CN114077701A - 资源信息的确定方法、装置、计算机设备及存储介质 - Google Patents
资源信息的确定方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114077701A CN114077701A CN202010812722.2A CN202010812722A CN114077701A CN 114077701 A CN114077701 A CN 114077701A CN 202010812722 A CN202010812722 A CN 202010812722A CN 114077701 A CN114077701 A CN 114077701A
- Authority
- CN
- China
- Prior art keywords
- behavior
- resource
- fully
- parameters
- behavior parameters
- 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 58
- 230000006399 behavior Effects 0.000 claims abstract description 344
- 230000004927 fusion Effects 0.000 claims abstract description 98
- 230000002452 interceptive effect Effects 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims description 21
- 230000003993 interaction Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 abstract description 19
- 239000013598 vector Substances 0.000 description 25
- 238000010586 diagram Methods 0.000 description 13
- 238000012790 confirmation Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 230000006403 short-term memory Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F16/90—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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开关于一种资源信息的确定方法、装置、计算机设备及存储介质,属于多媒体技术领域。本公开通过获取用于表示用户信息的特征和资源信息的特征的一个融合特征,再基于该融合特征,分别独立预测各个互动行为的第一行为参数,综合考虑融合特征以及各个互动行为的第一行为参数,获取各个互动行为的第二行为参数,由于在获取每种互动行为的第二行为参数的过程中均参考了其他互动行为的第一行为参数,因此协同考虑了不同互动行为之间的潜在联系,第二行为参数相较于第一行为参数具有更高的准确率,大大提升了资源推荐过程的准确性。
Description
技术领域
本公开涉及多媒体技术领域,特别涉及一种资源信息的确定方法、装置、计算机设备及存储介质。
背景技术
随着计算机技术的发展,越来越多的用户能够通过终端随时地浏览视频、音频、图文资讯等多媒体资源,服务器可以从海量的多媒体数据库中为用户推荐一些用户可能感兴趣的多媒体资源,从而能够更好的满足用户的资源浏览需求。
以音频推荐为例,服务器通常分别提取用户的特征向量和待推荐音频的特征向量,将两者输入到神经网络中,通过神经网络预测用户对待推荐音频的各项行为标签的预估值,比如行为标签可以包括点击行为、收藏行为、使用行为、上传行为等。
但一些场景中,行为标签之间存在一定的相关性,比如用户收藏了一个音频之后大概率会在一天之内使用这个音频来拍摄相关的作品,也即收藏行为与使用行为之间存在潜在联系,在这种场景下如果仍然通过上述神经网络独立地、分别地预测各项行为标签的预估值,将导致资源推荐准确率较差。
发明内容
本公开提供一种资源信息的确定方法、装置、计算机设备及存储介质,以至少提升资源推荐准确率。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种资源信息的确定方法,包括:
基于目标账号的用户信息和候选资源的资源信息,获取融合特征,所述融合特征用于表示所述用户信息的特征和所述资源信息的特征;
基于所述融合特征,获取多个第一行为参数,所述第一行为参数用于表示所述目标账号对所述候选资源进行一种互动行为的可能性;
基于所述融合特征和多个所述第一行为参数,获取多个第二行为参数,所述第二行为参数用于表示在所述一种互动行为以外的其他互动行为发生的情况下所述一种互动行为发生的可能性;
基于所述多个第二行为参数,对所述目标账号进行资源推荐。
在一种可能实施方式中,所述基于目标账号的用户信息和候选资源的资源信息,获取融合特征包括:
将所述用户信息和所述资源信息输入第一全连接网络,通过所述第一全连接网络对所述用户信息和所述资源信息进行特征提取,得到所述融合特征,其中,所述第一全连接网络用于提取所述融合特征。
在一种可能实施方式中,所述通过所述第一全连接网络对所述用户信息和所述资源信息进行特征提取,得到所述融合特征包括:
通过所述第一全连接网络中的至少一个全连接层,对所述用户信息和所述资源信息进行加权处理,将最后一个全连接层的输出特征获取为所述融合特征。
在一种可能实施方式中,所述基于所述融合特征,获取多个第一行为参数包括:
将所述融合特征映射至多个行为标签,得到多个第一行为参数,其中,一个行为标签对应于一种互动行为的第一行为参数。
在一种可能实施方式中,所述基于所述融合特征和多个所述第一行为参数,获取多个第二行为参数包括:
基于所述多个第一行为参数所在的多个取值区间,获取所述多个取值区间分别对应的多个行为特征,所述行为特征用于表示所述第一行为参数的参数特性;
将所述融合特征、多个所述行为特征、所述目标账号的账号标识以及所述候选资源的资源标识进行拼接,得到拼接特征;
将所述拼接特征输入第二全连接网络,通过所述第二全连接网络对所述拼接特征进行处理,得到所述多个第二行为参数,所述第二全连接网络用于根据所述拼接特征以获取第二行为参数。
在一种可能实施方式中,所述通过所述第二全连接网络对所述拼接特征进行处理,得到所述多个第二行为参数包括:
通过所述第二全连接网络中的至少一个全连接层对所述拼接特征进行加权处理,对最后一个全连接层的输出特征映射至多个行为标签,得到所述多个第二行为参数。
在一种可能实施方式中,所述基于所述多个第二行为参数,对所述目标账号进行资源推荐包括:
对所述多个第二行为参数进行加权求和,得到全局参数;
基于所述全局参数大于参数阈值,向所述目标账号推荐所述候选资源。
根据本公开实施例的第二方面,提供一种资源信息的确定装置,包括:
第一获取单元,被配置为执行基于目标账号的用户信息和候选资源的资源信息,获取融合特征,所述融合特征用于表示所述用户信息的特征和所述资源信息的特征;
第二获取单元,被配置为执行基于所述融合特征,获取多个第一行为参数,所述第一行为参数用于表示所述目标账号对所述候选资源进行一种互动行为的可能性;
第三获取单元,被配置为执行基于所述融合特征和多个所述第一行为参数,获取多个第二行为参数,所述第二行为参数用于表示在所述一种互动行为以外的其他互动行为发生的情况下所述一种互动行为发生的可能性;
资源推荐单元,被配置为执行基于所述多个第二行为参数,对所述目标账号进行资源推荐。
在一种可能实施方式中,所述第一获取单元包括:
提取子单元,被配置为执行将所述用户信息和所述资源信息输入第一全连接网络,通过所述第一全连接网络对所述用户信息和所述资源信息进行特征提取,得到所述融合特征,其中,所述第一全连接网络用于提取所述融合特征。
在一种可能实施方式中,所述提取子单元被配置为执行:
通过所述第一全连接网络中的至少一个全连接层,对所述用户信息和所述资源信息进行加权处理,将最后一个全连接层的输出特征获取为所述融合特征。
在一种可能实施方式中,所述第二获取单元被配置为执行:
将所述融合特征映射至多个行为标签,得到多个第一行为参数,其中,一个行为标签对应于一种互动行为的第一行为参数。
在一种可能实施方式中,所述第三获取单元包括:
获取子单元,被配置为执行基于所述多个第一行为参数所在的多个取值区间,获取所述多个取值区间分别对应的多个行为特征,所述行为特征用于表示所述第一行为参数的参数特性;
拼接子单元,被配置为执行将所述融合特征、多个所述行为特征、所述目标账号的账号标识以及所述候选资源的资源标识进行拼接,得到拼接特征;
处理子单元,被配置为执行将所述拼接特征输入第二全连接网络,通过所述第二全连接网络对所述拼接特征进行处理,得到所述多个第二行为参数,所述第二全连接网络用于根据所述拼接特征以获取第二行为参数。
在一种可能实施方式中,所述处理子单元被配置为执行:
通过所述第二全连接网络中的至少一个全连接层对所述拼接特征进行加权处理,对最后一个全连接层的输出特征映射至多个行为标签,得到所述多个第二行为参数。
在一种可能实施方式中,所述资源推荐单元被配置为执行:
对所述多个第二行为参数进行加权求和,得到全局参数;
基于所述全局参数大于参数阈值,向所述目标账号推荐所述候选资源。
根据本公开实施例的第三方面,提供一种计算机设备,包括:
一个或多个处理器;
用于存储所述一个或多个处理器可执行程序代码的一个或多个存储器;
其中,所述一个或多个处理器被配置为执行上述第一方面以及第一方面的可能实施方式中任一项的资源信息的确定方法。
根据本公开实施例的第四方面,提供一种存储介质,当所述存储介质中的至少一条程序代码由计算机设备的一个或多个处理器执行时,使得计算机设备能够执行上述第一方面以及第一方面的可能实施方式中任一项的资源信息的确定方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,包括一条或多条程序代码,所述一条或多条程序代码可以由计算机设备的一个或多个处理器执行,使得计算机设备能够执行上述第一方面以及第一方面的可能实施方式中任一项的资源信息的确定方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
通过获取用于表示用户信息的特征和资源信息的特征的一个融合特征,再基于该融合特征,分别独立预测各个互动行为的第一行为参数,综合考虑融合特征以及各个互动行为的第一行为参数,获取各个互动行为的第二行为参数,由于在获取每种互动行为的第二行为参数的过程中均参考了其他互动行为的第一行为参数,因此协同考虑了不同互动行为之间的潜在联系,第二行为参数相较于第一行为参数具有更高的准确率,大大提升了资源推荐过程的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种资源信息的确定方法的实施环境示意图;
图2是根据一示例性实施例示出的一种资源信息的确定方法的流程图;
图3是根据一示例性实施例示出的一种资源信息的确定方法的流程图;
图4是本公开实施例提供的一种全连接层的原理性示意图;
图5是本公开实施例提供的一种资源信息的确定方法的原理性示意图;
图6是本公开实施例提供的一种资源推荐过程的原理性流程图;
图7是根据一示例性实施例示出的一种资源信息的确定装置的逻辑结构框图;
图8是本公开实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开所涉及的用户信息可以为经用户授权或者经过各方充分授权的信息。
图1是根据一示例性实施例示出的一种资源信息的确定方法的实施环境示意图,参见图1,在该实施环境中可以包括至少一个终端101和服务器102,下面进行详述:
至少一个终端101用于浏览多媒体资源,在该至少一个终端101中每个终端上都可以安装有应用程序,该应用程序可以是任一能够提供多媒体资源浏览服务的客户端,用户可以通过启动该应用程序来浏览多媒体资源,该应用程序可以是购物应用、外卖应用、旅行应用、游戏应用或者社交应用中至少一项,该多媒体资源可以包括视频资源、音频资源、图片资源、文本资源或者网页资源中至少一项。
服务器102也即是一种计算机设备,用于向该至少一个终端101提供多媒体资源推荐服务。服务器102可以包括一台服务器、多台服务器、云计算平台或者虚拟化中心中的至少一项。可选地,服务器102可以承担主要计算工作,该至少一个终端101可以承担次要计算工作;或者,服务器102可以承担次要计算工作,该至少一个终端101可以承担主要计算工作;或者,服务器102和该至少一个终端101之间采用分布式计算架构进行协同计算。
在一些实施例中,服务器102可以收集平台用户在该应用程序上的行为日志,从全量的平台用户中以随机抽样的方式,选取出至少一个样本用户账号,根据该至少一个样本用户账号的行为日志,获取该至少一个样本用户账号的样本数据,从而分别对第一初始网络和第二初始网络进行离线训练,得到第一全连接网络和第二全连接网络。其中,该第一全连接网络和第二全连接网络用于进行资源推荐过程的在线评估。
在上述基础上,服务器102能够基于该第一全连接网络,提取出用于表示目标账号的用户信息与候选资源的资源信息之间全局特性的融合特征,根据该融合特征预测出多个第一行为参数,分别提取该多个第一行为参数对应的多个行为特征,将该融合特征、该多个行为特征、该目标账号的账户标识以及该候选资源的资源标识进行拼接,得到拼接特征,调用第二全连接网络对该拼接特征进行处理,预测出多个第二行为参数,进而根据该多个第二行为参数进行资源推荐。
在进行推荐时,可选地,服务器102向目标账号所在终端推送任一个第二行为参数大于参数阈值的多媒体资源,可选地,服务器将该多个第二行为参数进行加权求和以获取全局参数,向目标账号所在终端推送全局参数大于该参数阈值的多媒体资源,可选地,服务器102按照任一个第二行为参数(或者全局参数)从大到小的顺序对各个多媒体资源进行排序,将排序位于前N位的多媒体资源推送给目标账号所对应用户的终端,其中N为大于或等于1的整数。服务器102将选定的多媒体资源发送至对应的终端,使得终端可以在应用程序中展示被推荐的多媒体资源。
在一个示例性场景中,以多媒体资源为音频资源(以下简称为“音频”)为例进行说明,目标账号所对应用户的终端上可以安装有短视频应用,服务器102通过短视频应用向终端提供短视频服务平台,该用户可以通过短视频应用来浏览短视频或者上传短视频,服务器102在粗排(即粗略排序)阶段中从海量的音频库中筛选出目标账号对应的多个待推荐音频,在精排(即精准排序)阶段中基于本公开实施例提供的资源信息的确定方法,预测出目标账号对任一个待推荐音频的多个第二行为参数,接着能够根据不同场景下的需求,基于不同的推荐目标,选择不同的第二行为参数作为参考指标来进行资源推荐,比如,该多个第二行为参数包括点击率参数、收藏率参数、确认使用率参数、上传率参数等,在仅考虑点击率情况的场景中,服务器102向目标账号所在终端发送点击率参数按照从大到小的顺序排序后位于前N位的待推荐音频,在需求考虑多种指标综合情况的场景中,服务器102获取该多个第二行为参数加权求和所得的全局参数,向目标账号所在终端发送全局参数按照从大到小的顺序排序后位于前N位的待推荐音频。服务器102将这些待推荐音频发送至终端,可选地,还可以收集用户对这些待推荐音频反馈的互动行为(包括点击、收藏、确认使用、上传等行为)的相关数据,从而作为新一轮的样本数据来对第一全连接网络和第二全连接网络进行迭代更新。
需要说明的是,该至少一个终端101中任一终端的设备类型可以包括:智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio LayerIV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机或者台式计算机中的至少一种。例如,该任一终端可以是智能手机,或者其他手持便携式电子设备。以下实施例,以终端包括智能手机来举例说明。
本领域技术人员可以知晓,上述终端的数量可以更多或更少。比如上述终端可以仅为一个,或者上述终端为几十个或几百个,或者更多数量。本公开实施例对终端的数量和设备类型不加以限定。
图2是根据一示例性实施例示出的一种资源信息的确定方法的流程图,参见图2,该资源信息的确定方法应用于计算机设备,下面以计算机设备为服务器为例进行说明。
在步骤201中,服务器基于目标账号的用户信息和候选资源的资源信息,获取融合特征,该融合特征用于表示该用户信息的特征和该资源信息的特征。
在步骤202中,服务器基于该融合特征,获取多个第一行为参数,该第一行为参数用于表示该目标账号对该候选资源进行一种互动行为的可能性。
在步骤203中,服务器基于该融合特征和多个该第一行为参数,获取多个第二行为参数,该第二行为参数用于表示在该一种互动行为以外的其他互动行为发生的情况下该一种互动行为发生的可能。
在步骤204中,服务器基于该多个第二行为参数,对该目标账号进行资源推荐。
本公开实施例提供的方法,通过获取用于表示用户信息的特征和资源信息的特征的一个融合特征,再基于该融合特征,分别独立预测各个互动行为的第一行为参数,综合考虑融合特征以及各个互动行为的第一行为参数,获取各个互动行为的第二行为参数,由于在获取每种互动行为的第二行为参数的过程中均参考了其他互动行为的第一行为参数,因此协同考虑了不同互动行为之间的潜在联系,第二行为参数相较于第一行为参数具有更高的准确率,大大提升了资源推荐过程的准确性。
在一种可能实施方式中,基于目标账号的用户信息和候选资源的资源信息,获取融合特征包括:
将该用户信息和该资源信息输入第一全连接网络,通过该第一全连接网络对该用户信息和该资源信息进行特征提取,得到该融合特征,其中,该第一全连接网络用于提取该融合特征。
在一种可能实施方式中,通过该第一全连接网络对该用户信息和该资源信息进行特征提取,得到该融合特征包括:
通过该第一全连接网络中的至少一个全连接层,对该用户信息和该资源信息进行加权处理,将最后一个全连接层的输出特征获取为该融合特征。
在一种可能实施方式中,基于该融合特征,获取多个第一行为参数包括:
将该融合特征映射至多个行为标签,得到多个第一行为参数,其中,一个行为标签对应于一种互动行为的第一行为参数。
在一种可能实施方式中,基于该融合特征和多个该第一行为参数,获取多个第二行为参数包括:
基于该多个第一行为参数所在的多个取值区间,获取该多个取值区间分别对应的多个行为特征,该行为特征用于表示该第一行为参数的参数特性;
将该融合特征、多个该行为特征、该目标账号的账号标识以及该候选资源的资源标识进行拼接,得到拼接特征;
将该拼接特征输入第二全连接网络,通过该第二全连接网络对该拼接特征进行处理,得到该多个第二行为参数,该第二全连接网络用于根据该拼接特征以获取第二行为参数。
在一种可能实施方式中,通过该第二全连接网络对该拼接特征进行处理,得到该多个第二行为参数包括:
通过该第二全连接网络中的至少一个全连接层对该拼接特征进行加权处理,对最后一个全连接层的输出特征映射至多个行为标签,得到该多个第二行为参数。
在一种可能实施方式中,基于该多个第二行为参数,对该目标账号进行资源推荐包括:
对该多个第二行为参数进行加权求和,得到全局参数;
基于该全局参数大于参数阈值,向该目标账号推荐该候选资源。
上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。
图3是根据一示例性实施例示出的一种资源信息的确定方法的流程图,如图3所示,该资源信息的确定方法应用于计算机设备,下面以计算机设备为服务器为例进行说明,该实施例包括以下步骤。
在步骤301中,服务器获取目标账号的用户信息和候选资源的资源信息。
其中,该候选资源是指待向目标账号推荐的多媒体资源。
其中,该目标账号是指在服务器中注册过的任一用户账号,该目标账号所对应的用户是指使用该目标账号的一个或多个用户,用户可以通过在终端上启动应用程序并登陆该目标账号,接着在应用程序中浏览、点赞、关注各个多媒体资源。
该目标账号所对应的用户可以是应用程序的“新用户”,也即首次在应用程序中注册用户账号的用户,该目标账号也可以是应用程序的“老用户”,也即曾经在应用程序中注册用户账号的用户,对于老用户来说,该目标账号可以处于登录状态,也可以处于未登录状态,本公开实施例不对目标账号所对应用户的用户类型进行具体限定。
可选地,该目标账号的用户信息可以包括用户属性信息以及用户行为信息。该用户属性信息包括账号标识、用户昵称、用户性别、用户年龄、用户职业或者用户所处地理位置等经过用户充分授权的信息。该用户行为信息是指在历史推荐过程中该目标账号对已推荐资源产生的互动行为信息。
示例性地,在音频推荐场景中,该用户行为信息包括目标账号对已推荐音频的点击行为信息、收藏行为信息、确认使用行为信息或者上传行为信息中至少一项,该点击行为信息是指目标账号所对应的用户是否点击已推荐音频,该收藏行为信息是指目标账号所对应的用户是否收藏已推荐音频,该确认使用行为信息是指目标账号所对应的用户是否使用已推荐音频作为背景音乐录制短视频作品,该上传行为信息是指目标账号所对应的用户是否上传以已推荐音频作为背景音乐而录制完毕的短视频作品。
示例性地,在视频推荐场景中,该用户行为信息包括目标账号对已推荐视频的点击行为信息、点赞行为信息、收藏行为信息以及关注行为信息,点击行为信息和收藏行为信息与音频推荐场景类似,这里不做赘述,而点赞行为信息是指目标账号所对应的用户是否点赞已推荐视频,该关注行为信息是指目标账号所对应的用户是否在播放后关注了已推荐视频的发布者。
示例性地,在广告投放场景中,该用户行为信息包括目标账号对已投放广告的点击行为信息、消费行为信息以及反馈行为信息,点击行为信息与音频推荐场景以及视频推荐场景类似,这里不做赘述,而消费行为信息是指目标账号所对应的用户是否购买了已投放广告所推销的商品或服务,反馈行为信息是指目标账号所对应的用户在广告播放完毕后对原本视频产生的反馈行为,包括正常观看、减少观看以及退出客户端等。
在一些实施例中,上述示例性场景中的点击行为信息、收藏行为信息、确认使用行为信息、上传行为信息、点赞行为信息、关注行为信息、消费行为信息等可以采用一个二值化的数值表示,比如,true表示目标账号所对应的用户进行了相关的互动行为,false表示目标账号所对应的用户未进行相关的互动行为。
在一些实施例中,如果目标账号所对应的用户多次点击已推荐资源,还可以在点击行为信息中收集每次的点击时刻及播放时长,并统计目标账号所对应的用户总共的点击次数,此时可以采用一个列表或者数组来记录该点击行为信息。
可选地,该候选资源的资源信息是指在本次资源推荐过程中对目标账号的待推荐资源的相关信息,候选资源可以是多媒体库中的任一个多媒体资源,该多媒体资源可以包括视频资源、音频资源、图片资源、文本资源或者网页资源中至少一项,或者,候选资源还可以是由服务器经过一轮粗排后从多媒体库中初步筛选出来的多媒体资源。
在一些实施例中,该资源信息可以包括候选资源的名称、封面、摘要、内容标签或者作者信息中至少一项,需要说明的是,对于音频资源来说,其作者相当于演唱者,对于视频资源来说,如果是电影、电视剧等,其作者相当于导演,如果是个人原创视频,其作者通常是视频发布者自身(up主)。
在上述过程中,服务器可以收集用户在注册目标账号时提交的、经过用户重复授权的用户属性信息,并记录在终端的应用程序上历史推荐过程中的行为日志,根据行为日志提取出用户行为信息,将该用户属性信息和该用户行为信息获取为用户信息,进一步地,从多媒体库中选取出一个或多个候选资源,以任一个候选资源为例进行说明,获取该候选资源的资源信息。
在步骤302中,服务器将该用户信息和该资源信息输入第一全连接网络,通过该第一全连接网络对该用户信息和该资源信息进行特征提取,得到融合特征。
其中,该融合特征用于表示该用户信息的特征和该资源信息的特征。
其中,该第一全连接网络用于提取该融合特征,该第一全连接网络包括至少一个全连接层。
可选地,服务器通过该第一全连接网络中的至少一个全连接层,对该用户信息和该资源信息进行加权处理,将最后一个全连接层的输出特征获取为该融合特征。需要说明的是,第一个全连接层以用户信息和资源信息作为输入特征,然后每一个全连接层的输出特征作为下一个全连接层的输入特征,以此类推,最后一个全连接层的输出特征作为融合特征,由于融合特征相当于位于第一全连接网络的最顶层,因此融合特征也可以俗称为“最顶层向量”。
在一些实施例中,由于用户信息和资源信息都属于离散特征,因此可以采用多维向量来表示用户信息和资源信息,也即是说,先通过第一全连接网络提取用户信息的用户向量以及资源信息的资源向量,再将用户向量和资源向量输入到该至少一个全连接层中进行加权处理,最终将最后一个全连接层的输出特征获取为融合特征。
可选地,服务器分别对该用户信息和该资源信息进行独热(one-hot)编码,得到该用户信息的one-hot向量以及该资源信息的one-hot向量,可选地,服务器分别对该用户信息和该资源信息进行嵌入(embedding)处理,得到该用户信息的embedding向量以及该资源信息的embedding向量。在本公开实施例中,不对用户向量或者资源向量属于one-hot向量还是embedding向量进行具体限定。
图4是本公开实施例提供的一种全连接层的原理性示意图,请参考图4,以第一全连接网络中仅包含一个全连接层为例说明,如401所示,该第一全连接网络可以视为包括了输入层、全连接层(也称为隐含层)和输出层,在输入层中的输入特征包括[x1,x2,x3],在全连接层中包括4个神经元。如402所示,将x1、x2、x3(统称为“x”)均输入到4个神经元中,在每个神经元中先采用权值系数wT对输入特征x进行加权处理,输出z=wTx+b,其中z为中间向量,b为偏置系数,接着在输出层中使用激活函数σ对中间向量z进行非线性变换,得到当前神经元最终的输出特征a,也即a=σ(z)。在本公开实施例中,输入特征[x1,x2,x3]相当于用户向量和资源向量,各个神经元的输出特征a在输出层中经过再次全连接后得到的特征相当于融合特征,这里不做赘述。
在上述步骤301-302,为服务器基于目标账号的用户信息和候选资源的资源信息,获取融合特征的一种可能实施方式,在本公开实施例中,仅以将第一全连接网络的最顶层向量作为融合特征为例进行示例性说明,这样通过全连接的网络结构可以保证不损失掉用户信息和资源信息中的相关细节,而在另一些实施例中,服务器能够采用其他形式的机器学习模型来获取该融合特征,比如,采用CNN(Convolutional Neural Networks,卷积神经网络)、LSTM(Long Short-Term Memory,长短期记忆网络)、BLSTM(Bidirectional LongShort-Term Memory,双向长短期记忆网络)等,本公开实施例不对提取融合特征的网络类型进行具体限定。
在步骤303中,服务器将该融合特征映射至多个行为标签,得到多个第一行为参数,一个行为标签对应于一种互动行为的第一行为参数。
其中,该行为标签用于标识互动行为,比如该行为标签包括点击行为、收藏行为、确认使用行为、上传行为等。
其中,该第一行为参数用于表示该目标账号对该候选资源进行一种互动行为的可能性,比如该第一行为参数包括点击率参数(Click Through Rate,CTR)、收藏率参数(LikeThrough Rate,LTR)、确认使用率参数(Confirm Through Rate,FTR)、上传率参数(UploadThrough Rate,WTR)等。
在上述步骤303为服务器基于该融合特征,获取多个第一行为参数的一种可能实施方式。在一些实施例中,服务器对该融合特征进行指数归一化(sigmoid)处理,得到该多个第一行为参数。在一个示例中,总共包括点击行为、收藏行为、确认使用行为、上传行为这4种行为标签,服务器采用sigmoid函数对融合特征进行指数归一化处理,分别输出预估的CTR、LTR、FTR以及WTR(4个第一行为参数)。
在步骤304中,服务器基于该多个第一行为参数所在的多个取值区间,获取该多个取值区间分别对应的多个行为特征。
其中,该行为特征用于表示该第一行为参数的参数特性。
在上述过程中,由于通常每个行为标签对应的第一行为参数(CTR、LTR、FTR、WTR等)都具有连续取值的特性,可选地,将各个行为标签的取值范围等距划分出多个取值区间,每个取值区间可以采用一个多维向量来表示(也即下述步骤304中的行为特征),这样可以将具有连续取值特性的第一行为参数进行向量化表示。这种对连续特征进行等距划分的方式,可以形象地称为“分桶处理”过程,一个“桶”相当于一个取值区间。
进一步地,对每个预测出的第一行为参数,服务器只需要判断出该第一行为参数具体落入到行为标签下的哪个取值区间中,采用所在取值区间对应的行为特征即可表示出该第一行为参数的参数特征。
在上述步骤303-304中,仅仅是以服务器先基于融合特征预估第一行为参数,再根据第一行为参数所落入的取值区间来确定行为特征为例进行说明,这样可以提升行为特征的表达能力,使得资源推荐过程的准确性更高,在一些实施例中,服务器能够直接对各个第一行为参数进行向量化处理,从而得到对应的多个行为特征,可以简化资源推荐过程的处理流程。
在步骤305中,服务器将该融合特征、多个该行为特征、该目标账号的账号标识以及该候选资源的资源标识进行拼接,得到拼接特征。
在上述过程中,服务器获取上述步骤302中的融合特征,获取上述步骤304中的多个行为特征,接着,从步骤301中的用户信息中提取该账号标识,从资源信息中提取该资源标识,接着将该融合特征、该多个行为特征、该账号标识以及该资源标识四者进行拼接,得到拼接特征。
可选地,该账号标识(user id,简称uid)是目标账号本身,或者是服务器为各个用户分配的用户标识码,可选地,该资源标识是服务器为各个多媒体资源分配的资源标识码,在音频推荐场景中,资源标识也即music id,简称mid。
在一些实施例中,如果该融合特征、该多个行为特征、该账号标识以及该资源标识的尺寸不一致,服务器通过补零(padding)操作调整至四者尺寸一致,然后直接将该融合特征、该多个行为特征、该账号标识以及该资源标识在长度上相连,即可得到该拼接特征,也即实现了拼接(concat)操作。
在一个示例中,假设融合特征为一个256×128维的特征向量,4个行为特征分别为4个256×8维的特征向量,uid和pid均为256×32维的特征向量,那么四者可以拼成一个256×(128+4×8+2×32)=256×224维的拼接特征。
在另一些实施例中,服务器通过对该融合特征、该多个行为特征、该账号标识以及该资源标识进行按元素相加、双线性汇合等方式进行处理,将处理后特征输入到第二全连接网络中,也能够预测出对应的第二行为参数。
在步骤306中,服务器将该拼接特征输入第二全连接网络,通过该第二全连接网络对该拼接特征进行处理,得到多个第二行为参数。
其中,该第二全连接网络用于根据该拼接特征以获取第二行为参数,该第二全连接网络包括至少一个全连接层。
其中,该第二行为参数用于表示在一种互动行为以外的其他互动行为发生的情况下该一种互动行为发生的可能性,比如该第二行为参数包括点击率参数(Click ThroughRate,CTR)、收藏率参数(Like Through Rate,LTR)、确认使用率参数(Confirm ThroughRate,FTR)、上传率参数(Upload Through Rate,WTR)等。
可选地,服务器通过该第二全连接网络中的至少一个全连接层对该拼接特征进行加权处理,对最后一个全连接层的输出特征映射至多个行为标签,得到该多个第二行为参数。需要说明的是,第一个全连接层以拼接特征作为输入特征,然后每一个全连接层的输出特征作为下一个全连接层的输入特征,以此类推,最后一个全连接层的输出特征进行sigmoid处理,以映射至多个行为标签,得到多个第二行为参数。
第二全连接网络的内部结构与第一全连接网络类似,这里不做赘述。
在上述步骤304-306为服务器基于该融合特征和多个该第一行为参数,获取多个第二行为参数的一种可能实施方式,在本公开实施例中,仅以由第二全连接网络预测多个第二行为参数为例进行示例性说明,这样通过全连接的网络结构可以保证不损失掉该融合特征、该多个行为特征、该账号标识以及该资源标识中的相关细节。
而在另一些实施例中,服务器能够采用其他形式的机器学习模型来获取该第二行为参数,比如,采用CNN(Convolutional Neural Networks,卷积神经网络)、LSTM(LongShort-Term Memory,长短期记忆网络)、BLSTM(Bidirectional Long Short-Term Memory,双向长短期记忆网络)等,本公开实施例不对预测第二行为参数的网络类型进行具体限定。
这里需要说明的是,第二行为参数和第一行为参数的种类需要保持相同,也即第二行为参数和第一行为参数的数量一致也对应于相同的行为标签,在本公开实施例中,第一行为参数是第一全连接网络初步预测出来的行为参数,而第二行为参数则是由第二全连接网络综合考虑了第一全连接网络的最顶层向量(融合特征)、各个第一行为参数的行为特征、账号标识以及资源标识,再次精准预测出的行为参数,充分考虑到了不同行为标签所对应的不同行为参数之间的潜在联系,可以大大提升资源推荐的准确率。
图5是本公开实施例提供的一种资源信息的确定方法的原理性示意图,请参考图5,第一全连接网络501和第二全连接网络502可以统称为一个“集成网络(stackingnetwork)”,在第一全连接网络501中包括4个全连接层L1~L4,L1层输出一个512维的特征,L2层输出一个256维的特征,L3层输出一个128维的特征,L4层输出一个128维的特征(将这个特征作为融合特征),基于融合特征,获取4个行为特征CTR-l、LTR-l、FTR-l、WTR-l,接着将L4层的融合特征、4个行为特征CTR-l、LTR-l、FTR-l、WTR-l、账号标识uid、资源标识mid输入到第二全连接网络502中,在第二全连接网络502中包括3个全连接层L1’-L3’,L1’输出一个128维的特征,L2’输出一个64维的特征,L3’输出一个64维的特征,接着基于L3’层的64维特征预测出最终的4个第二行为参数CTR、LTR、FTR、WTR。
在步骤307中,服务器基于该多个第二行为参数,对该目标账号进行资源推荐。
可选地,服务器根据优化需求信息,从该多个第二行为参数中确定目标行为参数,基于该目标行为参数大于参数阈值,向该目标账号推荐该候选资源。优化需求信息可以根据不同的场景灵活变动,比如在音频推荐场景中,较为重视FTR参数,在视频推荐中,较为重视LTR参数,在广告投放场景中,较为重视CTR参数等。
可选地,服务器对该多个第二行为参数进行加权求和,得到全局参数,基于该全局参数大于参数阈值,向该目标账号推荐该候选资源。这样可以综合考虑多种不同维度的行为标签下的第二行为参数,能够提升总体的资源推荐准确率,改善用户体验。
可选地,服务器对每个候选资源重复执行获取多个第二行为参数的操作,从而横向获取到多个候选资源各自的多个第二行为参数,接着可以将任一个第二行为参数(或者全局参数)按照从大到小的顺序进行排序,将排序位于前N位的候选资源推荐给目标账号,N为大于或等于1的整数。
图6是本公开实施例提供的一种资源推荐过程的原理性流程图,请参考图6,在资源推荐过程中,用户与终端上的目标应用进行交互,产生互动行为,服务器收集用户属性信息及用户行为信息作为用户信息,结合多媒体库中各个多媒体资源的资源信息,可以离线模型训练阶段中训练出第一全连接网络和第二全连接网络,然后通过模型传输,能够将离线训练好的第一全连接网络和第二全连接网络投入到在线模型评估阶段中,在实时推荐时,终端发送资源推荐请求,服务器返回第二全连接网络预测出的各个第二行为参数,接着进行召回和排序,将满足推荐条件的多媒体资源发送至终端,即可达成业务上的闭环。在一个示例性的音频推荐场景中,应用本公开实施例的资源信息的确定方法,对全平台音频的上传量的提升效果达到1%以上。
上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。
本公开实施例提供的方法,通过获取用于表示用户信息的特征和资源信息的特征的一个融合特征,再基于该融合特征,分别独立预测各个互动行为的第一行为参数,综合考虑融合特征以及各个互动行为的第一行为参数,获取各个互动行为的第二行为参数,由于在获取每种互动行为的第二行为参数的过程中均参考了其他互动行为的第一行为参数,因此协同考虑了不同互动行为之间的潜在联系,第二行为参数相较于第一行为参数具有更高的准确率,大大提升了资源推荐过程的准确性。
图7是根据一示例性实施例示出的一种资源信息的确定装置的逻辑结构框图。参照图7,该装置包括第一获取单元701、第二获取单元702、第三获取单元703以及资源推荐单元704。
第一获取单元701,被配置为执行基于目标账号的用户信息和候选资源的资源信息,获取融合特征,该融合特征用于表示该用户信息的特征和该资源信息的特征;
第二获取单元702,被配置为执行基于该融合特征,获取多个第一行为参数,该第一行为参数用于表示该目标账号对该候选资源进行一种互动行为的可能性;
第三获取单元703,被配置为执行基于该融合特征和多个该第一行为参数,获取多个第二行为参数,该第二行为参数用于表示在该一种互动行为以外的其他互动行为发生的情况下该一种互动行为发生的可能性;
资源推荐单元704,被配置为执行基于该多个第二行为参数,对该目标账号进行资源推荐。
本公开实施例提供的装置,通过获取用于表示用户信息的特征和资源信息的特征的一个融合特征,再基于该融合特征,分别独立预测各个互动行为的第一行为参数,综合考虑融合特征以及各个互动行为的第一行为参数,获取各个互动行为的第二行为参数,由于在获取每种互动行为的第二行为参数的过程中均参考了其他互动行为的第一行为参数,因此协同考虑了不同互动行为之间的潜在联系,第二行为参数相较于第一行为参数具有更高的准确率,大大提升了资源推荐过程的准确性。
在一种可能实施方式中,基于图7的装置组成,该第一获取单元701包括:
提取子单元,被配置为执行将该用户信息和该资源信息输入第一全连接网络,通过该第一全连接网络对该用户信息和该资源信息进行特征提取,得到该融合特征,其中,该第一全连接网络用于提取该融合特征。
在一种可能实施方式中,该提取子单元被配置为执行:
通过该第一全连接网络中的至少一个全连接层,对该用户信息和该资源信息进行加权处理,将最后一个全连接层的输出特征获取为该融合特征。
在一种可能实施方式中,该第二获取单元702被配置为执行:
将该融合特征映射至多个行为标签,得到多个第一行为参数,其中,一个行为标签对应于一种互动行为的第一行为参数。
在一种可能实施方式中,基于图7的装置组成,该第三获取单元703包括:
获取子单元,被配置为执行基于该多个第一行为参数所在的多个取值区间,获取该多个取值区间分别对应的多个行为特征,该行为特征用于表示该第一行为参数的参数特性;
拼接子单元,被配置为执行将该融合特征、多个该行为特征、该目标账号的账号标识以及该候选资源的资源标识进行拼接,得到拼接特征;
处理子单元,被配置为执行将该拼接特征输入第二全连接网络,通过该第二全连接网络对该拼接特征进行处理,得到该多个第二行为参数,该第二全连接网络用于根据该拼接特征以获取第二行为参数。
在一种可能实施方式中,该处理子单元被配置为执行:
通过该第二全连接网络中的至少一个全连接层对该拼接特征进行加权处理,对最后一个全连接层的输出特征映射至多个行为标签,得到该多个第二行为参数。
在一种可能实施方式中,该资源推荐单元704被配置为执行:
对该多个第二行为参数进行加权求和,得到全局参数;
基于该全局参数大于参数阈值,向该目标账号推荐该候选资源。
上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。
关于上述实施例中的装置,其中各个单元执行操作的具体方式已经在有关该资源信息的确定方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图8是本公开实施例提供的一种计算机设备的结构示意图,该计算机设备800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处理器(CentralProcessing Units,CPU)801和一个或一个以上的存储器802,其中,该存储器802中存储有至少一条程序代码,该至少一条程序代码由该处理器801加载并执行以实现上述各个实施例提供的资源信息的确定方法。当然,该计算机设备800还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该计算机设备800还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种包括至少一条程序代码的存储介质,例如包括至少一条程序代码的存储器,上述至少一条程序代码可由终端中的处理器执行以完成上述实施例中资源信息的确定方法。可选地,上述存储介质可以是非临时性计算机可读存储介质,例如,该非临时性计算机可读存储介质可以包括ROM(Read-Only Memory,只读存储器)、RAM(Random-Access Memory,随机存取存储器)、CD-ROM(Compact Disc Read-OnlyMemory,只读光盘)、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品,包括一条或多条程序代码,该一条或多条程序代码可以由计算机设备的处理器执行,以完成上述各个实施例提供的资源信息的确定方法。
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 (10)
1.一种资源信息的确定方法,其特征在于,包括:
基于目标账号的用户信息和候选资源的资源信息,获取融合特征,所述融合特征用于表示所述用户信息的特征和所述资源信息的特征;
基于所述融合特征,获取多个第一行为参数,所述第一行为参数用于表示所述目标账号对所述候选资源进行一种互动行为的可能性;
基于所述融合特征和多个所述第一行为参数,获取多个第二行为参数,所述第二行为参数用于表示在所述一种互动行为以外的其他互动行为发生的情况下所述一种互动行为发生的可能性;
基于所述多个第二行为参数,对所述目标账号进行资源推荐。
2.根据权利要求1所述的资源信息的确定方法,其特征在于,所述基于目标账号的用户信息和候选资源的资源信息,获取融合特征包括:
将所述用户信息和所述资源信息输入第一全连接网络,通过所述第一全连接网络对所述用户信息和所述资源信息进行特征提取,得到所述融合特征,其中,所述第一全连接网络用于提取所述融合特征。
3.根据权利要求2所述的资源信息的确定方法,其特征在于,所述通过所述第一全连接网络对所述用户信息和所述资源信息进行特征提取,得到所述融合特征包括:
通过所述第一全连接网络中的至少一个全连接层,对所述用户信息和所述资源信息进行加权处理,将最后一个全连接层的输出特征获取为所述融合特征。
4.根据权利要求1所述的资源信息的确定方法,其特征在于,所述基于所述融合特征,获取多个第一行为参数包括:
将所述融合特征映射至多个行为标签,得到多个第一行为参数,其中,一个行为标签对应于一种互动行为的第一行为参数。
5.根据权利要求1所述的资源信息的确定方法,其特征在于,所述基于所述融合特征和多个所述第一行为参数,获取多个第二行为参数包括:
基于所述多个第一行为参数所在的多个取值区间,获取所述多个取值区间分别对应的多个行为特征,所述行为特征用于表示所述第一行为参数的参数特性;
将所述融合特征、多个所述行为特征、所述目标账号的账号标识以及所述候选资源的资源标识进行拼接,得到拼接特征;
将所述拼接特征输入第二全连接网络,通过所述第二全连接网络对所述拼接特征进行处理,得到所述多个第二行为参数,所述第二全连接网络用于根据所述拼接特征以获取第二行为参数。
6.根据权利要求5所述的资源信息的确定方法,其特征在于,所述通过所述第二全连接网络对所述拼接特征进行处理,得到所述多个第二行为参数包括:
通过所述第二全连接网络中的至少一个全连接层对所述拼接特征进行加权处理,对最后一个全连接层的输出特征映射至多个行为标签,得到所述多个第二行为参数。
7.根据权利要求1所述的资源信息的确定方法,其特征在于,所述基于所述多个第二行为参数,对所述目标账号进行资源推荐包括:
对所述多个第二行为参数进行加权求和,得到全局参数;
基于所述全局参数大于参数阈值,向所述目标账号推荐所述候选资源。
8.一种资源信息的确定装置,其特征在于,包括:
第一获取单元,被配置为执行基于目标账号的用户信息和候选资源的资源信息,获取融合特征,所述融合特征用于表示所述用户信息的特征和所述资源信息的特征;
第二获取单元,被配置为执行基于所述融合特征,获取多个第一行为参数,所述第一行为参数用于表示所述目标账号对所述候选资源进行一种互动行为的可能性;
第三获取单元,被配置为执行基于所述融合特征和多个所述第一行为参数,获取多个第二行为参数,所述第二行为参数用于表示在所述一种互动行为以外的其他互动行为发生的情况下所述一种互动行为发生的可能性;
资源推荐单元,被配置为执行基于所述多个第二行为参数,对所述目标账号进行资源推荐。
9.一种计算机设备,其特征在于,包括:
一个或多个处理器;
用于存储所述一个或多个处理器可执行程序代码的一个或多个存储器;
其中,所述一个或多个处理器被配置为执行所述程序代码,以实现如权利要求1至权利要求7中任一项所述的资源信息的确定方法。
10.一种存储介质,其特征在于,当所述存储介质中的至少一条程序代码由计算机设备的一个或多个处理器执行时,使得计算机设备能够执行如权利要求1至权利要求7中任一项所述的资源信息的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010812722.2A CN114077701A (zh) | 2020-08-13 | 2020-08-13 | 资源信息的确定方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010812722.2A CN114077701A (zh) | 2020-08-13 | 2020-08-13 | 资源信息的确定方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114077701A true CN114077701A (zh) | 2022-02-22 |
Family
ID=80280688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010812722.2A Pending CN114077701A (zh) | 2020-08-13 | 2020-08-13 | 资源信息的确定方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114077701A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140046696A1 (en) * | 2012-08-10 | 2014-02-13 | Assurerx Health, Inc. | Systems and Methods for Pharmacogenomic Decision Support in Psychiatry |
US9494940B1 (en) * | 2015-11-04 | 2016-11-15 | Zoox, Inc. | Quadrant configuration of robotic vehicles |
CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
CN109408724A (zh) * | 2018-11-06 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 多媒体资源预估点击率的确定方法、装置及服务器 |
CN110162703A (zh) * | 2019-05-13 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推荐方法、训练方法、装置、设备及存储介质 |
CN110209922A (zh) * | 2018-06-12 | 2019-09-06 | 中国科学院自动化研究所 | 对象推荐方法、装置、存储介质及计算机设备 |
CN110442788A (zh) * | 2019-07-23 | 2019-11-12 | 北京奇艺世纪科技有限公司 | 一种信息推荐方法及装置 |
CN110837598A (zh) * | 2019-11-11 | 2020-02-25 | 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 |
CN110910218A (zh) * | 2019-11-21 | 2020-03-24 | 南京邮电大学 | 一种基于深度学习的多行为迁移推荐方法 |
CN111046286A (zh) * | 2019-12-12 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 一种对象推荐方法、装置、以及计算机存储介质 |
CN111291200A (zh) * | 2020-01-22 | 2020-06-16 | 北京达佳互联信息技术有限公司 | 多媒体资源展示方法、装置、计算机设备及存储介质 |
CN111506820A (zh) * | 2020-04-30 | 2020-08-07 | 喜大(上海)网络科技有限公司 | 推荐模型、方法、装置、设备及存储介质 |
-
2020
- 2020-08-13 CN CN202010812722.2A patent/CN114077701A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140046696A1 (en) * | 2012-08-10 | 2014-02-13 | Assurerx Health, Inc. | Systems and Methods for Pharmacogenomic Decision Support in Psychiatry |
US9494940B1 (en) * | 2015-11-04 | 2016-11-15 | Zoox, Inc. | Quadrant configuration of robotic vehicles |
CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
CN110209922A (zh) * | 2018-06-12 | 2019-09-06 | 中国科学院自动化研究所 | 对象推荐方法、装置、存储介质及计算机设备 |
CN109408724A (zh) * | 2018-11-06 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 多媒体资源预估点击率的确定方法、装置及服务器 |
CN110162703A (zh) * | 2019-05-13 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推荐方法、训练方法、装置、设备及存储介质 |
CN110442788A (zh) * | 2019-07-23 | 2019-11-12 | 北京奇艺世纪科技有限公司 | 一种信息推荐方法及装置 |
CN110837598A (zh) * | 2019-11-11 | 2020-02-25 | 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 |
CN110910218A (zh) * | 2019-11-21 | 2020-03-24 | 南京邮电大学 | 一种基于深度学习的多行为迁移推荐方法 |
CN111046286A (zh) * | 2019-12-12 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 一种对象推荐方法、装置、以及计算机存储介质 |
CN111291200A (zh) * | 2020-01-22 | 2020-06-16 | 北京达佳互联信息技术有限公司 | 多媒体资源展示方法、装置、计算机设备及存储介质 |
CN111506820A (zh) * | 2020-04-30 | 2020-08-07 | 喜大(上海)网络科技有限公司 | 推荐模型、方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
YE TAO ET AL.: "User Behavior Analysis by Cross-Domain Log Data Fusion", 《IEEE ACCESS》, vol. 8, 23 December 2019 (2019-12-23), pages 400 - 406, XP011764545, DOI: 10.1109/ACCESS.2019.2961769 * |
朱思涵 等: "基于序列特征的点击率预测模型", 《华东师范大学学报(自然科学版)》, no. 04, 24 July 2020 (2020-07-24), pages 139 - 151 * |
都奕冰 等: "融合项目嵌入表征与注意力机制的推荐算法", 《计算机工程与设计》, no. 03, 16 March 2020 (2020-03-16), pages 90 - 96 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111538912B (zh) | 内容推荐方法、装置、设备及可读存储介质 | |
CN109492772B (zh) | 生成信息的方法和装置 | |
CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN111444428A (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
CN112364204B (zh) | 视频搜索方法、装置、计算机设备及存储介质 | |
CN111506820B (zh) | 推荐模型、方法、装置、设备及存储介质 | |
CN111461841A (zh) | 物品推荐方法、装置、服务器及存储介质 | |
CN111368141B (zh) | 视频标签的扩展方法、装置、计算机设备和存储介质 | |
CN112989212B (zh) | 媒体内容推荐方法、装置和设备及计算机存储介质 | |
CN111046298B (zh) | 推送应用程序的方法、装置、计算机设备和存储介质 | |
CN113379449B (zh) | 多媒体资源召回方法、装置、电子设备以及存储介质 | |
CN113254679B (zh) | 多媒体资源推荐方法、装置、电子设备以及存储介质 | |
CN113515690A (zh) | 内容召回模型的训练方法、内容召回方法、装置及设备 | |
Vilakone et al. | Movie recommendation system based on users’ personal information and movies rated using the method of k-clique and normalized discounted cumulative gain | |
CN115066906A (zh) | 用于基于用户提供的标准进行推荐的方法和*** | |
CN115618024A (zh) | 多媒体推荐方法、装置及电子设备 | |
CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
CN113220974B (zh) | 点击率预测模型训练、搜索召回方法、装置、设备及介质 | |
CN114528474A (zh) | 推荐对象确定方法、装置、电子设备及存储介质 | |
CN113836390B (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
CN114491255A (zh) | 推荐方法、***、电子设备和介质 | |
CN112036987B (zh) | 确定推荐商品的方法和装置 | |
US20230316106A1 (en) | Method and apparatus for training content recommendation model, device, and storage medium | |
CN116484105A (zh) | 业务处理方法、装置及计算机设备、存储介质、程序产品 | |
CN115129975B (zh) | 推荐模型训练方法、推荐方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |