CN114328995A - 内容推荐方法、装置、设备及存储介质 - Google Patents
内容推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114328995A CN114328995A CN202111591821.3A CN202111591821A CN114328995A CN 114328995 A CN114328995 A CN 114328995A CN 202111591821 A CN202111591821 A CN 202111591821A CN 114328995 A CN114328995 A CN 114328995A
- Authority
- CN
- China
- Prior art keywords
- resource
- media
- recommended
- account
- determining
- 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 51
- 238000000605 extraction Methods 0.000 claims description 74
- 238000012549 training Methods 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000000306 recurrent effect Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 15
- 230000004927 fusion Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开关于一种内容推荐方法、装置、设备及存储介质,涉及网络技术领域,至少解决了相关技术中推荐内容准确性低,以及无法提高推荐内容多样性的问题。该方法包括:获取对象账户最近预设时间段内操作的多个媒体资源,并确定每个媒体资源对应的资源特征;根据多个媒体资源中每个媒体资源对应的资源特征,确定对象账户的对象特征;根据对象账户的对象特征,确定对象账户与待推荐媒体资源之间的匹配度,得到第一匹配度结果;根据第一匹配度结果,从待推荐媒体资源中确定第一目标媒体资源,并向对象账户推荐第一目标媒体资源。
Description
技术领域
本公开涉及网络技术领域,尤其涉及一种内容推荐方法、装置、设备及存储介质。
背景技术
相关技术中,在为对象账户推荐内容信息时,通常是根据对象账户的对象画像信息和内容信息之间的匹配度,确定对象账户的待推荐内容。其中,对象画像信息通常是基于对象账户注册账户标识时提供的属性信息以及兴趣爱好等数据确定的。然而,随着时间的推移,对象账户的喜好也会随之发生一定的变化,因此,如果一直基于对象画像信息进行内容推荐,一方面,推荐内容的准确性会越来越低,另一方面,也不利于提高推荐内容的多样性。
发明内容
本公开提供一种内容推荐方法、装置、设备及存储介质,以至少解决相关技术中推荐内容准确性低,以及无法提高推荐内容多样性的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种内容推荐方法,包括:获取对象账户最近预设时间段内操作的多个媒体资源,并确定每个媒体资源对应的资源特征;根据多个媒体资源中每个媒体资源对应的资源特征,确定对象账户的对象特征;根据对象账户的对象特征,确定对象账户与待推荐媒体资源之间的匹配度,得到第一匹配度结果;根据第一匹配度结果,从待推荐媒体资源中确定第一目标媒体资源,并向对象账户推荐第一目标媒体资源。
在一种可能的实施方式中,根据多个媒体资源中每个媒体资源对应的资源特征,确定对象账户的对象特征,包括:基于每个媒体资源对应的资源特征和每个媒体资源的操作时间信息,预测对象账户在操作多个媒体资源后下一个操作的媒体资源对应的目标资源特征;确定目标资源特征为对象账户的对象特征。
另一种可能的实施方式中,确定每个媒体资源对应的资源特征,包括:基于每个媒体资源的图像信息、文本信息和语音信息中的至少一项,确定每个媒体资源对应的资源特征。
另一种可能的实施方式中,基于每个媒体资源对应的资源特征和每个媒体资源的操作时间信息,预测对象账户在操作多个媒体资源后下一个操作的媒体资源对应的目标资源特征,包括:基于预训练的递归神经网络和每个媒体资源的操作时间信息对每个媒体资源对应的资源特征进行递归处理,得到目标资源特征。
另一种可能的实施方式中,在待推荐媒体资源包括待推荐视频资源的情况下,根据对象账户的对象特征,确定对象账户与待推荐媒体资源的匹配度,得到第一匹配度结果,包括:基于待推荐视频资源的图像信息、文本信息和语音信息,以及预训练的特征提取网络,得到待推荐视频资源对应的资源特征;基于对象账户的对象特征与待推荐视频资源对应的资源特征,确定对象账户与待推荐媒体资源的匹配度,得到第一匹配度结果。
另一种可能的实施方式中,方法还包括:确定多个视频样本中每个视频样本的训练样本;训练样本包括每个视频样本的图像信息、文本信息和语音信息;基于每个视频样本的图像信息、文本信息和语音信息,训练初始特征提取网络,得到预训练的特征提取网络。
另一种可能的实施方式中,训练样本还包括每个视频样本的类别标识,基于每个视频样本的图像信息、文本信息和语音信息,训练初始特征提取网络,得到预训练的特征提取模型,包括:将每个视频样本的图像信息、文本信息和语音信息输入初始特征提取网络,得到每个视频样本的预测结果;基于每个视频样本的预测结果和每个视频样本的类别标识确定损失函数值,并基于损失函数值更新初始特征提取网络的参数;对更新后的初始特征提取网络迭代执行上述步骤,直至初始特征提取网络满足模型收敛条件,确定收敛后的初始特征提取网络为预训练的特征提取网络。
另一种可能的实施方式中,在未获取到对象账户最近预设时间段内操作的多个媒体资源的情况下,方法还包括:根据对象账户的对象画像信息,确定对象账户的初始对象特征;基于对象账户的初始对象特征,确定对象账户与待推荐媒体资源之间的匹配度,得到第二匹配度结果;根据第二匹配度结果,从待推荐媒体资源中确定第二目标媒体资源,并向对象账户推荐第二目标媒体资源。
另一种可能的实施方式中,根据多个媒体资源中每个媒体资源的特征,确定对象账户的对象特征,包括:基于对象账户的对象画像信息,确定对象账户的初始对象特征;根据多个媒体资源中每个媒体资源对应的资源特征和对象账户的初始对象特征,确定对象账户的对象特征。
根据本公开实施例的第二方面,提供一种内容推荐装置,包括:获取模块,被配置为执行获取对象账户最近预设时间段内操作的多个媒体资源,并确定每个媒体资源对应的资源特征;确定模块,被配置为执行根据多个媒体资源中每个媒体资源对应的资源特征,确定对象账户的对象特征;确定模块,还被配置为执行根据对象账户的对象特征,确定对象账户与待推荐媒体资源之间的匹配度,得到第一匹配度结果;推荐模块,被配置为执行根据第一匹配度结果,从待推荐媒体资源中确定第一目标媒体资源,并向对象账户推荐第一目标媒体资源。
在一种可能的实施方式中,确定模块具体被配置为执行:基于每个媒体资源对应的资源特征和每个媒体资源的操作时间信息,预测对象账户在操作多个媒体资源后下一个操作的媒体资源对应的目标资源特征;确定目标资源特征为对象账户的对象特征。
另一种可能的实施方式中,确定模块具体被配置为执行:基于每个媒体资源的图像信息、文本信息和语音信息中的至少一项,确定每个媒体资源对应的资源特征。
另一种可能的实施方式中,确定模块具体被配置为执行:基于预训练的递归神经网络和每个媒体资源的操作时间信息对每个媒体资源对应的资源特征进行递归处理,得到目标资源特征。
另一种可能的实施方式中,推荐模块具体被配置为执行:在待推荐媒体资源包括待推荐视频资源的情况下,基于待推荐视频资源的图像信息、文本信息和语音信息,以及预训练的特征提取网络,得到待推荐视频资源对应的资源特征;基于对象账户的对象特征与待推荐视频资源对应的资源特征,确定对象账户与待推荐媒体资源的匹配度,得到第一匹配度结果。
另一种可能的实施方式中,装置还包括训练模块,被配置为执行:确定多个视频样本中每个视频样本的训练样本;训练样本包括每个视频样本的图像信息、文本信息和语音信息;基于每个视频样本的图像信息、文本信息和语音信息,训练特征提取网络,得到预训练的特征提取网络。
另一种可能的实施方式中,训练样本还包括每个视频样本的类别标识,训练模块具体被配置为执行:将每个视频样本的图像信息、文本信息和语音信息输入初始特征提取网络,得到每个视频样本的预测结果;基于每个视频样本的预测结果和每个视频样本的类别标识确定损失函数值,并基于损失函数值更新初始特征提取网络的参数;对更新后的初始特征提取网络迭代执行上述步骤,直至初始特征提取网络满足模型收敛条件,确定收敛后的初始特征提取网络为预训练的特征提取网络。
另一种可能的实施方式中,确定模块还被配置为执行:在未获取到对象账户最近预设时间段内操作的多个媒体资源的情况下,根据对象账户的对象画像信息,确定对象账户的初始对象特征;基于对象账户的初始对象特征,确定对象账户与待推荐媒体资源之间的匹配度,得到第二匹配度结果;根据第二匹配度结果,从待推荐媒体资源中确定第二目标媒体资源,并向对象账户推荐第二目标媒体资源。
另一种可能的实施方式中,确定模块还被配置为执行:基于对象账户的对象画像信息,确定对象账户的初始对象特征;根据多个媒体资源中每个媒体资源对应的资源特征和对象账户的初始对象特征,确定对象账户的对象特征。
根据本公开实施例的第三方面,提供一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为执行指令,以实现上述第一方面及其任一种可能的实施方式的内容推荐方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,当计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述第一方面中及其任一种可能的实施方式的内容推荐方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,计算机程序产品包括计算机指令,当计算机指令在电子设备上运行时,使得电子设备执行上述第一方面及其任一种可能的实施方式的内容推荐方法。
本公开的实施例提供的技术方案至少带来以下有益效果:通过对象账户最近预设时间段内操作的媒体资源的特征,确定对象账户的对象特征,一方面,最近预设时间内操作的媒体资源的特征能够很好的代表对象账户的兴趣,另一方面,对象账户的对象特征不再是一成不变的,而是动态变化的,从而使得对象特征能够准确的表达对象账户近期的兴趣,进而提高推送给对象账户的推荐内容的准确性,使得推荐内容能符合对象账户的兴趣,提高了对象账户的使用体验感。此外,由于对象特征是变化的动态特征,每次基于动态的对象特征确定对象账户的推荐内容,还能够提高推荐内容的多样性。
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内容推荐方法的流程图;
图2是根据一示例性实施例示出的另一种内容推荐方法的流程图;
图3是根据一示例性实施例示出的一种内容推荐方法的流程图;
图4是根据一示例性实施例示出的一种特征提取网络的预训练示意图;
图5是根据一示例性实施例示出的一种确定推荐内容的示意图;
图6是根据一示例性实施例示出的一种内容推荐装置的框图;
图7是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下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。
在对本公开提供的信息处理方法进行详细介绍之前,先对本公开涉及的应用场景和实施环境进行简单介绍。
首先,对本公开涉及的应用场景进行简单介绍。
相关技术中,在为对象账户推荐内容信息时,通常是根据对象账户的对象画像信息和内容信息之间的匹配度,确定对象账户的待推荐内容。其中,对象画像信息通常是基于对象账户注册账户标识时提供的属性信息以及兴趣爱好等数据确定的。然而,随着时间的推移,对象账户的喜好也会随之发生一定的变化,因此,如果一直基于对象画像信息进行内容推荐,一方面,推荐内容的准确性会越来越低,另一方面,也不利于提推荐内容的多样性。
针对上述问题,本公开提供了一种内容推荐方法,通过对象账户最近预设时间段内操作的媒体资源的特征,确定对象账户的对象特征,一方面,最近预设时间内操作的媒体资源的特征能够很好的代表对象账户的兴趣,另一方面,对象账户的对象特征不再是一成不变的,而是动态变化的,从而使得对象特征能够准确的表达对象账户近期的兴趣,进而提高推送给对象账户的推荐内容的准确性,使得推荐内容能符合对象账户的兴趣,提高了对象账户的使用体验感。此外,由于对象特征是变化的动态特征,每次基于动态的对象特征确定对象账户的推荐内容,还能够提高推荐内容的多样性。
其次,下面对本公开涉及的实施环境(实施架构)进行简单介绍。
本公开实施例提供的内容推荐方法可以应用于电子设备。电子设备可以是终端设备或服务器。其中,终端设备可以是智能手机、平板电脑、掌上电脑、车载终端、台式电脑以及笔记本电脑等。服务器可以是任意一个服务器或服务器集群,本公开对此不做限定。
此外,需要说明的是,本公开所涉及的对象信息(包括但不限于对象设备信息、对象个人信息等),均为经过对象授权或者经过各方充分授权的信息。
为了便于理解,以下结合附图对本公开提供的任务处理方法进行具体介绍。
图1是根据一示例性实施例示出的一种内容推荐方法的流程图,该方法用于电子设备。如图1所示,内容推荐方法包括以下步骤:
S101:获取对象账户最近预设时间段内操作的多个媒体资源,并确定每个媒体资源对应的资源特征。
可选地,操作包括点赞、转发、关注作者、观看中一项或多项。例如,对象账户点赞媒体资源1、转发媒体资源1、观看媒体资源1或者关注发布媒体资源1的作者等,都是操作媒体资源1。
可选地,媒体资源包括图像资源、视频资源、文本资源等。本公开对媒体资源的表现形式不作限制。
可选地,媒体资源对应的资源特征包括媒体资源的特征向量。
在一种实施方式中,获取最近预设时间段内对象账户操作的多个媒体资源可以由电子设备执行。例如,电子设备按照预设时间间隔(例如,每隔一周)获取对象账户操作的多个媒体资源。其中,最近预设时间段内可以是与获取时间最近的30天内。在电子设备获取多个媒体资源后,可以由特征提取网络确定每个媒体资源对应的资源特征。
在另一种实施方式中,获取最近预设时间段内对象账户操作的多个媒体资源可以由预训练的递归神经网络获取。例如,预训练的递归神经网络按照预设时间间隔(例如,每隔一周)获取对象账户操作的多个媒体资源。其中,最近预设时间段内可以是与获取时间最近的30天内。在获取到多个媒体资源后,预训练的递归神经网络确定每个媒体资源对应的资源特征。
S102:根据多个媒体资源中每个媒体资源对应的资源特征,确定对象账户的对象特征。
在一种实施方式中,基于每个媒体资源的特征,预测对象账户在操作多个媒体资源后下一个操作的媒体资源对应的资源特征,并将该下一个操作媒体资源对应的资源特征确定为对象特征。
在另一种实施方式中,对多个媒体资源中每个媒体资源对应的资源特征进行特征融合,并将得到的融合特征确定为对象特征。其中,关于特征融合,可以通过早融合(Earlyfusion)或晚融合(Late fusion)方法,本公开对此不作限定。
S103:根据对象账户的对象特征,确定对象账户与待推荐媒体资源之间的匹配度,得到第一匹配度结果。
可选地,基于预训练的特征提取网络,确定待推荐媒体资源对应的资源特征。
在一种实施方式中,待推荐媒体资源对应的资源特征包括待推荐媒体资源的特征向量。
可选地,第一匹配度结果包括相似度值。
在一种实施方式中,电子设备计算对象账户的对象特征与待推荐媒体资源对应的资源特征的相似度值,并将该相似度值确定为第一匹配度结果。其中,相似度值可以是通过相似度算法得到,例如,余弦相似度算法。可以理解的,两个特征的相似度值越高,说明两个特征的匹配度越高。
S104:根据第一匹配度结果,从待推荐媒体资源中确定第一目标媒体资源,并向对象账户推荐第一目标媒体资源。
可选地,向对象账户推荐第一目标媒体资源,包括:向对象账户所在的客户端发送第一目标媒体资源,以供对象账户所在的客户端显示第一目标媒体资源。
在一种实施方式中,在待推荐媒体资源与对象账户的第一匹配度结果大于或等于预设阈值的情况下,将该待推荐媒体资源确定为第一目标媒体资源。
在另一种实施方式中,电子设备按照第一匹配度结果从大到小对待推荐媒体资源进行排序,得到一个序列,然后,将该序列的前预设数量的待推荐媒体资源确定为第一目标媒体资源。当然,该序列还可以按照第一匹配度结果从小到大对待推荐媒体资源进行排序,并将该序列的后预设数量的待推荐媒体资源确定为第一目标媒体资源。
上述实施例中,通过对象账户最近预设时间段内操作的媒体资源对应的资源特征,确定对象账户的对象特征,一方面,最近预设时间段内操作的媒体资源对应的资源特征能够很好的代表对象账户的兴趣,另一方面,对象账户的对象特征不再是一成不变的,而是动态变化的,从而使得对象特征能够准确的表达对象账户近期的兴趣,进而提高推送给对象账户的推荐内容(即第一目标媒体资源)的准确性,使得推荐内容能符合对象账户的兴趣,提高了对象账户的使用体验感。此外,由于对象特征是变化的动态特征,每次基于动态的对象特征确定对象账户的推荐内容,还能够提高推荐内容的多样性。
在一种可能的实施方式中,结合图1,如图2所示,S102包括以下步骤:
S102A:基于每个媒体资源对应的资源特征和每个媒体资源的操作时间信息,预测对象账户在操作多个媒体资源后下一个操作的媒体资源对应的目标资源特征。
在一种实施方式中,基于每个媒体资源的操作时间信息对每个媒体资源对应的资源特征进行聚合,预测对象账户在操作多个媒体资源后下一个操作的媒体资源对应的目标资源特征。
可选地,确定每个媒体资源对应的资源特征,包括:基于每个媒体资源的图像信息、文本信息和语音信息中的至少一项,确定每个媒体资源对应的资源特征。通过基于每个媒体资源的图像信息、文本信息和语音信息中的至少一项确定每个媒体资源对应的资源特征,使得每个媒体资源对应的资源特征更具有代表性,能够更加准确的表达每个媒体资源,进而使得最终得到对象特征,能够更加准确的表达对象账户的兴趣。
可选地,S102A包括:基于预训练的递归神经网络和每个媒体资源的操作时间信息对每个媒体资源对应的资源特征进行递归处理,得到目标资源特征。
可选地,递归神经网络包括长短期记忆(Long Short-Term Memory,LSTM)网络。
需要说明的,本公开涉及的递归处理是指基于神经网络实现的递归,如LSTM网络实现的递归处理。LSTM网络中可以包括多个循环单元,每个循环单元用于实现一步递归处理。
在一种实施方式中,预训练的递归神经网络按照预设时间间隔(例如,每隔一周)获取对象账户最近预设时间段内操作的多个媒体资源以及多个媒体资源中每个媒体资源的操作时间信息。然后,预训练的递归神经网络确定每个媒体资源对应的资源特征,并基于每个媒体资源的操作时间信息对每个媒体资源对应的资源特征进行递归处理,预测对象账户在操作多个媒体资源后下一个操作的媒体资源对应的目标资源特征。
需要说明的,递归神经网络还可以其他能够基于时间信息对特征向量进行递归处理的神经网络,例如,循环神经网络(Recurrent Neural Networks,RNN)。本公开对此不做限制。
在一种实施方式中,内容推荐方法还包括:根据训练样本对递归神经网络进行训练,得到预训练的递归神经网络。训练样本包括多个媒体资源样本和每个媒体资源样本的操作时间。进一步地,训练样本还包括历史结果样本,历史结果样本为操作多个媒体资源样本之后,对象账户下一个操作的媒体资源。
上述实施例中,通过预训练的递归神经网络进行对象账户在操作多个媒体资源后下一个操作的媒体资源对应的目标资源特征的预测,得到的对象特征更加鲁棒,并且简单、方便,效率高。
S102B:确定目标资源特征为对象账户的对象特征。
上述实施例中,通过预测对象账户在操作多个媒体资源后下一个操作的媒体资源对应的目标资源特征,并将目标资源特征确定为对象账户的对象特征,使得对象特征能够准确表达对象账户的喜好,从而基于对象账户的对象特征,从待推荐媒体资源中确定的第一目标媒体资源,对象账户欲操作内容的匹配度更高,进而提高推荐内容的准确性,提高对象账户的使用体验感。例如,预测目标资源特征表征的是美食类视频,将目标资源特征确定为对象特征,并确定对象特征与待推荐媒体资源对应的资源特征的匹配度,得到第一匹配度结果,显然,与对象特征的匹配度最高的必然是美食类的媒体资源,因此,将匹配度最高的美食类媒体资源确定为第一目标媒体资源,而美食类媒体资源正是对象账户接下来想看的内容,可见,推荐内容的准确性极高。
在一种可能的实施方式中,在待推荐媒体资源包括待推荐视频资源的情况下,结合图1,如图3所示,S103包括以下步骤:
S103A:基于待推荐视频资源的图像信息、文本信息和语音信息,以及预训练的特征提取网络,得到待推荐视频资源对应的资源特征。
在一种实施方式中,获取待推荐视频资源,例如,可以从数据库的内容池中获取待推荐视频资源。然后,对待推荐视频资源进行视频帧提取,获取预设帧数的视频帧,并将其确定为待推荐视频资源的图像信息。进一步地,获取待推荐视频资源的文本信息,例如,通过OCR文字识别软件识别待推荐视频资源中的文本信息,该文本信息包括待推荐视频资源中的字幕信息和/或弹幕信息。进一步地,获取待推荐视频资源的语音信息,例如,通过语音识别软件识别待推荐视频资源中的语音信息。
进一步地,将待推荐视频资源的图像信息、文本信息和语音信息,输入预训练的特征提取网络,得到预训练的特征提取网络输出的待推荐视频资源对应的资源特征。例如,预训练的特征提取网络可以是预训练的类别识别模型中的特征提取网络,预训练的类别识别模型可以基于特征提取网络提取的特征预测待推荐视频资源的类别。
可选地,内容推荐方法还包括:
步骤一:确定多个视频样本中每个视频样本的训练样本。训练样本包括每个视频样本的图像信息、文本信息和语音信息。
在一种实施方式中,获取多个视频样本,例如,可以从数据库的内容池中获取。针对每个视频样本,获取该视频样本中的图像信息、文本信息和语音信息,得到每个视频样本的训练样本。其中,图像信息、文本信息和语音信息获取方法可以采用如上描述的方法,此处不再赘述。
在一种实施方式中,语音信息可以通过文本形式进行表现,例如,存储为文本格式。
步骤二:基于每个视频样本的图像信息、文本信息和语音信息,训练初始特征提取网络,得到预训练的特征提取网络。
可选地,初始特征提取网络包括残差网络,例如,Resnet50网络。
在一种实施方式中,将每个视频样本的图像信息、文本信息和语音信息,输入到初始特征提取网络,对初始特征提取网络进行训练,从而得到预训练的特征提取网络。
在另一种实施实施方式中,将每个视频样本的图像信息、文本信息和语音信息输入到初始类别识别模型,训练初始类别识别模型基于每个视频样本的图像信息、文本信息和语音信息,预测每个视频样本的类别,从而得到预训练的类别识别模型。
需要说明的,预训练的类别识别模型至少包括特征提取网络和类别识别网络,特征提取网络用于基于每个视频样本的图像信息、文本信息和语音信息,确定每个视频样本的特征,类别识别网络用于基于每个视频样本的特征,预测每个视频样本的类别。其中,预训练的类别识别模型的特征提取网络,可以作为本公开中的预训练的特征提取网络。也就是说,利用预训练的类别识别模型中的特征提取网络输出待推荐媒体资源对应的资源特征。
上述实施例中,通过多模态信息训练特征提取网络,从而提高预训练的特征提取网络提取特征的能力,进而使得其提取的待推荐媒体资源的特征,更加鲁棒性,且更具有代表性,能够更好的表达待推荐媒体资源的内容。
可选地,训练样本还包括每个视频样本的类别标识,基于每个视频样本的图像信息、文本信息和语音信息,训练初始特征提取网络,得到预训练的特征提取网络,包括以下步骤:
步骤一:将每个视频样本的图像信息、文本信息和语音信息输入初始特征提取网络,得到每个视频样本的预测结果。
如图4所示,将每个视频样本的图像信息、文本信息和语音信息输入初始特征提取网络,例如,Resnet50网络,得到每个视频样本的预测结果。
步骤二:基于每个视频样本的预测结果和每个视频样本的类别标识确定损失函数值,更新特征提取网络的参数。
在一种实施方式中,基于每个视频样本的预测结果与每个视频样本的类别标识,计算损失函数值,例如,交叉熵损失值,并基于交叉熵损失值更新初始特征提取网络的参数,例如,学习率,得到更新后的初始特征提取网络。
步骤三:对更新后的初始特征提取网络迭代执行上述步骤一和步骤二,直至初始特征提取网络满足模型收敛条件,确定收敛的初始特征提取网络为预训练的特征提取网络。
在一种实施方式中,将步骤一的每个视频样本的图像信息、文本信息和语音信息输入到更新后的初始特征提取网络,并基于得到的每个视频样本的预测结果与每个视频样本的类别标识确定损失函数值,再次更新初始特征提取网络的参数。
在一种实施方式中,模型收敛条件包括对初始特征提取网络迭代执行上述步骤预设次数,或相邻两次迭代得到的损失函数值的差值小于或等于预设阈值。
在一种实施方式中,可以采用SGD优化算法使得初始特征提取网络收敛。
上述实施例中,通过多模态数据,例如图像信息、文本信息和语音信息,对深度神经网络进行训练,从而得到能够基于多模态数据确定特征的预训练的特征提取网络。
S103B:基于对象账户的对象特征与待推荐视频资源对应的资源特征,确定对象账户与待推荐媒体资源的匹配度,得到第一匹配度结果。
可选地,根据对象特征与待推荐媒体资源对应的资源特征的相似度值,确定对象账户与待推荐媒体资源的特征的匹配度,得到第一匹配度结果。可以理解的,两个特征的相似度值越高,说明两个特征的匹配度越高。
例如,如图5所示,先基于预训练的递归神经网络确定对象特征,例如,LSTM网络,再计算对象特征与待推荐媒体资源对应的资源特征的匹配度,得到第一匹配度结果。其中,媒体资源1对应的资源特征、……、媒体资源n对应的资源特征为对象账户最近预设时间段内操作的多个媒体资源对应的资源特征,n为大于1的正整数。
上述实施例中,通过图像信息、文本信息和语音信息三个模态的信息,确定待推荐视频资源对应的资源特征,能够使得待推荐视频资源对应的资源特征更具有代表性,从而能够更准确的表达待推荐视频资源内容,进而使得基于待推荐视频资源对应的资源特征与对象特征,确定的对象账户与待推荐媒体资源的匹配度,准确性更高,更符合对象账户的兴趣爱好。
可选地,在未获取到对象账户最近预设时间段内操作的多个媒体资源的情况下,内容推荐方法还包括:
步骤一:根据对象账户的对象画像信息,确定对象账户的初始对象特征。
可以理解的,首次使用应用程序的对象账户,由于其没有在应用程序上操作过任何媒体资源,因此,电子设备无法获取到该对象账户在最近预设时间段内操作的多个媒体资源。
在一种实施方式中,针对未操作任何媒体资源的对象账户,电子设备获取该对象账户的属性信息和兴趣爱好信息,其中,属性信息包括年龄、性别、学历等信息,以构建该对象账户的对象画像信息,并根据对象画像信息,确定该对象账户的初始对象特征。例如,将对象画像信息输入特征提取模型,进行特征提取,得到对象账户的初始对象特征。
步骤二:基于对象账户的初始对象特征,确定对象账户与待推荐媒体资源之间的匹配度,得到第二匹配度结果。
可选地,第二匹配度结果包括相似度值。
在一种实施方式中,电子设备计算初始对象特征和每个待推荐媒体资源对应的资源特征的相似度值,例如,通过余弦相似度算法得到的余弦相似度值,并将该相似度值确定为第二匹配度结果。
步骤三:根据第二匹配度结果,从待推荐媒体资源中确定第二目标媒体资源,并向对象账户推荐第二目标媒体资源。
在一种实施方式张,电子设备按照第二匹配度结果从大到小的顺序对待推荐媒体资源进行排序,得到一个序列,然后,将该序列的前预设数量的待推荐媒体资源,确定为第二目标媒体资源。当然,该序列还可以时按照第二匹配度结果从小达到的顺序对待推荐媒体进行排序,得到一个序列,并将该序列中后预设数量的待推荐资源确定为第二目标媒体资源。在另一种实施方式中,电子设备将余弦相似度值大于或等于预设阈值的待推荐媒体资源,确定为第二目标媒体资源。
上述实施例中,对于未获取到最近预设时间段内操作的多个媒体资源的对象账户,通常为新注册的对象账户,由于该部分的对象账户的对象画像信息是基于对象账户最近时间段内的信息确定的,此时的对象画像信息与对象账户的喜好的相关性比较高,因此,基于对象画像信息确定的初始对象特征,能够准确的表达对象账户的喜好,从而使得基于初始对象特征得到的第二目标媒体资源,更加能够被对象账户所接受,推荐内容的准确性更高,此外,还能够避免由于未获取到操作的媒体资源而无法为对象账户推荐内容的问题。
在一种可能的实施方式中,S103包括:
步骤一:基于对象账户的对象画像信息,确定对象账户的初始对象特征。
可选地,电子设备获取该对象账户的属性信息和兴趣爱好信息,其中,属性信息包括年龄、性别、学历等信息,以构建该对象账户的对象画像信息。
在一种实施方式中,将对象账户的对象画像信息输入特征提取模型,得到对象画像信息对应的特征向量,然后,将对象画像信息对应的特征向量确定为对象账户的初始对象特征。
步骤二:根据多个媒体资源中每个媒体资源对应的资源特征和对象账户的初始对象特征,确定对象账户的对象特征。
可选地,电子设备根据每个媒体资源对应的特征资源和初始对象特征,确定对象账户的初始对象特征。
在一种实施方式中,电子设备基于初始对象特征对每个媒体资源对应的资源特征进行筛选,剔除掉与初始对象特征相似度小于或等于预设阈值的媒体资源,并基于多个媒体资源中剩余媒体资源对应的资源特征,确定对象账户的对象特征。
例如,可以是基于剩余媒体资源对应的资源特征,确定剩余媒体资源所属的类别,并基于包含媒体资源数量最多的类别,确定对象账户的对象特征。或者,还可以对剩余媒体资源对应的资源特征进行特征融合,将特征融合后得到的特征向量,确定为对象账户的对象特征。
在另一种实施方式中,电子设备基于初始对象特征对每个媒体资源对应的资源特征进行筛选,剔除掉与初始对象特相似度小于或等于预设阈值的媒体资源对应的资源特征,并基于剩余的媒体资源对应的资源特征及其媒体资源操作的时间信息预测对象账户在操作多个媒体资源后下一个操作的媒体资源对应的资源特征,并将该资源特征确定为对象账户的对象特征。
在另一种实施方式中,电子设备对初始对象特征和每个媒体资源对应的资源特征进行特征融合,得到对象账户的对象特征,使得对象账户的对象特征既能表征已操作媒体资源的特征,又能表征对象账户的基本属性,从而使得对象账户的对象特征能够更加准确的表达对象账户的喜好,进而提高基于对象账户的对象特征确定的目标媒体资源的准确性。
上述实施例中,通过每个媒体资源对应的资源特征和对象画像信息确定的初始对象特征,确定对象账户的对象特征,从而基于初始对象特征对最近预设时间段内操作的媒体资源进行筛选,剔除掉与初始对象特征相似度比较低的媒体资源,再基于剩余的媒体资源确定对象账户的对象特征,从而提高最终得到对象账户的对象特征的表达能力,使得对象账户对象特征能够更加准确的表达对象账户的喜好,进而提高基于对象账户的对象特征确定的目标媒体资源的准确性。
上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本公开实施例还提供一种内容推荐装置。
图6是根据一示例性实施例示出的一种内容推荐装置框图。参照图6,该内容推荐装置600包括获取模块601、确定模块602和推荐模块603。
获取模块601,被配置为执行获取对象账户最近预设时间段内操作的多个媒体资源,并确定每个媒体资源对应的资源特征。例如,结合图1,获取模块601可以用于执行S101。
确定模块602,被配置为执行根据多个媒体资源中每个媒体资源对应的资源特征,确定对象账户的对象特征。例如,结合图1,确定模块602可以用于执行S102。
确定模块602,还被配置为执行根据对象账户的对象特征,确定对象账户与待推荐媒体资源之间的匹配度,得到第一匹配度结果。例如,结合图1,推荐模块603可以用于执行S103。
推荐模块603,被配置为执行根据第一匹配度结果,从待推荐媒体资源中确定第一目标媒体资源,并向对象账户推荐第一目标媒体资源。例如,结合图1,推荐模块603可以用于执行S104。
在一种可能的实施方式中,确定模块602具体被配置为执行:基于每个媒体资源对应的资源特征和每个媒体资源的操作时间信息,预测对象账户在操作多个媒体资源后下一个操作的媒体资源对应的目标资源特征;确定目标资源特征为对象账户的对象特征。
另一种可能的实施方式中,确定模块602具体被配置为执行:基于每个媒体资源的图像信息、文本信息和语音信息中的至少一项,确定每个媒体资源对应的资源特征。
另一种可能的实施方式中,确定模块602具体被配置为执行:基于预训练的递归神经网络和每个媒体资源的操作时间信息对每个媒体资源对应的资源特征进行递归处理,得到目标资源特征。
另一种可能的实施方式中,推荐模块603具体被配置为执行:在待推荐媒体资源包括待推荐视频资源的情况下,基于待推荐视频资源的图像信息、文本信息和语音信息,以及预训练的特征提取网络,得到待推荐视频资源对应的资源特征;基于对象账户的对象特征与待推荐视频资源对应的资源特征,确定对象账户与待推荐媒体资源的匹配度,得到第一匹配度结果。
另一种可能的实施方式中,装置还包括训练模块,被配置为执行:确定多个视频样本中每个视频样本的训练样本;训练样本包括每个视频样本的图像信息、文本信息和语音信息;基于每个视频样本的图像信息、文本信息和语音信息,训练特征提取网络,得到预训练的特征提取网络。
另一种可能的实施方式中,训练样本还包括每个视频样本的类别标识,训练模块具体被配置为执行:将每个视频样本的图像信息、文本信息和语音信息输入初始特征提取网络,得到每个视频样本的预测结果;基于每个视频样本的预测结果和每个视频样本的类别标识确定损失函数值,并基于损失函数值更新初始特征提取网络的参数;对更新后的初始特征提取网络迭代执行上述步骤,直至初始特征提取网络满足模型收敛条件,确定收敛后的初始特征提取网络为预训练的特征提取网络。
另一种可能的实施方式中,确定模块602还被配置为执行:在未获取到对象账户最近预设时间段内操作的多个媒体资源的情况下,根据对象账户的对象画像信息,确定对象账户的初始对象特征;基于对象账户的初始对象特征,确定对象账户与待推荐媒体资源之间的匹配度,得到第二匹配度结果;根据第二匹配度结果,从待推荐媒体资源中确定第二目标媒体资源,并向对象账户推荐第二目标媒体资源。
另一种可能的实施方式中,确定模块602还被配置为执行:基于对象账户的对象画像信息,确定对象账户的初始对象特征;根据多个媒体资源中每个媒体资源对应的资源特征和对象账户的初始对象特征,确定对象账户的对象特征。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该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7是根据一示例性实施例示出的一种电子设备的框图。如图7所示,电子设备700包括但不限于:处理器701和存储器702。
其中,上述的存储器702,用于存储上述处理器701的可执行指令。可以理解的是,上述处理器701被配置为执行指令,以实现上述实施例图1-图3中任一项所示的内容推荐方法。
需要说明的是,本领域技术人员可以理解,图7中示出的电子设备结构并不构成对电子设备的限定,电子设备可以包括比图7所示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
处理器701是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器702内的软件程序和/或模块,以及调用存储在存储器702内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。处理器701可包括一个或多个处理单元;可选的,处理器701可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器701中。
存储器702可用于存储软件程序以及各种数据。存储器702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***、至少一个功能模块所需的应用程序(比如获取模块、确定模块或推荐模块等)等。此外,存储器702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。
在示例性实施例中,本公开实施例还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器702,上述指令可由电子设备700的处理器701执行以完成上述实施例图1-图3中任一项所示的内容推荐方法。
在实际实现时,获取模块601,确定模块602和推荐模块603的处理功能可以由图6所示的处理器701调用存储器702中的程序代码来实现。其具体的执行过程可参考图1至图3任一所示的内推推荐方法部分的描述,这里不再赘述。
可选地,计算机可读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是只读存储器(Read-Only Memory,ROM)、随机存储存储器(Random Access Memory,RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,本公开实施例还提供了一种包括一条或多条指令的计算机程序产品,该一条或多条指令可以由电子设备700的处理器701执行以完成上述实施例图1-图3中任一项所示的内容推荐方法。
需要说明的是,上述计算机可读存储介质中的指令或计算机程序产品中的一条或多条指令被电子设备700的处理器701执行时实现上述任务处理方法实施例的各个过程,且能达到与上述实施例图1-图3中任一项所示的内容推荐方法相同的技术效果,为避免重复,这里不再赘述。
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。本申请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)
1.一种内容推荐方法,其特征在于,包括:
获取对象账户最近预设时间段内操作的多个媒体资源,并确定每个所述媒体资源对应的资源特征;
根据所述多个媒体资源中每个媒体资源对应的资源特征,确定所述对象账户的对象特征;
根据所述对象账户的对象特征,确定所述对象账户与待推荐媒体资源之间的匹配度,得到第一匹配度结果;
根据所述第一匹配度结果,从所述待推荐媒体资源中确定第一目标媒体资源,并向所述对象账户推荐所述第一目标媒体资源。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多个媒体资源中每个媒体资源对应的资源特征,确定所述对象账户的对象特征,包括:
基于所述每个媒体资源对应的资源特征和所述每个媒体资源的操作时间信息,预测所述对象账户在操作所述多个媒体资源后下一个操作的媒体资源对应的目标资源特征;
确定所述目标资源特征为所述对象账户的对象特征。
3.根据权利要求2所述的方法,其特征在于,所述确定每个所述媒体资源对应的资源特征,包括:
基于所述每个媒体资源的图像信息、文本信息和语音信息中的至少一项,确定所述每个媒体资源对应的资源特征。
4.根据权利要求2所述的方法,其特征在于,所述基于所述每个媒体资源对应的资源特征和所述每个媒体资源的操作时间信息,预测所述对象账户在操作所述多个媒体资源后下一个操作的媒体资源对应的目标资源特征,包括:
基于预训练的递归神经网络和所述每个媒体资源的操作时间信息对所述每个媒体资源对应的资源特征进行递归处理,得到所述目标资源特征。
5.根据权利要求1所述的方法,其特征在于,在所述待推荐媒体资源包括待推荐视频资源的情况下,所述根据所述对象账户的对象特征,确定所述对象账户与待推荐媒体资源的匹配度,得到第一匹配度结果包括:
基于所述待推荐视频资源的图像信息、文本信息和语音信息,以及预训练的特征提取网络,得到所述待推荐视频资源对应的资源特征;
基于所述对象账户的对象特征与所述待推荐视频资源对应的资源特征,确定所述对象账户与所述待推荐媒体资源的匹配度,得到第一匹配度结果。
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:
确定多个视频样本中每个视频样本的训练样本;所述训练样本包括所述每个视频样本的图像信息、文本信息和语音信息;
基于所述每个视频样本的图像信息、文本信息和语音信息,训练初始特征提取网络,得到所述预训练的特征提取网络。
7.一种内容推荐装置,其特征在于,包括:
获取模块,被配置为执行获取对象账户最近预设时间段内操作的多个媒体资源,并确定每个所述媒体资源对应的资源特征;
确定模块,被配置为执行根据所述多个媒体资源中每个媒体资源对应的资源特征,确定所述对象账户的对象特征;
所述确定模块,还被配置为执行根据所述对象账户的对象特征,确定所述对象账户与待推荐媒体资源之间的匹配度,得到第一匹配度结果;
推荐模块,被配置为执行根据所述第一匹配度结果,从所述待推荐媒体资源中确定第一目标媒体资源,并向所述对象账户推荐所述第一目标媒体资源。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至6中任一项所述的内容推荐方法。
9.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至6中任一项所述的内容推荐方法。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机指令,当所述计算机指令在电子设备上运行时,使得所述电子设备执行如权利要求1至6中任一项所述的内容推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111591821.3A CN114328995A (zh) | 2021-12-23 | 2021-12-23 | 内容推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111591821.3A CN114328995A (zh) | 2021-12-23 | 2021-12-23 | 内容推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114328995A true CN114328995A (zh) | 2022-04-12 |
Family
ID=81055054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111591821.3A Pending CN114328995A (zh) | 2021-12-23 | 2021-12-23 | 内容推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114328995A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676341A (zh) * | 2022-04-14 | 2022-06-28 | 杭州网易云音乐科技有限公司 | 推荐对象的确定方法、介质、装置和计算设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389168A (zh) * | 2018-09-29 | 2019-02-26 | 国信优易数据有限公司 | 项目推荐模型训练方法、项目推荐方法以及装置 |
CN111666922A (zh) * | 2020-07-02 | 2020-09-15 | 上海眼控科技股份有限公司 | 视频匹配方法、装置、计算机设备和存储介质 |
CN112148899A (zh) * | 2020-10-15 | 2020-12-29 | 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 |
-
2021
- 2021-12-23 CN CN202111591821.3A patent/CN114328995A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389168A (zh) * | 2018-09-29 | 2019-02-26 | 国信优易数据有限公司 | 项目推荐模型训练方法、项目推荐方法以及装置 |
CN111666922A (zh) * | 2020-07-02 | 2020-09-15 | 上海眼控科技股份有限公司 | 视频匹配方法、装置、计算机设备和存储介质 |
CN112148899A (zh) * | 2020-10-15 | 2020-12-29 | 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 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676341A (zh) * | 2022-04-14 | 2022-06-28 | 杭州网易云音乐科技有限公司 | 推荐对象的确定方法、介质、装置和计算设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10824874B2 (en) | Method and apparatus for processing video | |
US11941527B2 (en) | Population based training of neural networks | |
CN110766142A (zh) | 模型生成方法和装置 | |
CN107463701B (zh) | 基于人工智能推送信息流的方法和装置 | |
EP3893125A1 (en) | Method and apparatus for searching video segment, device, medium and computer program product | |
CN106407381B (zh) | 一种基于人工智能的推送信息的方法和装置 | |
CN110597965B (zh) | 文章的情感极性分析方法、装置、电子设备及存储介质 | |
CN110046571B (zh) | 用于识别年龄的方法和装置 | |
CN113792212B (zh) | 多媒体资源推荐方法、装置、设备以及存储介质 | |
CN114492601A (zh) | 资源分类模型的训练方法、装置、电子设备及存储介质 | |
CN111144567A (zh) | 神经网络模型的训练方法及装置 | |
CN116756576B (zh) | 数据处理方法、模型训练方法、电子设备及存储介质 | |
CN114328995A (zh) | 内容推荐方法、装置、设备及存储介质 | |
CN112269943B (zh) | 一种信息推荐***及方法 | |
CN117493505A (zh) | 智能问答方法、装置、设备和存储介质 | |
CN117235371A (zh) | 视频推荐方法、模型训练方法及装置 | |
CN116956183A (zh) | 多媒体资源推荐方法、模型训练方法、装置及存储介质 | |
CN114491093B (zh) | 多媒体资源推荐、对象表征网络的生成方法及装置 | |
CN112269942B (zh) | 一种推荐对象的方法、装置、***及电子设备 | |
US9753745B1 (en) | System and method for system function-flow optimization utilizing application programming interface (API) profiling | |
CN114357242A (zh) | 基于召回模型的训练评估方法及装置、设备、存储介质 | |
CN113742593A (zh) | 用于推送信息的方法和装置 | |
EP3683733A1 (en) | A method, an apparatus and a computer program product for neural networks | |
CN115186096A (zh) | 针对特定类型分词的识别方法、装置、介质及电子设备 | |
CN113297417A (zh) | 视频推送方法、装置、电子设备和存储介质 |
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 |