以及第二预设对象;上述第二多媒体资源为上述第二初始对象以及上述第二预设对象浏览过的资源,上述第二多媒体资源为上述至少两个上述目标多媒体资源中的资源;
基于至少两个上述第二目标子图,构建第二对象资源关系图;
相应的,上述基于上述第一对象资源关系图,确定上述目标对象资源关系图,包括:
基于上述第一对象资源关系图以及上述第二对象资源关系图,确定上述目标对象资源关系图。
在一示例性实施例中,如图5所示,图5为一种目标对象资源关系图的构建方法,包括:
S501:基于上述综合对象集以及至少两个上述目标多媒体资源,构建第一目标子图;上述第一目标子图包括依次顺序连接的三个第一节点,上述三个第一节点依次表征第一初始对象、第一预设对象以及第一多媒体资源;上述第一预设对象为上述综合对象集中任一对象,上述第一初始对象为与上述第一预设对象存在关联关系的对象,上述第一多媒体资源为上述至少两个上述目标多媒体资源中上述第一预设对象浏览过的资源;
S503:基于至少两个上述第一目标子图,构建第一对象资源关系图;
S505:基于上述综合对象集以及至少两个上述目标多媒体资源,构建第二目标子图;上述第二目标子图包括依次顺序连接的三个第二节点,上述三个第二节点依次表征第二初始对象、第二多媒体资源以及第二预设对象;上述第二多媒体资源为上述第二初始对象以及上述第二预设对象浏览过的资源,上述第二多媒体资源为上述至少两个上述目标多媒体资源中的资源;
S507:基于至少两个上述第二目标子图,构建第二对象资源关系图;
S509:将上述第一对象资源关系图以及第二对象资源关系图,确定为目标对象资源关系图。
在本说明书实施例中,可以根据综合对象集以及至少两个上述目标多媒体资源,依次构建第一对象资源关系图、第二对象资源关系图,并将第一对象资源关系图、第二对象资源关系图,确定为目标对象资源关系图。从而提高了目标对象资源关系图的多样性,在此基础上确定的目标对象特征也具有多样性,基于该特征筛选的推荐多媒体资源也具有多样性。
在本说明书实施例中,上述方法还包括:
基于上述综合对象集以及至少两个上述目标多媒体资源,构建第三目标子图;上述第三目标子图包括依次顺序连接的三个第三节点,上述三个第三节点依次表征第三多媒体资源、第三预设对象以及第四多媒体资源;上述第三预设对象为上述综合对象集中任一对象,上述第三多媒体资源以及上述第四多媒体资源为上述至少两个上述目标多媒体资源中上述第三预设对象浏览过的资源;
基于至少两个上述第三目标子图,构建第三对象资源关系图。
在本说明书实施例中,可以将上述综合对象集中任一对象确定为第三预设对象,然后确定与其具有关联关系的第三多媒体资源以及第四多媒体资源;之后将第三预设对象、第三多媒体资源以及第四多媒体资源作为节点,在各个节点之间构建连接线,得到第三目标子图(User-Item-User,UIU);三个第三节点依次表征第三多媒体资源、第三预设对象以及第四多媒体资源,居中的第三预设对象与位于两端的第三多媒体资源、第四多媒体资源均存在关联关系;第三目标子图可以为基于图神经网络构建的图;然后根据各个第三预设对象对应的第三目标子图构建第三对象资源关系图。
相应的,上述基于上述第一对象资源关系图以及上述第二对象资源关系图,确定上述目标对象资源关系图,包括:
基于上述第一对象资源关系图、上述第二对象资源关系图以及上述第三对象资源关系图,确定上述目标对象资源关系图。
在本说明书实施例中,可以将第一对象资源关系图、上述第二对象资源关系图以及上述第三对象资源关系图,均确定为上述目标对象资源关系图,从而提高目标对象资源关系图的多样性。
在一示例性实施例中,如图6所示,图6为一种目标对象资源关系图的构建方法,包括:
S601:基于上述综合对象集以及至少两个上述目标多媒体资源,构建第一目标子图;上述第一目标子图包括依次顺序连接的三个第一节点,上述三个第一节点依次表征第一初始对象、第一预设对象以及第一多媒体资源;上述第一预设对象为上述综合对象集中任一对象,上述第一初始对象为与上述第一预设对象存在关联关系的对象,上述第一多媒体资源为上述至少两个上述目标多媒体资源中上述第一预设对象浏览过的资源;
S603:基于至少两个上述第一目标子图,构建第一对象资源关系图;
S605:基于上述综合对象集以及至少两个上述目标多媒体资源,构建第二目标子图;上述第二目标子图包括依次顺序连接的三个第二节点,上述三个第二节点依次表征第二初始对象、第二多媒体资源以及第二预设对象;上述第二多媒体资源为上述第二初始对象以及上述第二预设对象浏览过的资源,上述第二多媒体资源为上述至少两个上述目标多媒体资源中的资源;
S607:基于至少两个上述第二目标子图,构建第二对象资源关系图;
S609:基于上述综合对象集以及至少两个上述目标多媒体资源,构建第三目标子图;上述第三目标子图包括依次顺序连接的三个第三节点,上述三个第三节点依次表征第三多媒体资源、第三预设对象以及第四多媒体资源;上述第三预设对象为上述综合对象集中任一对象,上述第三多媒体资源以及上述第四多媒体资源为上述至少两个上述目标多媒体资源中上述第三预设对象浏览过的资源;
S6011:基于至少两个上述第三目标子图,构建第三对象资源关系图;
S6013:将上述第一对象资源关系图、第二对象资源关系图以及第三对象资源关系图,确定为目标对象资源关系图。
在本说明书实施例中,可以根据综合对象集以及至少两个上述目标多媒体资源,依次构建第一对象资源关系图、第二对象资源关系图以及第三对象资源关系图,并将第一对象资源关系图、第二对象资源关系图以及第三对象资源关系图,确定为目标对象资源关系图;从而提高了目标对象资源关系图的多样性,在此基础上确定的目标对象特征也具有多样性,基于该特征筛选的推荐多媒体资源也具有多样性。
在本说明书实施例中,上述方法还包括:
基于上述目标对象、上述至少两个目标关联对象以及上述目标多媒体资源,确定上述综合对象集中每个对象对应的目标兴趣资源;
基于上述综合对象集中每个对象对应的目标兴趣资源,构建第四目标子图;上述第四目标子图包括依次顺序连接的三个第四节点,上述三个第四节点依次表征第四初始对象、预设目标兴趣资源以及第四预设对象;上述预设目标兴趣资源为上述第四初始对象以及上述第四预设对象均感兴趣的资源,上述预设目标兴趣资源为上述至少两个上述目标兴趣资源中的资源;
基于至少两个上述第四目标子图,构建第四对象资源关系图。
在本说明书实施例中,可以根据目标对象、上述至少两个目标关联对象以及上述目标多媒体资源,确定上述综合对象集中每个对象感兴趣的多媒体资源,得到每个对象对应的目标兴趣资源,生成至少两个目标兴趣资源;然后将上述至少两个目标兴趣资源中任一资源确定为预设目标兴趣资源,然后确定与其具有关联关系的两个对象:第四初始对象以及第四预设对象;之后将第四初始对象、预设目标兴趣资源以及第四预设对象作为节点,在各个节点之间构建连接线,得到第四目标子图(User-Interest-User,UTU);居中的预设目标兴趣资源与两端的第四初始对象、第四预设对象均存在关联关系;第四目标子图可以为基于图神经网络构建的图;然后根据各个目标兴趣资源对应的第四目标子图,构建第四对象资源关系图。
相应的,上述基于上述第一对象资源关系图、上述第二对象资源关系图以及上述第三对象资源关系图,确定上述目标对象资源关系图,包括:
基于上述第一对象资源关系图、上述第二对象资源关系图、上述第三对象资源关系图以及上述第四对象资源关系图,确定上述目标对象资源关系图。
在本说明书实施例中,可以将第一对象资源关系图、上述第二对象资源关系图、上述第三对象资源关系图以及上述第四对象资源关系图,均确定为上述目标对象资源关系图,从而提高目标对象资源关系图的多样性。
在一些实施例中,可以将第一对象资源关系图、上述第二对象资源关系图、上述第三对象资源关系图、上述第四对象资源关系图中的任意一个,作为目标对象资源关系图;还可以将第一对象资源关系图、上述第二对象资源关系图、上述第三对象资源关系图、上述第四对象资源关系图中的至少两个,确定为目标对象资源关系图。具体可以根据实际情况进行选择,从而提高构建目标对象资源关系图的灵活性。
示例性的,本实施例的网络可以为图注意力网络(Graph Attention Network,GAT),其核心原理是利用注意力机制对图网络中的每个节点,对邻居信息进行聚合。设节点i的邻居为j,则节点i的一阶邻居拓扑聚合特征图;如图7所示,图7为一种确定目标对象特征的图注意力网络的结构示意图;对象的行为序列流水,图7中包括社交域对应的节点图以及行动域对应的节点图,其中节点图中节点包括普通对象03、面向特定域的对象04以及多媒体资源05,从而可以形成跨域网络图,在进一步构建UUU、UUI、UIU网络图,最后根据UUU、UUI、UIU网络图融合得到目标对象特征,其中,各个网络图中居中的节点与位于两端的两个节点均存在关联关系。
其中代表节点i的拓扑特征是由其邻居特征聚合并经过非线性变换而来。聚合的本质和核心思想可以理解为就是降维,通过合并融合领域节点信息来表征节点自身信息,节点i对应的融合特征的计算公式如下:
其中,σ是指非线性激活函数;W表示学习的权重矩阵,表示输入节点j的特征集合向量,Ni表示节点i在图中的部分邻居节点;/>表征节点i的融合特征;αij代表邻居j对节点i的权重,该权重是通过一个神经网络计算或者规则计算而来,比如i和j的亲密程度,可以用i和j和共同好友数、交互频率,共同兴趣点,画像相似性等来确定。神经网络的输入是节点i和节点j的特征,经过非线性变换后通过一个激活层(softmax),将数值归一化。即∑αij=1。通常为了考虑高阶邻居的属性,模型会进行多次的上述聚合操作,最终代表得到的聚合特征是考虑了高阶邻居的结果,具有更好的表达能力。该算法可以有效考虑网络中的拓扑结构,每个节点可以通过GAT的聚合公式,获得邻居的特征聚合作为其社交属性的表达,同时通过图注意力机制,可以让节点对不同的好友有不同的程度的刻画。在不同类型的图结构中,节点i可以为不同的类型;例如,在UUU图中,节点i表征对象U;在IUI图中,节点i表征对象U以及多媒体资源I。
S207:根据上述目标对象的对象属性信息、上述目标对象关系图以及上述目标对象资源关系图,确定上述目标对象的目标对象特征。
在本说明书实施例中,可以依次对上述目标对象的对象属性信息、上述目标对象关系图以及上述目标对象资源关系图进行特征提取,得到目标对象的对象属性信息对应的第一目标对象特征,目标对象关系图对应的第二目标对象特征以及上述目标对象资源关系图对应的第三目标对象特征;再对第一目标对象特征、第二目标对象特征以及第三目标对象特征进行融合处理,得到目标对象的目标对象特征。
在本说明书实施例中,对应目标对象侧特征的提取,可以引入EGES(EnhancedGraph Embedding with Side information,引入边信息的增强图嵌入)模块,来增强用户侧信息,丰富高低活用户的特征表达,EGES其基本思想是在DeepWalk模型的基础上,引入side information(比如对象的画像、兴趣点详细描述等)来补充信息。
S209:获取候选多媒体资源的候选资源特征;
在本说明书实施例中,候选多媒体资源可以为未向目标对象推荐过的多媒体资源,候选多媒体资源可以为一个或多个,可以从候选多媒体资源中筛选出用于向目标对象进行推荐的资源。具体的,可以机器学习模型提取候选多媒体资源的资源特征,得到候选资源特征。
示例性的,候选多媒体资源可以为视频,可以先提取视频中的标题(title)、分类、发布方、发布时间、视频帧(video frame)等初始特征,然后将初始特征进行融合,得到候选资源特征。
S2011:根据上述目标对象特征与上述候选资源特征之间的相似度,确定目标推荐结果;上述目标推荐结果表征向上述目标对象推荐上述候选多媒体资源的概率。
在一些实施例中,可以通过余弦相似度算法,计算目标对象特征与上述候选资源特征之间的相似度,再根据上述目标对象特征与上述候选资源特征之间的相似度,确定目标推荐结果;若相似度小于预设阈值,则确定目标推荐结果为不向目标对象推荐候选多媒体资源的第一结果;若相似度大于或等于预设阈值,则确定目标推荐结果为向目标对象推荐候选多媒体资源的第二结果。
在本说明书实施例中,可以通过相似度计算结果,从多个候选多媒体资源中召回待推荐多媒体资源,并向目标对象推荐待推荐多媒体资源,从而提高推荐资源的多样性、准确率以及推荐成功率。
在一些实施例中,若目标对象为多个,可以依次确定每个目标对象对应的待推荐多媒体资源,并确定同一待推荐多媒体资源对应的对象群,从而向对象群中各个对象推荐同一待推荐多媒体资源,并可以在推荐过程中,展示与当前推荐对象具有关联关系的关联对象标识,从而提高推荐成功率。
在本说明书实施例中,上述根据上述目标对象特征与上述候选资源特征之间的相似度,确定目标推荐结果之后,上述方法还包括:
在上述目标推荐结果表征向上述目标对象推荐上述候选多媒体资源的情况下,基于上述目标对象资源关系图,确定与上述候选多媒体资源匹配的目标关联对象,得到推荐关联对象;
向上述目标对象以及上述推荐关联对象,推送上述候选多媒体资源。
在本说明书实施例中,在目标推荐结果表征向上述目标对象推荐上述候选多媒体资源的情况下,可以确定候选多媒体资源为待推荐资源;此时,可以根据目标对象资源关系图,确定与候选多媒体资源的相似度大于预设相似度阈值的资源,作为筛选资源;并根据筛选资源,从目标对象资源关系图中确定与筛选资源存在关联关系的目标关联对象,作为推荐关联对象;目标对象资源关系图中与筛选资源存在关联关系的目标关联对象,可以为与筛选资源对应节点直接连接的节点所表征的目标关联对象。
在本说明书实施例中,在确定推荐资源之后,可以根据目标对象资源关系图,从目标关联对象中筛选出与推荐资源匹配的推荐关联对象,并同时向目标对象以及推荐对象推送资源;提高了向目标对象推荐多媒体资源的推荐效率以及推荐准确率。
在一些实施例中,如图8所示,图8为一种目标对象对应终端的显示界面图,其中显示界面图中展示有向目标对象推荐的多媒体资源,该多媒体资源可以为视频图像;同时还展示了部分已被推荐的目标关联对象的对象标识的提示信息,如图8中的提示信息“xx、yy、zz等20位好友推过”;比如,可以向具有共同兴趣爱好、同一兴趣圈子或同一群组的对象群,同步推荐同一多媒体资源。
在本说明书实施例中,如图9所示,步骤S207中上述根据上述目标对象的对象属性信息、上述目标对象关系图以及上述目标对象资源关系图,确定上述目标对象的目标对象特征,包括:
S2071:基于资源推荐模型的对象属性特征提取网络,对上述目标对象的对象属性信息进行属性特征提取处理,得到第一目标对象特征;
在本说明书实施例中,资源推荐模型可以通过对预设机器学习模型进行训练得到,预设机器学习模块可以为二分类模型;资源推荐模型可以包括对象属性特征提取网络,用于对上述目标对象的对象属性信息进行属性特征提取处理,得到第一目标对象特征;对象属性信息可以为目标对象的画像信息。
S2073:基于上述资源推荐模型的第一特征融合网络,对目标对象关系特征以及目标对象资源关系特征进行融合处理,得到第二目标对象特征;上述目标对象关系特征基于上述目标对象关系图确定,上述目标对象资源关系特征基于上述目标对象资源关系图确定;
在本说明书实施例中,可以通过上述目标对象关系图,提取目标对象关系特征,通过目标对象资源关系图提取目标对象资源关系特征;再通过第一特征融合网络,对目标对象关系特征以及目标对象资源关系特征进行融合处理,得到第二目标对象特征。
示例性的,上述基于上述资源推荐模型的第一特征融合网络,对目标对象关系特征以及目标对象资源关系特征进行融合处理,得到第二目标对象特征之前,上述方法还包括:
基于上述资源推荐模型的对象关系特征提取网络,对上述目标对象关系图进行对象关系特征提取处理,得到上述目标对象关系特征;
基于上述资源推荐模型的对象资源特征提取网络,对上述目标对象资源关系图进行对象资源关系特征提取处理,得到上述目标对象资源关系特征。
在本说明书实施例中,第一特征融合网络可以包括对象关系特征提取网络以及对象资源特征提取网络,可以通过对象关系特征提取网络对上述目标对象关系图进行对象关系特征提取处理,得到上述目标对象关系特征;通过对象资源特征提取网络,对上述目标对象资源关系图进行对象资源关系特征提取处理,得到上述目标对象资源关系特征。
S2075:基于上述资源推荐模型的第二特征融合网络,对上述第一目标对象特征以及上述第二目标对象特征进行融合处理,得到上述目标对象的目标对象特征。
相应的,步骤S209中上述获取候选多媒体资源的候选资源特征,包括:
基于上述资源推荐模型的资源特征提取网络,对上述候选多媒体资源进行资源特征提取处理,得到上述候选资源特征;
相应的,步骤S2011中上述根据上述目标对象特征与上述候选资源特征之间的相似度,确定目标推荐结果,包括:
基于上述资源推荐模型的推荐结果预测网络,确定上述目标对象特征与上述候选资源特征之间的相似度,并基于上述相似度确定上述目标推荐结果。
在本说明书实施例中,若相似度小于预设阈值,则确定目标推荐结果为不向目标对象推荐候选多媒体资源的第一结果;若相似度大于或等于预设阈值,则确定目标推荐结果为向目标对象推荐候选多媒体资源的第二结果。
在本说明书实施例中,可以通过模型提取目标对象的第一目标对象特征以及第二目标对象特征,再对第一目标对象特征以及第二目标对象特征进行融合处理,得到目标对象的目标对象特征;从而提高了目标对象特征的多样性,在资源推荐过程中,可以提高推荐资源的多样性。
在本说明书实施例中,如图10所示,上述资源推荐模型的训练方法包括:
S1001:获取样本对象的对象属性信息、样本对象关系图、样本对象资源关系图以及样本候选多媒体资源;上述样本候选多媒体资源标注了样本推荐结果标签,上述样本推荐结果标签表征向上述样本对象推荐上述样本候选多媒体资源的推荐结果;
其中,上述样本对象关系图中节点表征上述样本对象或样本关联对象,上述样本对象关系图中连接线用于连接样本综合对象集中任意两个存在关联关系的对象;上述样本综合对象集包括上述样本对象以及至少两个上述样本关联对象;上述样本对象资源关系图中节点表征上述样本对象、上述至少两个上述样本关联对象或样本多媒体资源;上述样本对象资源关系图中连接线用于连接上述样本对象、上述至少两个上述样本关联对象、上述样本多媒体资源中的任意两个;
在本说明书实施例中,样本推荐结果标签可以包括正样本标签以及负样本标签,推荐成功的正样本是指有点击或者观看的,负样本主要是指曝光但是没有点击行为比如快速划过的或者快速点击但是没有消费很快跳出的。
在本说明书实施例中,样本对象关系图与目标对象关系图的构建方法类似,样本对象资源关系图与目标对象资源关系图的构建方法类似;示例性的,若目标对象关系图为第一对象关系图,则样本对象关系图为第一样本对象关系图;第一样本对象关系图的构建方法与第一对象关系图的构建方法类似。若目标对象关系图为第一对象关系图以及第二对象关系图,则样本对象关系图为第一样本对象关系图以及第二样本对象关系图;第一样本对象关系图的构建方法与第一对象关系图的构建方法类似,第二样本对象关系图的构建方法与第二对象关系图的构建方法类似,此处不再赘述。
示例性的,若目标对象资源关系图为第一对象资源关系图,则样本对象资源关系图为对应的第一样本对象资源关系图,第一样本对象资源关系图的构建方法与第一对象资源关系图的构建方法类似;若目标对象资源关系图包括第一对象资源关系图以及第二对象资源关系图,样本对象资源关系图则包括第一样本对象资源关系图以及第二样本对象资源关系图,第一样本对象资源关系图的构建方法与第一对象资源关系图的构建方法类似;第二样本对象资源关系图的构建方法与第二对象资源关系图的构建方法类似。若目标对象资源关系图包括第一对象资源关系图、第二对象资源关系图、第三对象资源关系图以及第四对象资源关系图,样本对象资源关系图则包括第一样本对象资源关系图、第二样本对象资源关系图、第三样本对象资源关系图以及第四样本对象资源关系图,第一样本对象资源关系图的构建方法与第一对象资源关系图的构建方法类似;第二样本对象资源关系图的构建方法与第二对象资源关系图的构建方法类似,第三样本对象资源关系图的构建方法与第三对象资源关系图的构建方法类似,第四样本对象资源关系图的构建方法与第四对象资源关系图的构建方法类似。
S1003:基于预设资源推荐模型的预设对象特征融合网络,对上述样本对象的对象属性信息、上述样本对象关系图以及上述样本对象资源关系图进行特征融合处理,得到上述样本对象的样本对象特征;
S1005:基于上述预设资源推荐模型的预设资源特征提取网络,对样本候选多媒体资源进行资源特征提取处理,得到样本候选资源特征;
S1007:基于上述样本对象特征、上述样本候选资源特征以及上述样本推荐结果标签,对上述预设资源推荐模型进行训练,得到上述资源推荐模型。
在本说明书实施例中,预设资源推荐模型可以为预设机器学习模型,可以将样本对象的对象属性信息、样本对象关系图、样本对象资源关系图以及样本候选多媒体资源输入预设资源推荐模型进行训练,得到上述资源推荐模型。
示例性的,如图11所示,步骤S1003中上述预设对象特征融合网络包括预设对象属性特征提取网络、第一预设特征融合网络以及第二预设特征融合网络,上述基于预设资源推荐模型的预设对象特征融合网络,对上述样本对象的对象属性信息、上述样本对象关系图以及上述样本对象资源关系图进行特征融合处理,得到上述样本对象的样本对象特征,包括:
S10031:基于上述预设对象属性特征提取网络,对上述样本对象的对象属性信息进行属性特征提取处理,得到第一样本对象特征;
S10033:基于上述第一预设特征融合网络,对样本对象关系特征以及样本对象资源关系特征进行融合处理,得到第二样本对象特征;上述样本对象关系特征基于上述样本对象关系图确定,上述样本对象资源关系特征基于上述样本对象资源关系图确定;
在本说明书实施例中,上述基于上述第一预设特征融合网络,对样本对象关系特征以及样本对象资源关系特征进行融合处理,得到第二样本对象特征之前,上述方法还包括:
基于上述预设资源推荐模型的预设对象关系特征提取网络,对上述样本对象关系图进行对象关系特征提取处理,得到上述样本对象关系特征;
基于上述预设资源推荐模型的预设对象资源特征提取网络,对上述样本对象资源关系图进行对象资源关系特征提取处理,得到上述样本对象资源关系特征。
在本说明书实施例中,样本对象关系图可以包括第一样本对象关系图以及第二样本对象关系图;预设对象关系特征提取网络可以包括第一样本关系特征提取网络以及第二样本关系特征提取网络,其中,第一样本关系特征提取网络用于提取第一样本对象关系图中特征,第二样本关系特征提取网络用于提取第二样本对象关系图中特征;可以通过预设对象资源特征提取网络,对上述样本对象资源关系图进行对象资源关系特征提取处理,得到上述样本对象资源关系特征。
S10035:基于上述第二预设特征融合网络,对上述第一样本对象特征以及上述第二样本对象特征进行融合处理,得到上述样本对象的样本对象特征。
在本说明书实施例中,第一预设特征融合网络对应训练结束之后的第一特征融合网络,第二预设特征融合网络对应训练之后的第二特征融合网络。
示例性的,如图12所示,步骤S1007中上述基于上述样本对象特征、上述样本候选资源特征以及上述样本推荐结果标签,对上述预设资源推荐模型进行训练,得到上述资源推荐模型,包括:
S10071:基于上述预设资源推荐模型的预设推荐结果预测网络,确定上述样本对象特征与上述样本候选资源特征之间的样本相似度,并基于上述样本相似度确定样本预测推荐结果;
S10073:基于上述样本预测推荐结果与上述样本推荐结果标签之间的差异,对上述预设资源推荐模型进行训练,得到上述资源推荐模型。
在本说明书实施例中,可以根据样本预测推荐结果与上述样本推荐结果标签之间的差异,确定损失值;再根据损失值对上述预设资源推荐模型进行训练,得到上述资源推荐模型。示例性的,损失值可以通过pairwise BPR loss计算,pairwise BPR loss是指采用配对法(pairwise)中的贝叶斯个性化排序(Bayesian personalized ranking,BPR)来计算损失值。
在一示例性实施例中,多媒体资源的数量越来越多,在经过机器算法和人工校验标准化后,通常启用后构建一个内容池给到内容分发引擎,比如推荐或者搜索引擎引擎。最后推荐引擎基于用户的画像特征,通过推荐算法比如协同推荐、矩阵分解、监督学习算法(Logistic Regression)模型,基于深度学习的模型考虑上下文环境及画像等分发给海量的用户。推荐算法其实本质上是一种信息处理逻辑,当获取用户与内容的信息之后,按照一定的逻辑处理信息后,产生推荐结果。热度排行榜就是最简单的一种推荐方法,它依赖的逻辑就是当一个内容被大多数用户喜欢,那大概率其他用户也会喜欢。但是基于粗放的推荐往往会不够精确,想要挖掘用户个性化的,小众化的兴趣,需要制定复杂的规则运算逻辑,由机器完成。推荐算法主要分为以下几步:
(1)召回:当用户以及内容量比较大的时候,往往先通过召回策略,将百万量级的内容先缩小到百量级
(2)过滤:对于内容不可重复消费的领域,例如实时性比较强的新闻等,在用户已经曝光和点击后不会再推送到用户面前
(3)精排:对于召回并过滤后的内容进行排序,将百量级的内容按照顺序推送
(4)混排:为避免内容越推越窄,将精排后的推荐结果进行一定修改
强规则:根据业务规则进行修改,例如在活动时将某些文章置顶以及热点内容的强插等,这个通常是在最后的展现层。
目前推荐系统召回主要采用的是基于协同过滤的方案和部分基于表示学习的方案比如DNN,DMF等,尝试了不少基于匹配函数的端到端的方式。算法推荐凭借其独特的优势,满足了用户的个性化、定制化需求。目前推荐算法都是以提高用户的点击率/交互等参数而设计的,一般而言,推荐算法不会考虑推荐条目的原因是否合理,也不会考虑推荐条目的频次是否合适,同时也会过于迎合用户的兴趣。算法推荐不断为用户推荐其感兴趣的内容,导致用户的信息选择面和接收面收窄。个性化推荐系统的出现,可以让受众根据自己的兴趣,爱好选择信息.虽然它在一定程度上提高了信息的分发率,满足了受众的信息需求,但是另一方面,个性化推荐仿用户的兴趣为用户筑起了一道“墙”,形成“信息茧房”,导致用户视野受限,严重的导致成瘾效应。同时部分网络平台为了追求流量,吸引眼球,以算法推荐为手段一味迎合用户,推荐庸俗、低俗、媚俗等信息,固化了某些受众的低级趣味。但是人本身是社会性,有很多不同的社交关系和信息,这些社交关系一方面可以增加和改善当前算法推荐的不足,比如通过好友和朋友,朋友的朋友,通过关系链本身就可以筛选内容和起到监督和校验内容的作用,同时可以过滤掉一部分低俗,媚俗不适合公开传播的内容,同时社交关系可以扩展人的视野和兴趣点,可以找到兴趣点之外的内容,从而提高了推荐资源的多样性。
在一示例性实施例中,如图13所示,图13为一种资源推荐模型的结构示意图,包括对象属性特征提取网络、子网络聚合层、多图融合聚合层、对象特征融合层、特征提取层、资源特征融合层以及推荐结果预测网络;其对应的推荐方法如下:根据目标对象的社交关系,确定目标对象的对象属性信息以及UUU、UUI、UIU、IUI网络图;然后将目标对象的对象属性信息以及UUU、UUI、UIU、IUI网络图输入资源推荐模型,通过资源推荐模型的对象属性特征提取网络,对上述目标对象的对象属性信息进行属性特征提取处理,得到第一目标对象特征;其中,对象属性特征提取网络可以包括转化层(transformer)以及多层感知器(Multi-Layer Perceptron,MLP);通过资源推荐模型的子网络聚合层分别提取UUU、UUI、UIU、IUI网络图各自对应的多个图特征,再通过多图融合聚合层对多个图特征进行融合,得到第二目标对象特征;然后将第一目标对象特征以及第二目标对象特征,输入多头注意力网络层,确定每个对象特征对应的权重;之后,再输入对象特征融合层进行特征融合处理,得到目标对象特征;将候选多媒体资源(视频)进行解析,通过特征提取层分别提取视频中的标题(title)、分类、发布方、发布时间、视频帧(video frame)等对应的初始特征,然后将初始特征输入资源特征融合层进行融合,得到候选资源特征。最后,将目标对象特征以及候选资源特征输入推荐结果预测网络,得到目标推荐结果。
在一示例性实施例中,如图14所示,图14为一种目标对象关系图以及目标对象资源关系图的结构示意图,其中,目标对象关系图包括UUU、UAU网络图,目标对象资源关系图包括UTU、UIU网络图;先获取目标对象的多业务场景数据,例如对象的社交数据、行为数据、对象以及多媒体资源各自对应的属性信息、多媒体资源的作者的属性数据等;目标对象的多业务场景数据分别确定U-U关系图、对象画像、U-I关系图、U-T关系图、U-A关系图、对象消费行为数据、I-I关系图、多媒体资源的属性信息、作者属性等;再与这些数据构建GNN异构网络图,从而进一步得到UUU、UAU、UTU以及UIU网络图。
由以上本说明书实施例提供的技术方案可见,本说明书实施例获取目标对象以及目标关联对象各自对应的目标多媒体资源;目标关联对象为目标对象对应的关联对象,目标关联对象为至少两个;基于目标对象以及至少两个目标关联对象,构建目标对象关系图;目标对象关系图中节点表征目标对象或目标关联对象,目标对象关系图中连接线用于连接综合对象集中任意两个存在关联关系的对象;综合对象集包括目标对象以及至少两个目标关联对象;基于目标对象、至少两个目标关联对象以及目标多媒体资源,构建目标对象资源关系图;目标对象资源关系图中节点表征目标对象、至少两个目标关联对象或目标多媒体资源;目标对象资源关系图中连接线用于连接目标对象、至少两个目标关联对象、目标多媒体资源中的任意两个;根据目标对象的对象属性信息、目标对象关系图以及目标对象资源关系图,确定目标对象的目标对象特征;从而基于目标对象及其对应的关联对象,构建得到用于确定目标对象特征的目标对象关系图以及目标对象资源关系图,从而在目标对象特征中融入了关联对象的特征;本申请获取候选多媒体资源的候选资源特征;根据目标对象特征与候选资源特征之间的相似度,确定目标推荐结果;目标推荐结果表征向目标对象推荐候选多媒体资源的概率。在多媒体资源推荐过程中,不仅可以向目标对象推荐其感兴趣的资源,还可以向目标对象推荐关联对象感兴趣的资源,从而提高了向目标对象推荐的多媒体资源的多样性以及推荐成功率。
本说明书实施例还提供了一种多媒体资源推荐装置,如图15所示,上述装置包括:
目标资源获取模块1510,用于获取目标对象以及目标关联对象各自对应的目标多媒体资源;上述目标关联对象为上述目标对象对应的关联对象,上述目标关联对象为至少两个;
第一目标图构建模块1520,用于基于上述目标对象以及上述至少两个目标关联对象,构建目标对象关系图;上述目标对象关系图中节点表征上述目标对象或上述目标关联对象,上述目标对象关系图中连接线用于连接综合对象集中任意两个存在关联关系的对象;上述综合对象集包括上述目标对象以及上述至少两个目标关联对象;
第二目标图构建模块1530,用于基于上述目标对象、上述至少两个目标关联对象以及上述目标多媒体资源,构建目标对象资源关系图;上述目标对象资源关系图中节点表征上述目标对象、上述至少两个目标关联对象或上述目标多媒体资源;上述目标对象资源关系图中连接线用于连接上述目标对象、上述至少两个目标关联对象、上述目标多媒体资源中的任意两个;
目标对象特征确定模块1540,用于根据上述目标对象的对象属性信息、上述目标对象关系图以及上述目标对象资源关系图,确定上述目标对象的目标对象特征;
候选资源特征获取模块1550,用于获取候选多媒体资源的候选资源特征;
推荐结果确定模块1560,用于根据上述目标对象特征与上述候选资源特征之间的相似度,确定目标推荐结果;上述目标推荐结果表征向上述目标对象推荐上述候选多媒体资源的概率。
在一些实施例中,上述第二目标图构建模块包括:
综合对象集构建单元,用于基于上述目标对象以及上述至少两个目标关联对象,构建上述综合对象集;
第一子图构建单元,用于基于上述综合对象集以及至少两个上述目标多媒体资源,构建第一目标子图;上述第一目标子图包括依次顺序连接的三个第一节点,上述三个第一节点依次表征第一初始对象、第一预设对象以及第一多媒体资源;上述第一预设对象为上述综合对象集中任一对象,上述第一初始对象为与上述第一预设对象存在关联关系的对象,上述第一多媒体资源为上述至少两个上述目标多媒体资源中上述第一预设对象浏览过的资源;
第一关系图构建单元,用于基于至少两个上述第一目标子图,构建第一对象资源关系图;
目标关系图确定单元,用于基于上述第一对象资源关系图,确定上述目标对象资源关系图。
在一些实施例中,第一子图构建单元包括:
第一构建子单元,用于基于上述综合对象集中上述目标关联对象、上述目标对象以及上述第一目标多媒体资源,构建预设对象资源关系图;上述预设对象资源关系图包括依次顺序连接的三个目标节点,上述三个目标节点依次表征上述目标关联对象、上述目标对象以及上述第一目标多媒体资源;
第二构建子单元,用于基于上述综合对象集中上述目标对象、上述目标关联对象以及上述第二目标多媒体资源,构建关联对象资源关系图;上述关联对象资源关系图包括依次顺序连接的三个初始节点,上述三个初始节点依次表征上述目标对象、上述目标关联对象以及上述第二目标多媒体资源;
第一目标子图构建子单元,用于基于上述预设对象资源关系图以及上述关联对象资源关系图,构建上述第一目标子图。
在一些实施例中,上述装置还包括:
第二子图构建模块,用于基于上述综合对象集以及至少两个上述目标多媒体资源,构建第二目标子图;上述第二目标子图包括依次顺序连接的三个第二节点,上述三个第二节点依次表征第二初始对象、第二多媒体资源以及第二预设对象;上述第二多媒体资源为上述第二初始对象以及上述第二预设对象浏览过的资源,上述第二多媒体资源为上述至少两个上述目标多媒体资源中的资源;
第二关系图构建模块,用于基于至少两个上述第二目标子图,构建第二对象资源关系图;
相应的,上述目标关系图确定单元包括:
第一目标关系图确定子单元,用于基于上述第一对象资源关系图以及上述第二对象资源关系图,确定上述目标对象资源关系图。
在一些实施例中,上述装置还包括:
第三子图构建模块,用于基于上述综合对象集以及至少两个上述目标多媒体资源,构建第三目标子图;上述第三目标子图包括依次顺序连接的三个第三节点,上述三个第三节点依次表征第三多媒体资源、第三预设对象以及第四多媒体资源;上述第三预设对象为上述综合对象集中任一对象,上述第三多媒体资源以及上述第四多媒体资源为上述至少两个上述目标多媒体资源中上述第三预设对象浏览过的资源;
第三关系图构建模块,用于基于至少两个上述第三目标子图,构建第三对象资源关系图;
相应的,上述第一目标关系图确定子单元包括:
第二目标关系图确定单元,用于基于上述第一对象资源关系图、上述第二对象资源关系图以及上述第三对象资源关系图,确定上述目标对象资源关系图。
在一些实施例中,上述装置还包括:
兴趣资源确定模块,用于基于上述目标对象、上述至少两个目标关联对象以及上述目标多媒体资源,确定上述综合对象集中每个对象对应的目标兴趣资源;
第四子图构建模块,用于基于上述综合对象集中每个对象对应的目标兴趣资源,构建第四目标子图;上述第四目标子图包括依次顺序连接的三个第四节点,上述三个第四节点依次表征第四初始对象、预设目标兴趣资源以及第四预设对象;上述预设目标兴趣资源为上述第四初始对象以及上述第四预设对象均感兴趣的资源,上述预设目标兴趣资源为上述至少两个上述目标兴趣资源中的资源;
第四关系图构建模块,用于基于至少两个上述第四目标子图,构建第四对象资源关系图;
相应的,上述第二目标关系图确定单元包括:
第三目标关系图确定单元,用于基于上述第一对象资源关系图、上述第二对象资源关系图、上述第三对象资源关系图以及上述第四对象资源关系图,确定上述目标对象资源关系图。
在一些实施例中,上述第一目标图构建模块包括:
第一预设子图构建单元,用于基于上述目标对象以及上述至少两个目标关联对象,构建第一预设子图;上述第一预设子图包括依次顺序连接的三个第一预设节点,上述三个第一预设节点依次表征第一对象、第二对象以及第三对象;上述第二对象为与上述第一对象、上述第三对象均存在交互行为的对象;
第一对象关系图构建单元,用于基于至少两个上述第一预设子图,构建第一对象关系图;
目标对象关系图构建单元,用于基于上述第一对象关系图,构建上述目标对象关系图。
在一些实施例中,上述装置还包括:
发布方获取模块,用于获取上述综合对象集中每个对象对应的资源发布方;上述每个对象对应的资源发布方为上述每个对象浏览过的目标多媒体资源的发布方;
第二预设子图构建模块,用于基于上述每个对象对应的资源发布方,构建第二预设子图;上述第二预设子图包括依次顺序连接的三个第二预设节点,上述三个第二预设节点依次表征第四对象、预设资源发布方以及第五对象;上述预设资源发布方为与上述第四对象以及上述第五对象均存在关联关系的发布方;
第二对象关系图构建模块,用于基于至少两个上述第二预设子图,构建第二对象关系图;
相应的,上述目标对象关系图构建单元包括:
目标对象关系图构建子单元,用于将上述第一对象关系图以及上述第二对象关系图,确定为上述目标对象关系图。
在一些实施例中,第二预设子图构建模块包括:
第一子图构建单元,用于基于上述目标对象、上述第一资源发布方以及上述目标关联对象,构建第一预设对象关系子图;上述第一预设对象关系子图包括依次顺序连接的三个第二预设初始节点,上述三个第二预设初始节点依次表征上述目标对象、上述第一资源发布方以及上述目标关联对象;上述第一资源发布方为与上述目标对象以及上述目标关联对象均存在关联关系的发布方;
第二子图构建单元,用于基于第一目标关联对象、上述第二资源发布方以及第二目标关联对象,构建第二预设对象关系子图;上述第二预设对象关系子图包括依次顺序连接的三个第二预设关联节点,上述三个第二预设关联节点依次表征上述第一目标关联对象、上述第二资源发布方以及上述第二目标关联对象;上述第二资源发布方为与上述第一目标关联对象以及上述第二目标关联对象均存在关联关系的发布方;上述第一目标关联对象、上述第二目标关联对象构成上述目标关联对象;
第二预设子图构建单元,用于基于上述第一预设对象关系子图以及上述第二预设对象关系子图,构建上述第二预设子图。
在一些实施例中,上述目标对象特征确定模块包括:
第一特征确定单元,用于基于资源推荐模型的对象属性特征提取网络,对上述目标对象的对象属性信息进行属性特征提取处理,得到第一目标对象特征;
第二特征确定单元,用于基于上述资源推荐模型的第一特征融合网络,对目标对象关系特征以及目标对象资源关系特征进行融合处理,得到第二目标对象特征;上述目标对象关系特征基于上述目标对象关系图确定,上述目标对象资源关系特征基于上述目标对象资源关系图确定;
对象特征融合单元,用于基于上述资源推荐模型的第二特征融合网络,对上述第一目标对象特征以及上述第二目标对象特征进行融合处理,得到上述目标对象的目标对象特征。
在一些实施例中,上述候选资源特征获取模块包括:
候选特征确定单元,用于基于上述资源推荐模型的资源特征提取网络,对上述候选多媒体资源进行资源特征提取处理,得到上述候选资源特征;
在一些实施例中,上述推荐结果确定模块包括:
推荐结果确定单元,用于基于上述资源推荐模型的推荐结果预测网络,确定上述目标对象特征与上述候选资源特征之间的相似度,并基于上述相似度确定上述目标推荐结果。
在一些实施例中,上述装置还包括:
目标特征确定模块,用于基于上述资源推荐模型的对象关系特征提取网络,对上述目标对象关系图进行对象关系特征提取处理,得到上述目标对象关系特征;
资源关系特征确定模块,用于基于上述资源推荐模型的对象资源特征提取网络,对上述目标对象资源关系图进行对象资源关系特征提取处理,得到上述目标对象资源关系特征。
在一些实施例中,上述装置还包括:
样本信息获取模块,用于获取样本对象的对象属性信息、样本对象关系图、样本对象资源关系图以及样本候选多媒体资源;上述样本候选多媒体资源标注了样本推荐结果标签,上述样本推荐结果标签表征向上述样本对象推荐上述样本候选多媒体资源的推荐结果;
其中,上述样本对象关系图中节点表征上述样本对象或样本关联对象,上述样本对象关系图中连接线用于连接样本综合对象集中任意两个存在关联关系的对象;上述样本综合对象集包括上述样本对象以及至少两个上述样本关联对象;上述样本对象资源关系图中节点表征上述样本对象、上述至少两个上述样本关联对象或样本多媒体资源;上述样本对象资源关系图中连接线用于连接上述样本对象、上述至少两个上述样本关联对象、上述样本多媒体资源中的任意两个;
样本特征融合模块,用于基于预设资源推荐模型的预设对象特征融合网络,对上述样本对象的对象属性信息、上述样本对象关系图以及上述样本对象资源关系图进行特征融合处理,得到上述样本对象的样本对象特征;
样本资源特征确定模块,用于基于上述预设资源推荐模型的预设资源特征提取网络,对样本候选多媒体资源进行资源特征提取处理,得到样本候选资源特征;
训练模块,用于基于上述样本对象特征、上述样本候选资源特征以及上述样本推荐结果标签,对上述预设资源推荐模型进行训练,得到上述资源推荐模型。
在一些实施例中,上述装置还包括:
候选关联对象获取模块,用于获取与上述目标对象存在交互行为的对象,得到至少两个候选关联对象;
交互信息确定模块,用于确定每个候选关联对象与上述目标对象的交互信息;
目标关联对象确定模块,用于将交互信息满足预设条件的候选关联对象,确定为上述目标关联对象。
在一些实施例中,上述装置还包括:
推荐对象确定模块,用于在上述目标推荐结果表征向上述目标对象推荐上述候选多媒体资源的情况下,基于上述目标对象资源关系图,确定与上述候选多媒体资源匹配的目标关联对象,得到推荐关联对象;
推送模块,用于向上述目标对象以及上述推荐关联对象,推送上述候选多媒体资源。
在一些实施例中,上述预设对象特征融合网络包括预设对象属性特征提取网络、第一预设特征融合网络以及第二预设特征融合网络,上述样本特征融合模块包括:
第一样本特征确定单元,用于基于上述预设对象属性特征提取网络,对上述样本对象的对象属性信息进行属性特征提取处理,得到第一样本对象特征;
第二样本特征确定单元,用于基于上述第一预设特征融合网络,对样本对象关系特征以及样本对象资源关系特征进行融合处理,得到第二样本对象特征;上述样本对象关系特征基于上述样本对象关系图确定,上述样本对象资源关系特征基于上述样本对象资源关系图确定;
样本特征融合单元,用于基于上述第二预设特征融合网络,对上述第一样本对象特征以及上述第二样本对象特征进行融合处理,得到上述样本对象的样本对象特征。
在一些实施例中,上述装置还包括:
样本对象关系特征确定模块,用于基于上述预设资源推荐模型的预设对象关系特征提取网络,对上述样本对象关系图进行对象关系特征提取处理,得到上述样本对象关系特征;
样本资源关系特征确定模块,用于基于上述预设资源推荐模型的预设对象资源特征提取网络,对上述样本对象资源关系图进行对象资源关系特征提取处理,得到上述样本对象资源关系特征。
在一些实施例中,上述训练模块包括:
样本预测结果确定单元,用于基于上述预设资源推荐模型的预设推荐结果预测网络,确定上述样本对象特征与上述样本候选资源特征之间的样本相似度,并基于上述样本相似度确定样本预测推荐结果;
训练单元,用于基于上述样本预测推荐结果与上述样本推荐结果标签之间的差异,对上述预设资源推荐模型进行训练,得到上述资源推荐模型。
上述的装置实施例中的装置与方法实施例基于同样地发明构思。
本说明书实施例提供了一种多媒体资源推荐设备,该设备包括处理器和存储器,该存储器中存储有至少一条指令或至少一段程序,该至少一条指令或至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的多媒体资源推荐方法。
本申请的实施例还提供了一种计算机存储介质,上述存储介质可设置于终端之中以保存用于实现方法实施例中一种多媒体资源推荐方法相关的至少一条指令或至少一段程序,该至少一条指令或至少一段程序由该处理器加载并执行以实现上述方法实施例提供的多媒体资源推荐方法。
本申请的实施例还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以实现上述方法实施例提供的多媒体资源推荐方法。
可选地,在本说明书实施例中,存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书实施例上述存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、功能所需的应用程序等;存储数据区可存储根据上述设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
本说明书实施例所提供的多媒体资源推荐方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图16是本说明书实施例提供的一种多媒体资源推荐方法的服务器的硬件结构框图。如图16所示,该服务器1600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(CentralProcessing Units,CPU)1610(中央处理器1610可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器1630,一个或一个以上存储应用程序1623或数据1622的存储介质1620(例如一个或一个以上海量存储设备)。其中,存储器1630和存储介质1620可以是短暂存储或持久存储。存储在存储介质1620的程序可以包括一个或一个以上模块,每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1610可以设置为与存储介质1620通信,在服务器1600上执行存储介质1620中的一系列指令操作。服务器1600还可以包括一个或一个以上电源1660,一个或一个以上有线或无线网络接口1650,一个或一个以上输入输出接口1640,和/或,一个或一个以上操作系统1621,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
输入输出接口1640可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器1600的通信供应商提供的无线网络。在一个实例中,输入输出接口1640包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,输入输出接口1640可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解,图16所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器1600还可包括比图16中所示更多或者更少的组件,或者具有与图16所示不同的配置。
由上述本申请提供的多媒体资源推荐方法、装置、设备或存储介质的实施例可见,本申请获取目标对象以及目标关联对象各自对应的目标多媒体资源;目标关联对象为目标对象对应的关联对象,目标关联对象为至少两个;基于目标对象以及至少两个目标关联对象,构建目标对象关系图;目标对象关系图中节点表征目标对象或目标关联对象,目标对象关系图中连接线用于连接综合对象集中任意两个存在关联关系的对象;综合对象集包括目标对象以及至少两个目标关联对象;基于目标对象、至少两个目标关联对象以及目标多媒体资源,构建目标对象资源关系图;目标对象资源关系图中节点表征目标对象、至少两个目标关联对象或目标多媒体资源;目标对象资源关系图中连接线用于连接目标对象、至少两个目标关联对象、目标多媒体资源中的任意两个;根据目标对象的对象属性信息、目标对象关系图以及目标对象资源关系图,确定目标对象的目标对象特征;从而基于目标对象及其对应的关联对象,构建得到用于确定目标对象特征的目标对象关系图以及目标对象资源关系图,从而在目标对象特征中融入了关联对象的特征;本申请获取候选多媒体资源的候选资源特征;根据目标对象特征与候选资源特征之间的相似度,确定目标推荐结果;目标推荐结果表征向目标对象推荐候选多媒体资源的概率。在多媒体资源推荐过程中,不仅可以向目标对象推荐其感兴趣的资源,还可以向目标对象推荐关联对象感兴趣的资源,从而提高了向目标对象推荐的多媒体资源的多样性以及推荐成功率。
需要说明的是:上述本说明书实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
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步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (15)
1.一种多媒体资源推荐方法,其特征在于,所述方法包括:
获取目标对象以及目标关联对象各自对应的目标多媒体资源;所述目标关联对象为所述目标对象对应的关联对象,所述目标关联对象为至少两个;
基于所述目标对象以及所述至少两个目标关联对象,构建目标对象关系图;所述目标对象关系图中节点表征所述目标对象或所述目标关联对象,所述目标对象关系图中连接线用于连接综合对象集中任意两个存在关联关系的对象;所述综合对象集包括所述目标对象以及所述至少两个目标关联对象;
基于所述目标对象、所述至少两个目标关联对象以及所述目标多媒体资源,构建目标对象资源关系图;所述目标对象资源关系图中节点表征所述目标对象、所述至少两个目标关联对象或所述目标多媒体资源;所述目标对象资源关系图中连接线用于连接所述目标对象、所述至少两个目标关联对象、所述目标多媒体资源中的任意两个;
根据所述目标对象的对象属性信息、所述目标对象关系图以及所述目标对象资源关系图,确定所述目标对象的目标对象特征;
获取候选多媒体资源的候选资源特征;
根据所述目标对象特征与所述候选资源特征之间的相似度,确定目标推荐结果;所述目标推荐结果表征向所述目标对象推荐所述候选多媒体资源的概率。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标对象、所述至少两个目标关联对象以及所述目标多媒体资源,构建目标对象资源关系图,包括:
基于所述目标对象以及所述至少两个目标关联对象,构建所述综合对象集;
基于所述综合对象集以及至少两个所述目标多媒体资源,构建第一目标子图;所述第一目标子图包括依次顺序连接的三个第一节点,所述三个第一节点依次表征第一初始对象、第一预设对象以及第一多媒体资源;所述第一预设对象为所述综合对象集中任一对象,所述第一初始对象为与所述第一预设对象存在关联关系的对象,所述第一多媒体资源为所述至少两个所述目标多媒体资源中所述第一预设对象浏览过的资源;
基于至少两个所述第一目标子图,构建第一对象资源关系图;
基于所述第一对象资源关系图,确定所述目标对象资源关系图。
3.根据权利要求2所述的方法,其特征在于,所述至少两个所述目标多媒体资源包括所述目标对象对应的第一目标多媒体资源以及所述目标关联对象对应的第二目标多媒体资源,所述基于所述综合对象集以及至少两个所述目标多媒体资源,构建第一目标子图,包括:
基于所述综合对象集中所述目标关联对象、所述目标对象以及所述第一目标多媒体资源,构建预设对象资源关系图;所述预设对象资源关系图包括依次顺序连接的三个目标节点,所述三个目标节点依次表征所述目标关联对象、所述目标对象以及所述第一目标多媒体资源;
基于所述综合对象集中所述目标对象、所述目标关联对象以及所述第二目标多媒体资源,构建关联对象资源关系图;所述关联对象资源关系图包括依次顺序连接的三个初始节点,所述三个初始节点依次表征所述目标对象、所述目标关联对象以及所述第二目标多媒体资源;
基于所述预设对象资源关系图以及所述关联对象资源关系图,构建所述第一目标子图。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
基于所述综合对象集以及至少两个所述目标多媒体资源,构建第二目标子图;所述第二目标子图包括依次顺序连接的三个第二节点,所述三个第二节点依次表征第二初始对象、第二多媒体资源以及第二预设对象;所述第二多媒体资源为所述第二初始对象以及所述第二预设对象浏览过的资源,所述第二多媒体资源为所述至少两个所述目标多媒体资源中的资源;
基于至少两个所述第二目标子图,构建第二对象资源关系图;
所述基于所述第一对象资源关系图,确定所述目标对象资源关系图,包括:
基于所述第一对象资源关系图以及所述第二对象资源关系图,确定所述目标对象资源关系图。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
基于所述综合对象集以及至少两个所述目标多媒体资源,构建第三目标子图;所述第三目标子图包括依次顺序连接的三个第三节点,所述三个第三节点依次表征第三多媒体资源、第三预设对象以及第四多媒体资源;所述第三预设对象为所述综合对象集中任一对象,所述第三多媒体资源以及所述第四多媒体资源为所述至少两个所述目标多媒体资源中所述第三预设对象浏览过的资源;
基于至少两个所述第三目标子图,构建第三对象资源关系图;
所述基于所述第一对象资源关系图以及所述第二对象资源关系图,确定所述目标对象资源关系图,包括:
基于所述第一对象资源关系图、所述第二对象资源关系图以及所述第三对象资源关系图,确定所述目标对象资源关系图。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
基于所述目标对象、所述至少两个目标关联对象以及所述目标多媒体资源,确定所述综合对象集中每个对象对应的目标兴趣资源;
基于所述综合对象集中每个对象对应的目标兴趣资源,构建第四目标子图;所述第四目标子图包括依次顺序连接的三个第四节点,所述三个第四节点依次表征第四初始对象、预设目标兴趣资源以及第四预设对象;所述预设目标兴趣资源为所述第四初始对象以及所述第四预设对象均感兴趣的资源,所述预设目标兴趣资源为所述至少两个所述目标兴趣资源中的资源;
基于至少两个所述第四目标子图,构建第四对象资源关系图;
所述基于所述第一对象资源关系图、所述第二对象资源关系图以及所述第三对象资源关系图,确定所述目标对象资源关系图,包括:
基于所述第一对象资源关系图、所述第二对象资源关系图、所述第三对象资源关系图以及所述第四对象资源关系图,确定所述目标对象资源关系图。
7.根据权利要求1所述的方法,其特征在于,所述基于所述目标对象以及所述至少两个目标关联对象,构建目标对象关系图,包括:
基于所述目标对象以及所述至少两个目标关联对象,构建第一预设子图;所述第一预设子图包括依次顺序连接的三个第一预设节点,所述三个第一预设节点依次表征第一对象、第二对象以及第三对象;所述第二对象为与所述第一对象、所述第三对象均存在交互行为的对象;
基于至少两个所述第一预设子图,构建第一对象关系图;
基于所述第一对象关系图,构建所述目标对象关系图。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
获取所述综合对象集中每个对象对应的资源发布方;所述每个对象对应的资源发布方为所述每个对象浏览过的目标多媒体资源的发布方;
基于所述每个对象对应的资源发布方,构建第二预设子图;所述第二预设子图包括依次顺序连接的三个第二预设节点,所述三个第二预设节点依次表征第四对象、预设资源发布方以及第五对象;所述预设资源发布方为与所述第四对象以及所述第五对象均存在关联关系的发布方;
基于至少两个所述第二预设子图,构建第二对象关系图;
所述基于所述第一对象关系图,构建所述目标对象关系图,包括:
将所述第一对象关系图以及所述第二对象关系图,确定为所述目标对象关系图。
9.根据权利要求8所述的方法,其特征在于,所述预设资源发布方包括第一资源发布方以及第二资源发布方,所述基于所述每个对象对应的资源发布方,构建第二预设子图,包括:
基于所述目标对象、所述第一资源发布方以及所述目标关联对象,构建第一预设对象关系子图;所述第一预设对象关系子图包括依次顺序连接的三个第二预设初始节点,所述三个第二预设初始节点依次表征所述目标对象、所述第一资源发布方以及所述目标关联对象;所述第一资源发布方为与所述目标对象以及所述目标关联对象均存在关联关系的发布方;
基于第一目标关联对象、所述第二资源发布方以及第二目标关联对象,构建第二预设对象关系子图;所述第二预设对象关系子图包括依次顺序连接的三个第二预设关联节点,所述三个第二预设关联节点依次表征所述第一目标关联对象、所述第二资源发布方以及所述第二目标关联对象;所述第二资源发布方为与所述第一目标关联对象以及所述第二目标关联对象均存在关联关系的发布方;所述第一目标关联对象、所述第二目标关联对象构成所述目标关联对象;
基于所述第一预设对象关系子图以及所述第二预设对象关系子图,构建所述第二预设子图。
10.根据权利要求1-9中任一项所述的方法,其特征在于,所述根据所述目标对象的对象属性信息、所述目标对象关系图以及所述目标对象资源关系图,确定所述目标对象的目标对象特征,包括:
基于资源推荐模型的对象属性特征提取网络,对所述目标对象的对象属性信息进行属性特征提取处理,得到第一目标对象特征;
基于所述资源推荐模型的第一特征融合网络,对目标对象关系特征以及目标对象资源关系特征进行融合处理,得到第二目标对象特征;所述目标对象关系特征基于所述目标对象关系图确定,所述目标对象资源关系特征基于所述目标对象资源关系图确定;
基于所述资源推荐模型的第二特征融合网络,对所述第一目标对象特征以及所述第二目标对象特征进行融合处理,得到所述目标对象的目标对象特征;
所述获取候选多媒体资源的候选资源特征,包括:
基于所述资源推荐模型的资源特征提取网络,对所述候选多媒体资源进行资源特征提取处理,得到所述候选资源特征;
所述根据所述目标对象特征与所述候选资源特征之间的相似度,确定目标推荐结果,包括:
基于所述资源推荐模型的推荐结果预测网络,确定所述目标对象特征与所述候选资源特征之间的相似度,并基于所述相似度确定所述目标推荐结果。
11.根据权利要求10所述的方法,其特征在于,所述基于所述资源推荐模型的第一特征融合网络,对目标对象关系特征以及目标对象资源关系特征进行融合处理,得到第二目标对象特征之前,所述方法还包括:
基于所述资源推荐模型的对象关系特征提取网络,对所述目标对象关系图进行对象关系特征提取处理,得到所述目标对象关系特征;
基于所述资源推荐模型的对象资源特征提取网络,对所述目标对象资源关系图进行对象资源关系特征提取处理,得到所述目标对象资源关系特征。
12.根据权利要求10所述的方法,其特征在于,所述资源推荐模型的训练方法包括:
获取样本对象的对象属性信息、样本对象关系图、样本对象资源关系图以及样本候选多媒体资源;所述样本候选多媒体资源标注了样本推荐结果标签,所述样本推荐结果标签表征向所述样本对象推荐所述样本候选多媒体资源的推荐结果;
其中,所述样本对象关系图中节点表征所述样本对象或样本关联对象,所述样本对象关系图中连接线用于连接样本综合对象集中任意两个存在关联关系的对象;所述样本综合对象集包括所述样本对象以及至少两个所述样本关联对象;所述样本对象资源关系图中节点表征所述样本对象、所述至少两个所述样本关联对象或样本多媒体资源;所述样本对象资源关系图中连接线用于连接所述样本对象、所述至少两个所述样本关联对象、所述样本多媒体资源中的任意两个;
基于预设资源推荐模型的预设对象特征融合网络,对所述样本对象的对象属性信息、所述样本对象关系图以及所述样本对象资源关系图进行特征融合处理,得到所述样本对象的样本对象特征;
基于所述预设资源推荐模型的预设资源特征提取网络,对样本候选多媒体资源进行资源特征提取处理,得到样本候选资源特征;
基于所述样本对象特征、所述样本候选资源特征以及所述样本推荐结果标签,对所述预设资源推荐模型进行训练,得到所述资源推荐模型。
13.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取与所述目标对象存在交互行为的对象,得到至少两个候选关联对象;
确定每个候选关联对象与所述目标对象的交互信息;
将交互信息满足预设条件的候选关联对象,确定为所述目标关联对象。
14.根据权利要求1所述的方法,其特征在于,所述根据所述目标对象特征与所述候选资源特征之间的相似度,确定目标推荐结果之后,所述方法还包括:
在所述目标推荐结果表征向所述目标对象推荐所述候选多媒体资源的情况下,基于所述目标对象资源关系图,确定与所述候选多媒体资源匹配的目标关联对象,得到推荐关联对象;
向所述目标对象以及所述推荐关联对象,推送所述候选多媒体资源。
15.一种多媒体资源推荐装置,其特征在于,所述装置包括:
目标资源获取模块,用于获取目标对象以及目标关联对象各自对应的目标多媒体资源;所述目标关联对象为所述目标对象对应的关联对象,所述目标关联对象为至少两个;
第一目标图构建模块,用于基于所述目标对象以及所述至少两个目标关联对象,构建目标对象关系图;所述目标对象关系图中节点表征所述目标对象或所述目标关联对象,所述目标对象关系图中连接线用于连接综合对象集中任意两个存在关联关系的对象;所述综合对象集包括所述目标对象以及所述至少两个目标关联对象;
第二目标图构建模块,用于基于所述目标对象、所述至少两个目标关联对象以及所述目标多媒体资源,构建目标对象资源关系图;所述目标对象资源关系图中节点表征所述目标对象、所述至少两个目标关联对象或所述目标多媒体资源;所述目标对象资源关系图中连接线用于连接所述目标对象、所述至少两个目标关联对象、所述目标多媒体资源中的任意两个;
目标对象特征确定模块,用于根据所述目标对象的对象属性信息、所述目标对象关系图以及所述目标对象资源关系图,确定所述目标对象的目标对象特征;
候选资源特征获取模块,用于获取候选多媒体资源的候选资源特征;
推荐结果确定模块,用于根据所述目标对象特征与所述候选资源特征之间的相似度,确定目标推荐结果;所述目标推荐结果表征向所述目标对象推荐所述候选多媒体资源的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311077288.8A CN117251586A (zh) | 2023-08-24 | 2023-08-24 | 多媒体资源推荐方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311077288.8A CN117251586A (zh) | 2023-08-24 | 2023-08-24 | 多媒体资源推荐方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117251586A true CN117251586A (zh) | 2023-12-19 |
Family
ID=89132138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311077288.8A Pending CN117251586A (zh) | 2023-08-24 | 2023-08-24 | 多媒体资源推荐方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117251586A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575744A (zh) * | 2024-01-15 | 2024-02-20 | 成都帆点创想科技有限公司 | 一种基于用户关联关系的物品推荐方法及系统 |
-
2023
- 2023-08-24 CN CN202311077288.8A patent/CN117251586A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575744A (zh) * | 2024-01-15 | 2024-02-20 | 成都帆点创想科技有限公司 | 一种基于用户关联关系的物品推荐方法及系统 |
CN117575744B (zh) * | 2024-01-15 | 2024-03-26 | 成都帆点创想科技有限公司 | 一种基于用户关联关系的物品推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Farnadi et al. | User profiling through deep multimodal fusion | |
CN111931062B (zh) | 一种信息推荐模型的训练方法和相关装置 | |
Zhao et al. | Personalized location recommendation by fusing sentimental and spatial context | |
CN110837598B (zh) | 信息推荐方法、装置、设备及存储介质 | |
Fire et al. | Computationally efficient link prediction in a variety of social networks | |
Chang et al. | Estimating trust value: A social network perspective | |
Wan et al. | A hybrid ensemble learning method for tourist route recommendations based on geo-tagged social networks | |
CN111611472A (zh) | 一种基于图卷积神经网络的捆绑推荐方法及系统 | |
CN111881350A (zh) | 一种基于混合图结构化建模的推荐方法与系统 | |
CN115917535A (zh) | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 | |
CN112380453B (zh) | 物品推荐方法、装置、存储介质及设备 | |
CN111651671A (zh) | 用户对象推荐方法、装置、计算机设备和存储介质 | |
CN112131472A (zh) | 信息推荐方法、装置、电子设备和存储介质 | |
CN116664719B (zh) | 一种图像重绘模型训练方法、图像重绘方法及装置 | |
CN113379494A (zh) | 基于异质社交关系的商品推荐方法、装置和电子设备 | |
CN111949885A (zh) | 一种面向旅游景点的个性化推荐方法 | |
CN117251586A (zh) | 多媒体资源推荐方法、装置及存储介质 | |
Benamara et al. | Towards a robust thermal-visible heterogeneous face recognition approach based on a cycle generative adversarial network | |
CN111353103A (zh) | 用于确定用户社群信息的方法和装置 | |
CN114330476A (zh) | 用于媒体内容识别的模型训练方法及媒体内容识别方法 | |
CN113590976A (zh) | 一种空间自适应图卷积网络的推荐方法 | |
CN116842277A (zh) | 一种基于跨主题对比学习的社交推荐方法 | |
Guo et al. | Network embedding-aware point-of-interest recommendation in location-based social networks | |
CN116956183A (zh) | 多媒体资源推荐方法、模型训练方法、装置及存储介质 | |
CN115809339A (zh) | 跨领域推荐方法、系统、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |