CN117520638A - 媒体内容的推送方法、装置、设备和介质 - Google Patents

媒体内容的推送方法、装置、设备和介质 Download PDF

Info

Publication number
CN117520638A
CN117520638A CN202210906348.1A CN202210906348A CN117520638A CN 117520638 A CN117520638 A CN 117520638A CN 202210906348 A CN202210906348 A CN 202210906348A CN 117520638 A CN117520638 A CN 117520638A
Authority
CN
China
Prior art keywords
probability
media content
initial
matching
preset
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210906348.1A
Other languages
English (en)
Inventor
石志林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202210906348.1A priority Critical patent/CN117520638A/zh
Publication of CN117520638A publication Critical patent/CN117520638A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了媒体内容的推送方法、装置、设备和介质，涉及互联网技术领域，具体涉及多媒体技术领域。该方法包括：将获取的目标对象的对象信息以及候选媒体内容的内容信息分别输入匹配模型和概率预估模型，得到目标对象与候选媒体内容的匹配值和目标对象进行预设操作的初始概率；预设操作为目标对象对候选媒体内容表达感兴趣程度的操作；并基于对初始概率与匹配值进行融合处理得到的预设操作的融合概率对预设操作的初始概率进行注意力分配处理，得到预设操作的目标概率；对目标概率和匹配值进行融合处理确定目标对象对候选媒体内容的感兴趣分数，若感兴趣分数大于预设阈值，向目标对象推送候选媒体内容。能够减少网络平台资源的开销和浪费。

Description

媒体内容的推送方法、装置、设备和介质
技术领域
本申请一般涉及互联网技术领域，具体涉及多媒体技术领域，尤其涉及一种媒体内容的推送方法、装置、设备和介质。
背景技术
随着互联网技术的发展和普及，网络中的媒体内容也呈现了海量的增长。有针对性地向对象推送其可能感兴趣的媒体内容，已成为很多网络平台重点关注的业务之一。而在为对象推送媒体内容之前，若能提前感知对象对媒体内容的感兴趣程度，则可以实现针对性地媒体内容推送。
现有技术中，将需要预测的对象和媒体内容的相关信息输入至预测模型来预测对象对该媒体内容进行相关操作的概率(如点击率)，进而基于该概率评价对象对媒体内容的感兴趣程度，并进行媒体内容的推送。由于媒体内容的多样性和复杂性，使得媒体内容的相关信息存在稀疏性问题，导致预测的概率准确性较低，使得基于预测的概率进行媒体内容推送，容易产生无效推送，造成了网络平台的资源浪费。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种媒体内容的推送方法、装置、设备和介质，能够提高媒体内容推送的有效性，从而减少网络平台资源的开销和浪费。
第一方面，本申请提供了一种媒体内容的推送方法，该方法包括：获取目标对象的对象信息以及候选媒体内容的内容信息，将对象信息以及内容信息输入至匹配模型中，得到目标对象与候选媒体内容的匹配值；匹配值用于表征目标对象与候选媒体内容之间的匹配程度；将对象信息以及内容信息输入概率预估模型中，得到目标对象进行预设操作的初始概率；预设操作为目标对象对候选媒体内容表达感兴趣程度的操作；对初始概率与匹配值进行融合处理，得到预设操作的融合概率，并基于预设操作的融合概率对预设操作的初始概率进行注意力分配处理，得到预设操作的目标概率；对目标概率和匹配值进行融合处理，确定目标对象对候选媒体内容的感兴趣分数，并在感兴趣分数大于预设阈值的情况下，向目标对象推送候选媒体内容。
第二方面，本申请提供了一种媒体内容的推送装置，该媒体内容的推送装置包括：获取模块，用于获取目标对象的对象信息以及候选媒体内容的内容信息；匹配模块，用于将对象信息以及内容信息输入至匹配模型中，得到目标对象与候选媒体内容的匹配值；匹配值用于表征目标对象与候选媒体内容之间的匹配程度；概率预估模块，用于将对象信息以及内容信息输入概率预估模型中，得到目标对象进行预设操作的初始概率；预设操作为目标对象对候选媒体内容表达感兴趣程度的操作；第一预测模块，用于对初始概率与匹配值进行融合处理，得到预设操作的融合概率，并基于预设操作的融合概率对预设操作的初始概率进行注意力分配处理，得到预设操作的目标概率；第二预测模块，用于对目标概率和匹配值进行融合处理，确定目标对象对候选媒体内容的感兴趣分数，并在感兴趣分数大于预设阈值的情况下，向目标对象推送候选媒体内容。
在其中的一个实施例中，匹配值包括匹配分数和匹配概率，匹配模块，具体用于，
将对象信息以及内容信息输入至匹配模型中，对对象信息以及内容信息分别进行特征转换处理，得到对象特征和内容特征。
对对象特征进行特征压缩处理得到第一转换特征，对内容特征进行特征压缩处理得到第二转换特征。
确定第一转换特征与第二转换特征的相似度，并基于相似度确定匹配分数。
对匹配分数进行特征压缩和归一化处理得到匹配概率。
在其中的一个实施例中，预设操作包括第一操作、第二操作以及第三操作；第一操作为第二操作的前序操作；第二操作为第三操作的前序操作，第一操作、第二操作以及第三操作所表征的感兴趣程度由低至高。
在其中的一个实施例中，概率预估模块，具体用于，
将对象信息以及内容信息输入概率预估模型中，得到第一操作的初始概率，第二操作的源概率以及第三操作的源概率。
根据第一操作的初始概率和第二操作的源概率，得到第二操作的初始概率。
根据第二操作的初始概率和第三操作的源概率，得到第三操作的初始概率。
在其中的一个实施例中，概率预估模块，具体用于对第一操作的初始概率和第二操作的源概率进行融合处理，得到第二操作的初始概率。
在其中的一个实施例中，概率预估模块，具体用于对第二操作的初始概率和第三操作的源概率进行融合处理，得到第三操作的初始概率。
在其中的一个实施例中，第一预测模块，具体用于，
将匹配概率与第一操作的初始概率进行融合处理，得到第一操作的融合概率。
将匹配概率与第二操作的初始概率进行融合处理，得到第二操作的融合概率。
将匹配概率与第三操作的初始概率进行融合处理，得到第三操作的融合概率。
在其中的一个实施例中，概率预估模块，具体用于，
将对象信息以及内容信息输入概率预估模型中，对对象信息以及内容信息分别进行特征转换处理，得到对象特征和内容特征。
对对象特征以及内容特征进行拼接操作，得到第一拼接特征。
根据第一拼接特征，确定预设操作的初始权重。
将预设操作的初始权重与第一拼接特征进行特征融合，得到预设操作的融合特征。
根据预设操作的融合特征，得到预设操作的初始概率。
在其中的一个实施例中，概率预估模块，具体用于，
根据第一拼接特征，对预设操作进行权重分配处理，得到预设操作的至少一个权重分配结果。
对至少一个权重分配结果进行融合处理，得到预设操作的初始权重。
在其中的一个实施例中，获取模块，还用于获取训练样本，训练样本包括多个对象的对象信息、多个媒体内容的内容信息以及各对象与各媒体内容的真实匹配值。
匹配模块，用于将训练样本输入初始匹配模型，获得各对象与各媒体内容的预测匹配值。
匹配模块，还用于根据真实匹配值和预测匹配值的第一损失，迭代训练初始匹配模型，直至第一损失收敛得到匹配模型。
在其中的一个实施例中，概率预估模块，还用于将训练样本输入初始概率预估模型，得到训练样本预测的初始概率。
第一预测模块，用于根据预测的初始概率和预测匹配值，得到各对象对各媒体内容进行预设操作的预测的目标概率。
第一预测模块，还用于根据预测的目标概率和真实的目标概率之间的第二损失，迭代训练初始匹配模型和初始概率预估模型，直至第二损失收敛得到匹配模型以及概率预估模型。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如本申请实施例描述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例描述的方法。
第五方面，本申请实施例提供一种计算机程序产品，该计算机程序产品包括指令，当该指令被运行时，使得如本申请实施例描述的方法被执行。
本申请提出的媒体内容的推送方法、装置、设备和介质，通过将对象与媒体内容的匹配程度结合对象对媒体内容进行预设操作的初始概率的方式，确定对象对媒体内容进行预设操作的目标概率，来解决现有技术由于媒体内容的相关信息存在稀疏性，导致预测概率的准确性较低，从而影响感兴趣程度的评价结果的问题。具体的，将获取的目标对象的对象信息以及候选媒体内容的内容信息分别输入至匹配模型和概率预估模型中，以便通过匹配模型得到用来表征目标对象与候选媒体内容的匹配程度的匹配值，以及通过概率预估模型得到目标对象进行预设操作的初始概率，其中，预设操作为目标对象对候选媒体内容表达感兴趣程度的操作。进而，对初始概率与匹配值进行融合处理，得到预设操作的融合概率，并基于预设操作的融合概率对预设操作的初始概率进行注意力分配处理，得到预设操作的目标概率。这样，将目标对象与候选媒体内容的匹配值融入对象对媒体内容进行相关操作的最终概率的预测过程中，提高了参数的多样性，能够有效解决由于媒体内容的相关信息的稀疏性，导致的概率预测的准确性较低的问题，进而提高了对感兴趣程度的评价结果的准确性。
另外，考虑到现有技术中仅用相关操作的概率来评价对象对媒体内容的感兴趣程度存在评价元素过于单一的问题，可能会造成感兴趣程度与实际相差较大，导致媒体内容的推送效果差强人意。因此，本申请通过对目标概率以及匹配值进行融合处理的方式结合起来，综合确定出对象对候选媒体内容的感兴趣分数，通过上述方式得到的感兴趣分数更能代表目标对象对候选媒体内容实际的感兴趣程度。在此基础上，基于感兴趣分数向目标对象推送候选媒体内容，能够筛选出更符合对象兴趣的媒体内容，提高个性化推送的精准度，并有效的利用了网络平台的推送资源，减少了推送资源的开销和浪费。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本申请实施例提供的一种媒体内容的推送***的结构示意图；
图2为本申请实施例提供的一种媒体内容的推送方法的流程示意图；
图3为本申请实施例提供的一种目标概率预测模型的结构示意图；
图4为本申请实施例提供的一种匹配模型的结构示意图；
图5为本申请实施例提供的一种概率预估模型的结构示意图；
图6为本申请实施例提供的另一种概率预估模型的结构示意图；
图7为本申请实施例提供的一种融合概率获取示意图；
图8为本申请实施例提供的一种初始概率获取的流程示意图；
图9为本申请实施例提供的另一种概率预估模型的结构示意图；
图10为本申请实施例提供的一种匹配模型的训练示意图；
图11为本申请实施例提供的一种匹配模型和概率预估模型的训练示意图；
图12为本申请实施例提供的另一种匹配模型和概率预估模型的训练示意图；
图13为本申请实施例提供的一种媒体内容的推送装置的结构示意图；
图14为本申请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
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
以下，对本申请实施例中涉及的术语进行解释：
1、媒体内容的曝光
媒体内容的曝光是指对象观看了媒体内容。
2、媒体内容的点击操作
媒体内容的点击操作是指对象对曝光的媒体内容的点击操作。
3、媒体内容的浅层转化操作
媒体内容的浅层转化操作是指对象点击媒体内容中包含的物品或者链接之后，跳转到相应的页面，并进行相应的操作，该操作包括:应用程序下载、应用程序激活以及表单注册等。
4、媒体内容的深层转化操作
媒体内容的深层转化操作是指对象点击媒体内容中包含的物品或者链接之后，跳转到相应页面，并进行相应的操作，该操作包括：付费、下载应用程序并实现应用程序次日存留等。其中，媒体内容的深层转化操作为该媒体内容的浅层转化操作的后续操作。
为了能更好向对象推送的媒体内容，可以通过提前感知对象对媒体内容的感兴趣程度来实现，现有技术是通过收集一些对象信息、媒体内容以及相关操作的信息作为训练数据，来训练预测模型；将需要预测的对象和媒体内容的相关信息输入至预测模型来预测对象对该媒体内容进行相关操作的概率(如点击率)，进而基于该概率评价对象对媒体内容的感兴趣程度，并进行媒体内容的推送。由于媒体内容的多样性和复杂性，使得媒体内容的相关信息存在稀疏性问题，导致预测的概率准确性较低，使得基于预测的概率进行媒体内容推送，容易产生无效推送，造成了网络平台的资源浪费。
基于此，本申请实施例提供一种媒体内容的推送方法、装置、设备和介质，能够将对象与候选媒体内容的匹配值融入对象对媒体内容进行相关操作的最终概率的预测过程中，丰富了模型的训练数据以及预测数据，从而有效的缓解了媒体内容的相关信息的稀疏性问题，提高了对预设操作的最终概率预测的准确性。并且，在基于相关操作的最终概率的基础上，结合对象与候选媒体内容的匹配值来综合确定对象对相关操作的感兴趣分数。这样，基于感兴趣分数向目标对象推送候选媒体内容，能够筛选出更符合对象兴趣的媒体内容，提高个性化推送的精准度，并有效的利用了网络平台的推送资源，减少了推送资源的开销和浪费。
图1为本申请实施例提供的一种媒体内容的推送***的结构示意图。本申请实施例所提供的媒体内容的推送方法可应用于该媒体内容的推送***100。参考图1，该媒体内容的推送***100包括一个或多个用户设备101以及服务器102。
其中，用户设备101可以是包括但不限于个人计算、平台电脑、智能手机、车载终端等设备，本申请实施例对此不作限定。需要说明的是，尽管图1仅描绘了一个用户设备101，但是本领域技术人员将能够理解，本申请可以支持任何数量的用户设备。
服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，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、内容分发网络(content delivery network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
在一种实现方式中，用户设备101和服务器102均可单独用于执行本申请实施例中提供的媒体内容的推送方法。
例如，服务器102或用户设备101获取训练样本，基于获取的训练样本对初始匹配模型以及初始概率预估模型进行训练，得到匹配模型以及概率预估模型。之后，服务器102或用户设备101获取目标对象的对象信息以及候选媒体内容的内容信息，并通过匹配模型以及概率预估模型确定目标对象对候选媒体内容进行预设操作的目标概率；进而基于目标概率以及匹配值，确定目标对象对候选媒体内容的感兴趣分数，并基于感兴趣分数与预设阈值的比较结果，确定是否向目标对象推送候选媒体内容。
在本申请实施例中，对于目标对象的对象信息的获取之前需要先征得目标对象的同意或许可，并且也需要符合法律法规和相关的规则标准。
下面将结合图1，以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。以下具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
如图2所示，本申请实施例提供一种媒体内容的推送方法，该方法可应用于图1所示的用户设备101和/或服务器102，该方法具体包括以下步骤：
201、获取目标对象的对象信息以及候选媒体内容的内容信息，将对象信息以及内容信息输入至匹配模型中，得到目标对象与候选媒体内容的匹配值；匹配值用于表征目标对象与候选媒体内容之间的匹配程度。
可选的，对象信息可以包括但不限于：基础属性信息、行为兴趣信息。其中，基础属性信息用于描述目标对象的基本情况和本质属性；例如，描述对象的性别、年龄等。行为兴趣信息可以包括但不限于以下的一项或多项：消费等级以及对象上下文信息，其中，对于任一作为待推送对象(即目标对象)来说，该对象上下文信息可以包括但不限于对象访问历史媒体内容的时间上下文信息、地点上下文信息、心情上下文信息等，对于提高推送的准确性是非常重要的；其中，通过对象访问历史媒体内容的时间上下文信息，能够体现出对象的近期和长期行为，进而反映出对象近期行为所体现的兴趣变化，以便保证媒体内容的评价过程中对对象兴趣预测的延续性。而内容信息可以包括但不限于：媒体内容的标识、媒体内容的主标识、媒体内容的类目、媒体内容的文本语义信息、媒体内容的图像信息等、对象请求的上下文特征。
示例性的，对应到上述***中，服务器可以面向对象提供一个互联网平台，对象可以通过用户设备浏览互联网平台提供的各种媒体内容。那么，这里媒体内容可以是服务器通过互联网平台提供的各种形式的媒体内容，例如，可以是广告；广告可以是商品类广告或服务类广告等。
在一种可能的实现方式中，获取目标对象的对象信息以及候选媒体内容的内容信息后，对对象信息以及内容信息进行特征转换处理，得到对象特征以及内容特征，之后，将对象特征以及内容特征输入至匹配模型中，得到目标对象与候选媒体内容的匹配值。
可选的，对对象信息以及内容信息进行特征转换处理具体可以包括：对对象信息以及内容信息进行编码处理，得到对象特征以及内容特征。其中，编码处理可以是独热One-Hot编码。
进一步的，由于通过One-Hot编码获得的对象特征以及内容特征中可能存在高维度特征，尤其是针对对象信息和内容信息中的标识类信息在One-Hot编码后的特征维度很高，且高维度的特征不便于后续处理；因此，可以在One-Hot编码后将高维度特征转换为低维度特征。
可选的，对对象信息以及内容信息进行编码处理具体可以包括：利用独热One-Hot编码对对象信息以及内容信息进行编码处理，根据编码结果得到对象初始特征以及内容初始特征；对对象初始特征以及内容初始特征进行特征映射处理，以对特征维度进行压缩，得到对象特征以及内容特征。
在一种可能的实施方式中，可以基于嵌入(embedding)层，对对象初始特征以及内容初始特征进行特征映射处理，将该对象初始特征以及内容初始特征均转换为低维度特征。具体的，以内容初始特征为例，将该内容初始特征输入到哈希函数中，获得哈希函数输出的结果，将该结果作为关键字(key)，在embedding table(查询表)中查询该关键字所对应的值(value)，并输出该值所对应的低维度特征，并将该低维度特征作为内容特征。这样，便完成了将内容初始特征的特征映射处理。针对对象初始特征的特征映射处理可参考上述的内容初始特征的特征映射处理过程，此处不再赘述。
需要说明的是，在训练匹配模型时，将匹配模型嵌入层输出的低维特征作为值(value)，存储在查询表中，便于后续直接将高维度特征转换为低维度特征。具体的，在训练生成匹配模型前，可以先初始化该查询表中的所有存储的特征，后续在模型训练过程中，基于反向梯度更新该查询表中特征，其中，模型训练的次数越多，高维特征转换为低维特征的准确度越高。
可以理解的是，匹配模型是用于确定对象与候选媒体内容的匹配程度的神经网络模型。将对象特征以及内容特征输入匹配模型后，匹配模型可以分别对对象特征以及内容特征中的不同维度进行非线***叉处理，以便能够分别获取到对象特征以及内容特征中更多的非线性特征和组合特征的信息，得到对象特征对应的第一转换特征以及内容特征对应的第二转换特征。之后，基于第一转换特征以及第二转换特征，确定对象与候选媒体内容的匹配值。
202、将对象信息以及内容信息输入概率预估模型中，得到目标对象进行预设操作的初始概率。
其中，预设操作为目标对象对候选媒体内容表达感兴趣程度的操作。进一步的，预设操作包括点击操作和转化操作中的至少一个；其中，点击操作和转化操作所表征的目标对象对候选媒体内容的感兴趣程度不同。转化操作是针对点击操作之后对媒体内容的进一步操作，因此，可以理解的是转化操作所表征的感兴趣程度高于点击操作所表征的感兴趣程度。具体的，转化操作包括浅层转化操作和深层转化操作中的至少一项。
需要说明的是，输入至匹配模型中的对象信息以及内容信息所包含的具体参数与输入至概率预估模型中的对象信息以及内容信息所包含的具体参数可以相同，也可以不同。例如，输入至匹配模型中的对象信息可以包含年龄这一参数；但输入至概率预估模型中的对象信息中可以不包含年龄这一参数，具体可根据实际情况进行调整，本申请实施例对此不作任何限定。
在另一种可能的实现方式中，获取目标对象的对象信息以及候选媒体内容的内容信息后，对对象信息以及内容信息进行特征转换处理，得到对象特征以及内容特征，之后，将对象特征以及内容特征输入至概率预估模型中，得到目标对象进行预设操作的初始概率。
在一种实现方式中，预设操作可以包括第一操作、第二操作以及第三操作中的至少一项。其中，第一操作发生在第二操作之前，第二操作的发生是在第一操作发生的基础上；第二操作发生在第三操作之前，第三操作的发生是在第二操作发生的基础上。因此，第一操作为第二操作的前序操作，第二操作为第三操作的前序操作；也即第二操作为第一操作的后序操作；第三操作为第二操作的后续操作。
例如，以媒体内容为广告为例，广告的内容为推送某一应用程序(Application，AAP)，假设第一操作为对广告的点击操作，第二操作可以为对广告中推送的APP的下载操作，第三操作可以为对APP的付费操作，即在对象与广告的交互过程中，需要先对广告进行点击操作(第一操作)后才能下载(第二操作)广告中的对应APP，进而可以进行对应APP的付费操作(第三操作)。因此，第一操作为起始操作(如点击操作)，第二操作可以理解为浅层转化操作，第三操作可以理解为深层转化操作。
具体的，第二操作也可以是其他对象在点击进入广告内容后第一时间的操作，例如激活、登录、注册等，可以称之为浅层转化操作；第三操作则可以是其他对象在进行第二操作之后可能执行的操作，例如付费、次日留存，可以称之为深层转化操作，具体的操作形式因实际场景而定，此处不做限定。
基于上述，预设操作的初始概率可以包括第一操作的初始概率，第二操作的初始概率以及第三操作的初始概率中的至少一项。
203、对初始概率与匹配值进行融合处理，得到预设操作的融合概率，并基于预设操作的融合概率对预设操作的初始概率进行注意力分配处理，得到预设操作的目标概率。
其中，对初始概率与匹配值进行融合处理，得到预设操作的融合概率，可以是将匹配值与预设操作的初始概率中相同维度的数据进行相加处理，得到预设操作的融合概率；也可以是将匹配值和预设操作的初始概率进行拼接处理，得到预设操作的融合概率。
在实际应用中，由于预设操作包含第一操作、第二操作以及第三操作中的至少一个，当预设操作包含其中一个时，以第一操作为例，具体可以是：根据第一操作的初始概率与匹配值确定目标对象对候选媒体内容进行第一操作的目标概率。当预设操作包含其中两个操作时，以预设操作包含第一操作和第二操作为例，根据初始概率与匹配值确定目标对象对候选媒体内容进行预设操作的目标概率，具体包括：根据第一操作的初始概率与匹配值确定目标对象对候选媒体内容进行第一操作的目标概率；根据第二操作的初始概率与匹配值确定目标对象对候选媒体内容进行第二操作的目标概率。
作为一个示例，参照图3，以预设操作包含第一操作和第二操作为例，将第一操作的初始概率与匹配值进行融合处理，得到第一操作的融合概率；将第二操作的初始概率与匹配值进行融合，得到第二操作的融合概率；并基于第一操作的融合概率和第二操作的融合概率对第一操作的初始概率进行注意力分配处理，得到第一操作的目标概率；以及基于第一操作的融合概率和第二操作的融合概率对第一操作的初始概率进行注意力分配处理，得到第二操作的目标概率。
在一种实现方式中，利用注意力attention层，基于所有预设操作的融合概率对每一预设操作的初始概率进行注意力分配处理，得到每一预设操作的目标概率，其实际是用于为每一预设操作的初始概率分配一个注意力权重。该每一预设操作的注意力权重能够反应出每一预设操作的初始概率在所有预设操作中的重要性。
在一种优选的方案中，按照下述公式计算第t个预设操作的初始概率所对应的注意力权重：
其中，αt表示第t个预设操作的初始概率所对应的注意力权重，logitt表示第t个预设操作的融合概率；logitp标识第二操作的融合概率；tanh表示正切函数。Wt、b表示attention层中的模型参数；z表示attention层中的状态向量。
进一步的，假设预设操作的包括第一操作、第二操作以及第三操作，则可以按照下述公式确定各个操作的初始概率对应的注意力权重：
αt＝zttanh(W1*Logit1+W2*Logit2+W3*Logit3+b)
其中，Logit1表示第一操作的融合概率；Logit2表示第二操作的融合概率，Logit3表示第三操作的融合概率。
之后，对权重αt做归一化：
最终，第t个预设操作的目标概率为logitt表示第t各预设操作的初始概率。
可以理解的是，结合上述公式，当预设操作只有一个时，基于步骤203对该预设操作的初始概率所分配的权重为1，因此，针对预设操作只有一个的情况，可跳过步骤203。
204、对目标概率和匹配值进行融合处理，确定目标对象对候选媒体内容的感兴趣分数，并在感兴趣分数大于预设阈值的情况下，向目标对象推送候选媒体内容。
在一种优选的方案中，当匹配值包括匹配分数和匹配概率时，对目标概率与匹配值进行融合处理，确定目标对象对候选媒体内容的感兴趣分数具体包括一下两种实现方式：
方式一、基于目标概率确定目标对象对候选媒体内容的转化分数，并对转化分数与匹配分数进行加权求和得到目标对象对候选媒体内容的感兴趣分数。
方式二、对目标概率以及匹配概率进行加权处理，得到感兴趣概率，基于感兴趣概率确定感兴趣分数。
具体的，基于目标概率确定目标对象对候选媒体内容的转化分数具体包括：可根据媒体内容对应的预设操作的出价系数与目标概率的乘积的结果作为转化分数。
在实际应用中，由于不同类型的媒体内容可以对应于不同的计算方式，故确定目标对象对候选媒体内容的感兴趣分数的过程可以基于候选媒体内容调用对应的计算方式；进而根据计算方式对预设操作的目标概率进行计算，以得到转化分数。
例如，对于普通广告，一般只需要考虑第一操作的目标概率(如点击操作对应的点击率)、第二操作的目标概率(如浅层转化操作对应的浅层转化率)以及第二操作的出价系数，因此可根据以下公式确定转化得分：
convscore＝ecvr1*ecvr2*bid1
其中，convscore表示转化分数；ecvr1表示第一操作的目标概率；ecvr2表示第二操作的目标概率；bid1表示第二操作的出价系数。
对于重要广告，可能需要考虑第一操作的目标概率(如点击操作对应的点击率)、第二操作的目标概率(如浅层转化操作对应的浅层转化率)、第三操作的目标概率(如深层转化操作对应的深层转化率)以及综合出价系数，因此可根据以下公式确定转化得分：
convscore＝ecvr1*ecvr2*ecvr3*bid
其中，ecvr3表示第三操作的目标概率；bid表示综合出价系数。
示例性的，综合出价系数可以是根据第一操作的出价系数、第二操作的出价系数以及第三操作的出价系数中至少两个系数的加权值，也可以是三个操作中其中一个出价系数的值。
而对于多目标推送的广告，可能需要考虑到出价系数的选择，例如若内容推送目标指示的目标数量大于预设值，则比较第二操作的目标概率与第三操作的目标概率的大小关系；确定对应的计算方式。
在一种可能的场景中，对于多目标广告，当ecvr1＞ecvr2时，
convscore＝ecvr1*ecvr2*bid1
否则：
convscore＝ecvr1*ecvr3*bid2
其中，ecvr3表示第三操作的目标概率；bid2表示第三操作的出价系数。
在一种可能的实现方式中，针对同一对象可能对应有多个候选媒体内容这一情况，可根据感兴趣分数在多个候选媒体内容中选取为目标对象进行推送的媒体内容。具体地，根据各候选媒体内容的感兴趣分数对多个候选媒体内容进行排序，并将感兴趣分数大于预设阈值的候选媒体内容作为对目标对象进行推送的媒体内容，之后，按照排序的先后顺序进行推送。
在另一种可能的场景中，考虑到同一对象可能推送的媒体内容趋同，可以进行相应策略的排序，即首先基于感兴趣分数对大于预设阈值候选媒体内容进行排序，以确定第一序列；然后获取目标对象对应的历史推送信息，并基于历史推送信息确定排序策略；从而根据推送规则对第一序列进行调整，以得到第二序列。进而从第二序列中确定目标媒体内容。例如根据排序阶段输出的候选媒体内容，根据候选媒体内容的感兴趣分数再结合多样性、频控、类别控制、特定结果提权等排序策略对媒体内容进行重新排序，并取得分最高的媒体内容，并将得分最高的媒体内容(即目标媒体内容)推送给目标对象。
需要说明的是，预设阈值可根据实际情况进行设定，本申请实施例对此不作限定。
本申请实施例提出的媒体内容的推送方法，通过将对象与媒体内容的匹配程度结合对象对媒体内容进行预设操作的初始概率的方式，确定对象对媒体内容进行预设操作的目标概率，来解决现有技术由于媒体内容的相关信息存在稀疏性，导致预测概率的准确性较低，从而影响感兴趣程度的评价结果的问题。具体的，将获取的目标对象的对象信息以及候选媒体内容的内容信息分别输入至匹配模型和概率预估模型中，以便通过匹配模型得到用来表征目标对象与候选媒体内容的匹配程度的匹配值，以及通过概率预估模型得到目标对象进行预设操作的初始概率，其中，预设操作为目标对象对候选媒体内容表达感兴趣程度的操作。进而，对初始概率与匹配值进行融合处理，得到预设操作的融合概率，并基于预设操作的融合概率对预设操作的初始概率进行注意力分配处理，得到预设操作的目标概率。这样，将目标对象与候选媒体内容的匹配值融入对象对媒体内容进行相关操作的最终概率的预测过程中，提高了参数的多样性，能够有效解决由于媒体内容的相关信息的稀疏性，导致的概率预测的准确性较低的问题，进而提高了对感兴趣程度的评价结果的准确性。
另外，考虑到现有技术中仅用相关操作的概率来评价对象对媒体内容的感兴趣程度存在评价元素过于单一的问题，可能会造成感兴趣程度与实际相差较大，导致媒体内容的推送效果差强人意。因此，本申请实施例通过对目标概率以及匹配值进行融合处理的方式结合起来，综合确定出对象对候选媒体内容的感兴趣分数，通过上述方式得到的感兴趣分数更能代表目标对象对候选媒体内容实际的感兴趣程度。在此基础上，基于感兴趣分数向目标对象推送候选媒体内容，能够筛选出更符合对象兴趣的媒体内容，提高个性化推送的精准度，并有效的利用了网络平台的推送资源，减少了推送资源的开销和浪费。
在其中一个实施例中，为了实现匹配值与初始概率的结合以及与目标概率的结合，匹配模型具体可以确定目标对象与候选媒体内容之间的相似度来确定匹配值中的匹配分数，并基于匹配分数生成匹配概率。在一种实现方式中，匹配值包括匹配分数和匹配概率，将对象信息以及内容信息输入至匹配模型中，得到目标对象与候选媒体内容的匹配值，包括：将对象信息以及内容信息输入至匹配模型中，对对象信息以及内容信息分别进行特征转换处理，得到对象特征和内容特征；对对象特征进行特征压缩处理得到第一转换特征，对内容特征进行特征压缩处理得到第二转换特征；确定第一转换特征与第二转换特征的相似度，并基于相似度确定匹配分数；对匹配分数进行特征压缩和归一化处理得到匹配概率。
可选的，参照图4，在匹配模型中的利用独热One-Hot编码对对象信息以及内容信息进行编码处理，得到对象初始特征以及内容初始特征；对对象初始特征以及内容初始特征进行特征映射(即embbedding)处理，得到对象特征以及内容特征。
可选的，参照图4，可基于匹配模型中的多层感知器(multilayer perceptron，MLP)层中的第一MLP网络，对对象特征进行特征压缩处理第一转换特征；可基于匹配模型中的MLP层中的第二MLP网络，对内容特征进行特征压缩处理第二转换特征。
需要说明的是，对对象特征进行压缩处理第一转换特征具体为对对象特征中不同维度进行非线***叉处理，以便能够获取到对象特征更多的非线性特征和组合特征的信息，从而实现对对象特征的特征压缩处理，进而得到对象特征对应的第一转换特征；对内容特征进行压缩处理同理，此处不再赘述。进一步的，对对象特征以及内容特征进行的特征压缩处理，也可理解为对对象特征以及内容特征进行特征提取，进而得到第一转换特征和第二转换特征。
在实际应用中，可以基于欧氏距离、余弦相似度、余弦距离等算法，确定第一转换特征与第二转换特征的相似度。
在一种优先的方案中，参照图4，对第一转换特征与第二转换特征进行点积运算，确定余弦相似度，进而基于余弦相似度确定第一转换特征与第二转换特征的相似度，并基于相似度确定匹配分数。这里，可以直接将相似度确定为匹配分数，也可以对相似度与预设数值的乘积结果确定为匹配分数，本申请实施例对此不作限定。
进一步的，在得到匹配分数后，可通过图4示出的第三MLP网络对匹配分数进行特征压缩和归一化处理得到匹配概率。
在一种可能的实现方式中，为了保证初始概率与匹配值进行融合时，数据形态的一致性，可基于匹配值中匹配概率与初始概率进行融合，并根据所有预设操作融合后的概率确定每一预设操作的目标概率。因此，对初始概率与匹配值进行融合处理，得到预设操作的融合概率，包括：对匹配概率和预设操作的初始概率进行融合处理，得到预设操作的融合概率。这样，通过将对匹配概率和预设操作的初始概率进行融合，不仅保证了融合过程中数据形态的一致性，而且通过匹配概率的加入，增加对目标概率预测的参数依据，提高了参数的多样性，进而保障对预设操作的目标概率预测的准确性。
进一步的，对匹配概率和预设操作的初始概率进行融合处理，可以是将匹配概率与预设操作的初始概率中相同维度的数据进行相加处理，得到预设操作的融合概率。这时，匹配概率、预设操作的初始概率以及预设操作的融合概率的维度相同。
例如，若该匹配概率为(al,b1)，预设操作的初始概率为(a2,b2)，则得到的预设操作的融合概率可以为(a1+a2，b1+b2)。
进一步，通过上述相加的融合方式，需要匹配概率与预设操作的初始概率的维度相同，当匹配概率的维度与预设操作的初始概率的维度不相同时，可以将其中一个概率维度作为标准维度，对另外一个概率维度进行维度转换处理，以使另外一个概率维度转换为标准维度。例如，匹配概率的维度作为标准维度，对预设操作的初始概率的维度进行维度转换处理，以使转换后的预设操作的初始概率的维度与匹配概率的维度相同。或者，设置一个标准维度，对匹配概率的维度进行维度转换处理，以使匹配概率的维度转换为标准维度；以及对预设操作的初始概率的维度进行维度转换处理，以使预设操作的初始概率的维度转换为标准维度。
在另一种实现方式中，将匹配概率和预设操作的初始概率进行拼接处理，得到预设操作的融合概率。
例如，若该匹配概率为(al,b1)，预设操作的初始概率为(a2,b2)，则得到的预设操作的融合概率可以为(a1，b1，a2，b2)。因此，预设操作的融合概率的维度为匹配概率的维度和预设操作的初始概率的维度之和。
本实施例中，通过将对象信息以及内容信息输入至匹配模型中，对对象信息以及内容信息分别进行特征转换处理，得到对象特征和内容特征；对对象特征进行特征压缩处理得到第一转换特征，对内容特征进行特征压缩处理得到第二转换特征；确定第一转换特征与第二转换特征的相似度，并基于相似度确定匹配分数；由于考虑到匹配值后续需要分别与初始概率以及目标概率进行结合，因此，对匹配分数进行特征压缩和归一化处理得到匹配概率。这样，通过对匹配值中所包含的数据形态进行调整，方便实现后续匹配值与初始概率的结合以及与目标概率的结合。
在其中的一个实施例中，预设操作包括第一操作、第二操作以及第三操作；第一操作为第二操作的前序操作；第二操作为第三操作的前序操作。第一操作、第二操作以及第三操作所表征的感兴趣程度由低至高。
其中，第一操作可以是点击操作，第二操作和第三操作为转化操作。第二操作可以浅层转化操作，第三操作可以是深层转化操作。
进一步的，考虑到媒体内容的相关信息存在稀疏性问题，可以在对后续操作的初始概率进行预测的过程中，加入前序操作的初始概率。因此，参照图5，将对象信息以及内容信息输入概率预估模型中，得到目标对象进行预设操作的初始概率，包括：将对象信息以及内容信息输入概率预估模型中，得到第一操作的初始概率，第二操作的源概率以及第三操作的源概率；根据第一操作的初始概率和第二操作的源概率，得到第二操作的初始概率；根据第二操作的初始概率和第三操作的源概率，得到第三操作的初始概率。
其中，第一操作的初始概率，第二操作的源概率以及第三操作的源概率是基于相同的数据处理顺序，且不同的模型参数得到的。
具体的，参照图6，将对象信息以及内容信息输入概率预估模型中，对对象信息以及内容信息分别进行特征转换处理，得到对象特征和内容特征；对对象特征以及内容特征进行拼接操作，得到第一拼接特征；将第一拼接特征分别输入至少一个门控网络，确定第一操作的初始权重、第二操作的初始权重以及第三操作的初始权重；并将第一操作的初始权重与第一拼接特征进行特征融合得到第一融合特征，将第二操作的初始权重与第一拼接特征进行特征融合得到第二融合特征，以及将第三操作的初始权重与第一拼接特征进行特征融合得到第三融合特征。之后，将第一融合特征输入至第四MLP中，得到第一操作的初始概率；将第二融合特征输入至第五MLP中，得到第二操作的源概率；将第三融合特征输入至第六MLP中，得到第三操作的源概率。此处的特征融合可以是将各个操作的初始权重与第一拼接特征进行相乘。
本实施例中，由于在对媒体内容的预设操作之间采用参数传递的方式将前序动作的概率输入后序动操作的预测之中，避免了后序操作由于数据稀疏造成预估的不准确，提高了初始概率的准确性，使后续得到的感兴趣分数更符合对象实际对候选媒体内容的感兴趣程度，以便提高网络平台的推送资源的利用率，减少推送资源的开销和浪费。
在其中一个实施例中，根据第一操作的初始概率和第二操作的源概率，得到第二操作的初始概率，包括：对第一操作的初始概率和第二操作的源概率进行融合处理，得到第二操作的初始概率。
具体的，参照图6，将第一操作的初始概率与第二操作的源概率在第一连接层中进行数据拼接，得到第一连接概率，并将第一连接概率与第一操作的初始概率输入至第七MLP中，得到第二操作的初始概率。
在一种实现方式中，对第一操作的初始概率和第二操作的源概率进行融合处理，可以是将第一操作的初始概率和第二操作的源概率中相同维度的数据进行相加处理，得到第一连接概率。第一操作的初始概率、第二操作的源概率以及第一连接概率的维度相同。
例如，若该第一操作的初始概率为(cl,d1)，第二操作的源概率为(c2,d2)，则得到的第一连接概率可以为(c1+c2，d1+d2)。
在另一种实现方式中，将第一操作的初始概率和第二操作的源概率进行拼接处理，得到第一连接概率。
例如，若该第一操作的初始概率为(cl,d1)，预设操作的初始概率为(c2,d2)，则得到的预设操作的融合概率可以为(c1，d1，c2，d2)。因此，第一连接概率的维度为第一操作的初始概率的维度和第二操作的源概率的维度之和。
本实施例中，由于在对第一操作和第二操作之间采用参数传递的方式将第一操作的初始概率输入第二操作的初始概率的预测之中，避免了第二操作由于数据稀疏造成预估的不准确，提高了第二操作的初始概率的准确性。
在其中的一个实施例中，根据第二操作的初始概率和第三操作的源概率，得到第三操作的初始概率，包括：对第二操作的初始概率和第三操作的源概率进行融合处理，得到第三操作的初始概率。
具体的，参照图6，将第二操作的初始概率与第三操作的源概率在第二连接层中进行数据拼接，得到第二连接概率，并将第二连接概率与第二操作的初始概率输入至第八MLP中，得到第三操作的初始概率。
需要说明的是，对第二操作的初始概率和第三操作的源概率进行融合处理，得到第三操作的初始概率的实施例可参考上述对第一操作的初始概率和第二操作的源概率进行融合处理的相关实施例，此处不再赘述。
本实施例中，由于在对第二操作和第三操作之间采用参数传递的方式将第二操作的初始概率输入第三操作的初始概率的预测之中，避免了第二操作由于数据稀疏造成预估的不准确，提高了第二操作的初始概率的准确性。
在其中的一个实施例中，参照图7，对初始概率与匹配值进行融合处理，得到预设操作的融合概率，包括：将匹配概率与第一操作的初始概率进行融合处理，得到第一操作的融合概率；将匹配概率与第二操作的初始概率进行，得到第二操作的融合概率；将匹配概率与第三操作的初始概率进行融合处理，得到第三操作的融合概率。
具体的，将匹配概率与第一操作的初始概率进行拼接处理，得到第一操作的融合概率；将匹配概率与第二操作的初始概率进行拼接处理，得到第二操作的融合概率；将匹配概率与第三操作的初始概率进行拼接处理，得到第三操作的融合概率。
上述只是匹配概率与各个操作的初始概率的一种融合处理方式，对于概率融合方式还可为其他融合处理方式，例如，还可以将匹配概率与各个操作的初始概率进行相乘运算处理、相加运算处理等等，得到的运算结果可作为各个操作的融合概率。
在另一种可能的实现方式中，若预设操作中进行包括第一操作、第二操作以及第三操作中的一个或两个，根据初始概率与匹配值确定目标对象对候选媒体内容进行预设操作的目标概率同样可以采取上述方式确定各个操作的融合概率。
本实施例中，在第一操作的初始概率、第二操作的初始概率以及第三操作的初始概率中均融入对象信息与内容信息的匹配数据，增加了各个操作的融合概率的预测过程中的参数特征，进而提高了对各个操作的目标概率的预测准确性。
在其中的一个实施例中，参照图8，将对象信息以及内容信息输入概率预估模型中，得到目标对象进行预设操作的初始概率，包括：
801、将对象信息以及内容信息输入概率预估模型中，对对象信息以及内容信息分别进行特征转换处理，得到对象特征和内容特征。
802、对对象特征以及内容特征进行拼接操作，得到第一拼接特征。
803、根据第一拼接特征，确定预设操作的初始权重。
804、将预设操作的初始权重与第一拼接特征进行特征融合，得到预设操作的融合特征。
805、根据预设操作的融合特征，得到预设操作的初始概率。
需要说明的是，在概率预估模型中对对象信息以及内容信息分别进行特征转换处理，得到对象特征和内容特征可参考上述步骤201中在匹配模型中对对象信息以及内容信息进行特征转换处理的相关实施例，此处不再赘述。
在一种实现方式中，将第一拼接特征输入至少一个门控网络中，确定预设操作的初始权重，将预设操作的初始权重与第一拼接特征进行特征融合，得到预设操作的融合特征。
进一步的，针对每一门控网络，将第一拼接特征输入门控网络中，对第一拼接特征进行特征提取，得到第一特征，并将各门控网络中预设操作的第一特征进行融合，得到第二特征，并对第二特征进行归一化处理，得到预设操作的初始权重。需要说明的是，不同的门控网络提取第一拼接特征中的特征重点不同。其中，每一个预设操作均对应有结构相同，门控参数不同的门控网络。也就是说，不同的门控网络对应不同的门控参数，基于不同的门控参数，确定预设操作不同的第一特征。
在一个优选的方案中，将各门控网络中预设操作的第一特征进行相加，得到第二特征。
参照图9，以预设操作包括第一操作、第二操作以及第三操作为例。将第一拼接特征分别输入至门控网络1、门控网络2、门控网络3。门控网络1中确定出的第一特征为(p11、p12、p13)；门控网络2中确定出的第一特征为(p21、p22、p23)；门控网络3中确定出的第一特征为(p31、p32、p33)。假设第一操作的初始权重是基于门控网络1和门控网络2的第一特征得到，则第一操作的第二特征p10＝p11+p21；之后，对第一操作的初始权重进行归一化得到第一操作的初始权重。第二操作的初始权重是基于门控网络1和门控网络2的第一特征得到，则第一操作的第二特征p20＝p12+p22；之后，对第二操作的初始权重进行归一化得到第二操作的初始权重。第三操作的初始权重是基于门控网络1、门控网络2和门控网络3的第一特征得到，则第三操作的第二特征p30＝p13+p23+p33；之后，对第三操作的初始权重进行归一化得到第三操作的初始权重。
其中，门控网络1按照第一门控参数对第一拼接特征进行特征提取得到各个操作的第一特征；门控网络2按照第二门控参数对第一拼接特征进行特征提取得到各个操作的第一特征；门控网络3按照第三门控参数对第一拼接特征进行特征提取得到各个操作的第一特征。
可选的，将预设操作的初始权重与第一拼接特征进行相乘，得到预设操作的融合特征。
本实施例中，通过将对象特征与内容特征进行拼接操作，得到将两个特征关联起来的第一拼接特征，并能够根据第一拼接特征确定预设操作的初始权重，将初始权重与第一拼接特征进行融合得到预设操作的融合特征，以便将第一拼接特征中与预设操作的初始概率预测不相关的数据进行滤除，使得到的初始概率更贴合目标对象对候选媒体内容进行预设操作的实际情况。
在其中的一个实施例中，根据第一拼接特征，确定预设操作的初始权重，包括：根据第一拼接特征，对预设操作进行权重分配处理，得到预设操作的至少一个权重分配结果；对至少一个权重分配结果进行融合处理，得到预设操作的初始权重。
具体的，将第一拼接特征分别输入至少一个门控网络中，以对预设操作进行权重分配处理，得到预设操作的至少一个权重分配结果。在实际应用中，可根据需求调整门控网络的数量，本申请实施例对门控网络的具体个数不作任何限定。
进一步的，门控网络是来控制输入的第一拼接特征有多少需要保留，有多少需要丢弃。在本申请实施例中，针对每一门控网络，门控网络可以为各个预设操作分配一个对应的权重，得到每一预设操作的权重分配结果。并对每一预设操作的权重分配结果进行加权操作，得到每一预设操作的初始权重。
可选的，对至少一个权重分配结果进行融合处理，得到预设操作的初始权重具体包括：将至少一个权重分配结果进行相加，并对相加的结果进行归一化处理，得到预设操作的初始权重。
本实施例中，通过权重分配的处理方式能够抓取到第一拼接特征中关于预设操作的重要信息，并结合针对预设操作不同的权重分结果，确定出预设操作的初始权重，从而提高预设操作的初始概率预测的准确性。
在其中的一个实施例中，还提供一种匹配模型的训练过程：获取训练样本，训练样本包括多个对象的对象信息、多个媒体内容的内容信息以及各对象与各媒体内容的真实匹配值；将训练样本输入初始匹配模型，获得各对象与各媒体内容的预测匹配值；根据真实匹配值和预测匹配值的第一损失，迭代训练初始匹配模型，直至第一损失收敛得到匹配模型。
在一种实现方式中，当真实匹配值包括真实匹配概率的情况下，将训练样本输入初始匹配模型，获得各对象与各媒体内容的预测匹配概率；根据真实匹配概率和预测匹配概率的第一损失，迭代训练初始匹配模型，直至第一损失收敛得到匹配模型。
示例性的，参照图10，在初始匹配模型中的利用独热One-Hot编码对对象信息以及内容信息进行编码处理，得到对象初始特征以及内容初始特征；对对象初始特征以及内容初始特征进行特征映射(即embbedding)处理，得到对象特征以及内容特征。可基于初始匹配模型中的多层感知器层中的第一MLP网络，对对象特征进行特征压缩处理第一转换特征；以及基于匹配模型中的MLP层中的第二MLP网络，对内容特征进行特征压缩处理第二转换特征。之后，确定第一转换特征和第二转换特征的相似度，进而基于相似度确定预测匹配分数。在得到预测匹配分数后，第三MLP网络对匹配分数进行特征压缩和归一化处理得到预测匹配概率。最后，根据预测匹配概率与真实匹配概率确定第一损失，并根据第一损失迭代训练初始匹配模型，直至第一损失收敛得到匹配模型。
在另一种实现方式中，当真实匹配值包括真实匹配分数的情况下，将训练样本输入初始匹配模型，获得各对象与各媒体内容的预测匹配分数；根据真实匹配分数和预测匹配分数的第一损失，迭代训练初始匹配模型，直至第一损失收敛得到匹配模型。
在又一种实现方式中，当真实匹配值包括真实匹配分数以及真实匹配概率的情况下，将训练样本输入初始匹配模型，获得各对象与各媒体内容的预测匹配分数；根据真实匹配分数和预测匹配分数的第一损失以及真实匹配概率和预测匹配概率的第一损失，迭代训练初始匹配模型，直至真实匹配分数和预测匹配分数的第一损失以及真实匹配概率和预测匹配概率的第一损失均收敛得到匹配模型。
在一种可能的场景中，为了便于在使用匹配模型进行后续特征的匹配，可以将训练样本中的对象信息以及媒体内容的内容信息在转化为特征后进行维度的匹配，即特征映射(即embbedding)处理。具体的，首先需要生成对象信息对应的对象初始特征以及内容信息对应的内容初始特征；并对对象初始特征以及内容初始特征进行特征转换处理，得到对象特征(对象embedding)和内容特征(内容embedding)，其中，对象特征和内容特征均对应于目标维度；之后，对每个对象embedding以及内容embedding分别进行hash函数转换，得到每个对象embedding的hash以及内容embedding的hash；将每个embedding的hash作为key，对应的embedding作为value存储到embeddingtable(查询表)中，以便于后续在预测的过程中能够基于对象初始特征对对象embedding进行调用，以及基于内容初始特征对内容embedding进行调用。在对初始匹配模型训练的过程中，可以基于反向梯度更新该查询表中embedding，其中，模型训练的次数越多，高维特征向量转换为低维特征向量的准确度越高。在对对象信息所对应的对象初始特征和内容信息对应的内容初始进行embedding处理时，可以共享一个embeddingtable。
本实施例中，通过将训练样本输入初始匹配模型，获得各对象与各媒体内容的预测匹配值；根据真实匹配值和预测匹配值的第一损失，迭代训练初始匹配模型，直至第一损失收敛得到匹配模型，以便通过匹配模型得到用来表征目标对象与候选媒体内容的匹配程度的匹配值。
在其中的一个实施例中，参照图11，训练样本还包括各对象对各媒体内容进行预设操作的真实的目标概率；该方法还包括：将训练样本输入初始概率预估模型，得到训练样本预测的初始概率；根据预测的初始概率和预测匹配值，得到各对象对各媒体内容进行预设操作的预测的目标概率；根据预测的目标概率和真实的目标概率之间的第二损失，迭代训练初始匹配模型和初始概率预估模型，直至第二损失收敛得到匹配模型以及概率预估模型。
具体的，第二损失为负对数似然损失。可根据下述公式计算得到第二损失：
L(x，H)＝-log(P(ectr|ecvr))
其中，L(x，H)表示第二损失；ectr表示预测的目标概率；ecvr表示真实的目标概率。
示例性的，参照图12，以预设操作包括第一操作、第二操作以及第三操作为例，将训练样本输入初始概率预估模型，得到训练样本预测的第一操作的预测的初始概率、第二操作的预测的初始概率以及第三操作的预测的初始概率；根据第一操作的预测的初始概率、第二操作的预测的初始概率、第三操作的预测的初始概率和预测匹配值，得到各对象对各媒体内容进行第一操作的预测的目标概率、第二操作的预测的目标概率以及第三操作的预测的目标概率。根据第一操作的预测的初始概率和第一操作的预测的初始概率，确定第一操作的损失；根据第二操作的预测的初始概率和第二操作的预测的初始概率，确定第二操作的损失；根据第三操作的预测的初始概率和第三操作的预测的初始概率，确定第三操作的损失；并基于第一操作的损失、第二操作的损失以及第三操作的损失确定第二损失。并根据第二损失迭代训练初始匹配模型和初始概率预估模型，直至第二损失收敛得到匹配模型以及概率预估模型。
具体的，第二损失为负对数似然损失。可根据下述公式计算得到第二损失：
L(x，H)＝-{log[P(ectr1|ecvr1)]+log[P(ectr2|ecvr2)]+log[P(ectr3|ecvr3)]}
其中，L(x，h)表示第二损失；ectr1表示第一操作的预测的目标概率；ecvr1表示第一操作的真实的目标概率；ectr2表示第二操作的预测的目标概率；ecvr2表示第二操作的真实的目标概率；ectr3表示第三操作的预测的目标概率；ecvr3表示第三操作的真实的目标概率。
本实施例中，通过将训练样本输入初始匹配模型以及初始概率预估模型，获得各对象与各媒体内容的预测匹配值以及预测的初始概率，并根据预测匹配值以及预测的初始概率确定预测的目标概率；根据真实的目标概率和预测的目标概率的第二损失，迭代训练初始匹配模型以及初始概率预估模型，直至第二损失收敛得到匹配模型以及概率预估模型，以便通过匹配模型得到用来表征目标对象与候选媒体内容的匹配程度的匹配值，以及通过概率预估模型得到预设操作的初始概率。
应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。
图13为本申请一个实施例的媒体内容的推送装置的方框示意图。
如图13所示，媒体内容的推送装置包括：获取模块1301、匹配模块1302、概率预估模块1303、第一预测模块1304、第二预测模块1305。
获取模块1301，用于获取目标对象的对象信息以及候选媒体内容的内容信息。
匹配模块1302，用于将对象信息以及内容信息输入至匹配模型中，得到目标对象与候选媒体内容的匹配值；匹配值用于表征目标对象与候选媒体内容之间的匹配程度。
概率预估模块1303，用于将对象信息以及内容信息输入概率预估模型中，得到目标对象进行预设操作的初始概率；预设操作为目标对象对候选媒体内容表达感兴趣程度的操作。
第一预测模块1304，用于对初始概率与匹配值进行融合处理，得到预设操作的融合概率，并基于预设操作的融合概率对预设操作的初始概率进行注意力分配处理，得到预设操作的目标概率。
第二预测模块1305，用于对目标概率和匹配值进行融合处理，确定目标对象对候选媒体内容的感兴趣分数，并在感兴趣分数大于预设阈值的情况下，向目标对象推送候选媒体内容。
在其中的一个实施例中，匹配值包括匹配分数和匹配概率，匹配模块1302，具体用于，
将对象信息以及内容信息输入至匹配模型中，对对象信息以及内容信息分别进行特征转换处理，得到对象特征和内容特征。
对对象特征进行特征压缩处理得到第一转换特征，对内容特征进行特征压缩处理得到第二转换特征。
确定第一转换特征与第二转换特征的相似度，并基于相似度确定匹配分数。
对匹配分数进行特征压缩和归一化处理得到匹配概率。
在其中的一个实施例中，预设操作包括第一操作、第二操作以及第三操作；第一操作为第二操作的前序操作；第二操作为第三操作的前序操作，第一操作、第二操作以及第三操作所表征的感兴趣程度由低至高。
在其中的一个实施例中，概率预估模块1303，具体用于，
将对象信息以及内容信息输入概率预估模型中，得到第一操作的初始概率，第二操作的源概率以及第三操作的源概率。
根据第一操作的初始概率和第二操作的源概率，得到第二操作的初始概率。
根据第二操作的初始概率和第三操作的源概率，得到第三操作的初始概率。
在其中的一个实施例中，概率预估模块1303，具体用于对第一操作的初始概率和第二操作的源概率进行融合处理，得到第二操作的初始概率。
在其中的一个实施例中，概率预估模块1303，具体用于对第二操作的初始概率和第三操作的源概率进行融合处理，得到第三操作的初始概率。
在其中的一个实施例中，第一预测模块1304，具体用于，
将匹配概率与第一操作的初始概率进行融合处理，得到第一操作的融合概率。
将匹配概率与第二操作的初始概率进行融合处理，得到第二操作的融合概率。
将匹配概率与第三操作的初始概率进行融合处理，得到第三操作的融合概率。
在其中的一个实施例中，概率预估模块1303，具体用于，
将对象信息以及内容信息输入概率预估模型中，对对象信息以及内容信息分别进行特征转换处理，得到对象特征和内容特征。
对对象特征以及内容特征进行拼接操作，得到第一拼接特征。
根据第一拼接特征，确定预设操作的初始权重。
将预设操作的初始权重与第一拼接特征进行特征融合，得到预设操作的融合特征。
根据预设操作的融合特征，得到预设操作的初始概率。
在其中的一个实施例中，概率预估模块1303，具体用于，
根据第一拼接特征，对预设操作进行权重分配处理，得到预设操作的至少一个权重分配结果。
对至少一个权重分配结果进行融合处理，得到预设操作的初始权重。
在其中的一个实施例中，获取模块1301，还用于获取训练样本，训练样本包括多个对象的对象信息、多个媒体内容的内容信息以及各对象与各媒体内容的真实匹配值。
匹配模块1302，用于将训练样本输入初始匹配模型，获得各对象与各媒体内容的预测匹配值。
匹配模块1302，还用于根据真实匹配值和预测匹配值的第一损失，迭代训练初始匹配模型，直至第一损失收敛得到匹配模型。
在其中的一个实施例中，概率预估模块1303，还用于将训练样本输入初始概率预估模型，得到训练样本预测的初始概率。
第一预测模块1304，用于根据预测的初始概率和预测匹配值，得到各对象对各媒体内容进行预设操作的预测的目标概率。
第一预测模块1304，还用于根据预测的目标概率和真实的目标概率之间的第二损失，迭代训练初始匹配模型和初始概率预估模型，直至第二损失收敛得到匹配模型以及概率预估模型。
本申请实施例提出的媒体内容的推送装置，通过将对象与媒体内容的匹配程度结合对象对媒体内容进行预设操作的初始概率的方式，确定对象对媒体内容进行预设操作的目标概率，来解决现有技术由于媒体内容的相关信息存在稀疏性，导致预测概率的准确性较低，从而影响感兴趣程度的评价结果的问题。具体的，将获取的目标对象的对象信息以及候选媒体内容的内容信息分别输入至匹配模型和概率预估模型中，以便通过匹配模型得到用来表征目标对象与候选媒体内容的匹配程度的匹配值，以及通过概率预估模型得到目标对象进行预设操作的初始概率，其中，预设操作为目标对象对候选媒体内容表达感兴趣程度的操作。进而，对初始概率与匹配值进行融合处理，得到预设操作的融合概率，并基于预设操作的融合概率对预设操作的初始概率进行注意力分配处理，得到预设操作的目标概率。这样，将目标对象与候选媒体内容的匹配值融入对象对媒体内容进行相关操作的最终概率的预测过程中，提高了参数的多样性，能够有效解决由于媒体内容的相关信息的稀疏性，导致的概率预测的准确性较低的问题，进而提高了对感兴趣程度的评价结果的准确性。
另外，考虑到现有技术中仅用相关操作的概率来评价对象对媒体内容的感兴趣程度存在评价元素过于单一的问题，可能会造成感兴趣程度与实际相差较大，导致媒体内容的推送效果差强人意。因此，本申请实施例的推送装置通过对目标概率以及匹配值进行融合处理的方式结合起来，综合确定出对象对候选媒体内容的感兴趣分数，通过上述方式得到的感兴趣分数更能代表目标对象对候选媒体内容实际的感兴趣程度。在此基础上，基于感兴趣分数向目标对象推送候选媒体内容，能够筛选出更符合对象兴趣的媒体内容，提高个性化推送的精准度，并有效的利用了网络平台的推送资源，减少了推送资源的开销和浪费。
应当理解，媒体内容的推送装置中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于媒体内容的推送装置及其中包含的单元，在此不再赘述。媒体内容的推送装置可以预先实现在计算机设备的浏览器或其他安全应用中，也可以通过下载等方式而加载到计算机设备的浏览器或其安全应用中。媒体内容的推送装置中的相应单元可以与计算机设备中的单元相互配合以实现本申请实施例的方案。
在上文详细描述中提及的若干模块或者单元，这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
需要说明的是，本申请实施例的媒体内容的推送装置中未披露的细节，请参照本申请上述实施例中所披露的细节，这里不再赘述。
下面参考图14，图14示出了适于用来实现本申请实施例的计算机设备的结构示意图，如图14所示，计算机***1400包括中央处理单元(CPU)1401，其可以根据存储在只读存储器(ROM)1402中的程序或者从存储部分1408加载到随机访问存储器(RAM)1403中的程序而执行各种适当的动作和处理。在RAM1403中，还存储有***的操作指令所需的各种程序和数据。CPU1401、ROM1402以及RAM1403通过总线1404彼此相连。输入/输出(I/O)接口1405也连接至总线1404。
以下部件连接至I/O接口1405；包括键盘、鼠标等的输入部分1406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1407；包括硬盘等的存储部分1408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1409。通信部分1409经由诸如因特网的网络执行通信处理。驱动器1410也根据需要连接至I/O接口1405。可拆卸介质1411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1410上，以便于从其上读出的计算机程序根据需要被安装入存储部分1408。
特别地，根据本申请的实施例，上文参考流程图图2描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1409从网络上被下载和安装，和/或从可拆卸介质1411被安装。在该计算机程序被中央处理单元(CPU)1401执行时，执行本申请的***中限定的上述功能。
需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以为的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作指令。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如，两个连接表示的方框实际上可以基本并行地执行，他们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作指令的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括违规人物检测单元、多模态检测单元以及识别单元。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的计算机设备中所包含的，也可以是单独存在，而未装配入该计算机设备中的。上述计算机可读存储介质存储有一个或多个程序，当上述程序被一个或者一个以上的处理器用来执行本申请所述的媒体内容的推送方法。例如，可以执行图2所示的媒体内容的推送方法的各个步骤。
本申请实施例提供一种计算机程序产品，该计算机程序产品包括指令，当该指令被运行时，使得如本申请实施例描述的方法被执行。例如，可以执行图2所示的媒体内容的推送方法的各个步骤。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其他技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (15)

1.一种媒体内容的推送方法，其特征在于，包括：
获取目标对象的对象信息以及候选媒体内容的内容信息，将所述对象信息以及所述内容信息输入至匹配模型中，得到所述目标对象与所述候选媒体内容的匹配值；所述匹配值用于表征所述目标对象与所述候选媒体内容之间的匹配程度；
将所述对象信息以及所述内容信息输入概率预估模型中，得到所述目标对象进行预设操作的初始概率；所述预设操作为所述目标对象对所述候选媒体内容表达感兴趣程度的操作；
对所述初始概率与所述匹配值进行融合处理，得到所述预设操作的融合概率，并基于所述预设操作的融合概率对所述预设操作的初始概率进行注意力分配处理，得到所述预设操作的目标概率；
对所述目标概率和所述匹配值进行融合处理，确定所述目标对象对所述候选媒体内容的感兴趣分数，并在所述感兴趣分数大于预设阈值的情况下，向所述目标对象推送所述候选媒体内容。
2.根据权利要求1所述的媒体内容的推送方法，其特征在于，所述匹配值包括匹配分数和匹配概率，所述将所述对象信息以及所述内容信息输入至匹配模型中，得到所述目标对象与所述候选媒体内容的匹配值，包括：
将所述对象信息以及所述内容信息输入至所述匹配模型中，对所述对象信息以及所述内容信息分别进行特征转换处理，得到对象特征和内容特征；
对所述对象特征进行特征压缩处理得到第一转换特征，对所述内容特征进行特征压缩处理得到第二转换特征；
确定所述第一转换特征与所述第二转换特征的相似度，并基于所述相似度确定所述匹配分数；
对所述匹配分数进行特征压缩和归一化处理得到所述匹配概率。
3.根据权利要求2所述的媒体内容的推送方法，其特征在于，所述预设操作包括第一操作、第二操作以及第三操作，所述第一操作为所述第二操作的前序操作，第二操作为所述第三操作的前序操作，所述第一操作、所述第二操作以及所述第三操作所表征的感兴趣程度由低至高。
4.根据权利要求3所述的媒体内容的推送方法，其特征在于，所述将所述对象信息以及所述内容信息输入概率预估模型中，得到所述目标对象对所述候选媒体内容进行预设操作的初始概率，包括：
将所述对象信息以及所述内容信息输入所述概率预估模型中，得到所述第一操作的初始概率，所述第二操作的源概率以及所述第三操作的源概率；
根据所述第一操作的初始概率和所述第二操作的源概率，得到所述第二操作的初始概率；
根据所述第二操作的初始概率和所述第三操作的源概率，得到所述第三操作的初始概率。
5.根据权利要求4所述的媒体内容的推送方法，其特征在于，所述根据所述第一操作的初始概率和所述第二操作的源概率，得到所述第二操作的初始概率，包括：
对所述第一操作的初始概率和所述第二操作的源概率进行融合处理，得到所述第二操作的初始概率。
6.根据权利要求4或5所述的媒体内容的推送方法，其特征在于，所述根据第二操作的初始概率和第三操作的源概率，得到所述第三操作的初始概率，包括：
对所述第二操作的初始概率和所述第三操作的源概率进行融合处理，得到所述第三操作的初始概率。
7.根据权利要求3-6任一项所述的媒体内容的推送方法，其特征在于，所述对所述初始概率与所述匹配值进行融合处理，得到所述预设操作的融合概率，包括：
将所述匹配概率与所述第一操作的初始概率进行融合处理，得到所述第一操作的融合概率；
将所述匹配概率与所述第二操作的初始概率进行融合处理，得到所述第二操作的融合概率；
将所述匹配概率与所述第三操作的初始概率进行融合处理，得到所述第三操作的融合概率。
8.根据权利要求1-7任一项所述的媒体内容的推送方法，其特征在于，所述将所述对象信息以及所述内容信息输入概率预估模型中，得到所述目标对象进行预设操作的初始概率，包括：
将所述对象信息以及所述内容信息输入概率预估模型中，对所述对象信息以及所述内容信息分别进行特征转换处理，得到对象特征和内容特征；
对所述对象特征以及所述内容特征进行拼接操作，得到第一拼接特征；
根据所述第一拼接特征，确定所述预设操作的初始权重；
将所述预设操作的初始权重与所述第一拼接特征进行特征融合，得到所述预设操作的融合特征；
根据所述预设操作的融合特征，得到所述预设操作的初始概率。
9.根据权利要求8所述的媒体内容的推送方法，其特征在于，所述根据所述第一拼接特征，确定所述预设操作的初始权重，包括：
根据所述第一拼接特征，对所述预设操作进行权重分配处理，得到所述预设操作的至少一个权重分配结果；
对所述至少一个权重分配结果进行融合处理，得到所述预设操作的所述初始权重。
10.根据权利要求1-9任一项所述的媒体内容的推送方法，其特征在于，所述方法还包括：
获取训练样本，所述训练样本包括多个对象的对象信息、多个媒体内容的内容信息以及各所述对象与各所述媒体内容的真实匹配值；
将所述训练样本输入初始匹配模型，获得各所述对象与各所述媒体内容的预测匹配值；
根据所述真实匹配值和所述预测匹配值的第一损失，迭代训练所述初始匹配模型，直至所述第一损失收敛得到所述匹配模型。
11.根据权利要求10所述的媒体内容的推送方法，其特征在于，所述训练样本还包括各所述对象对各媒体内容进行所述预设操作的真实的目标概率；所述方法还包括：
将所述训练样本输入所述初始概率预估模型，得到所述训练样本预测的初始概率；
根据所述预测的初始概率和所述预测匹配值，得到各所述对象对各媒体内容进行所述预设操作的预测的目标概率；
根据所述预测的目标概率和所述真实的目标概率之间的第二损失，迭代训练所述初始匹配模型和所述初始概率预估模型，直至所述第二损失收敛得到所述匹配模型以及所述概率预估模型。
12.一种媒体内容的推送装置，其特征在于，包括：
获取模块，用于获取目标对象的对象信息以及候选媒体内容的内容信息；
匹配模块，用于将所述对象信息以及所述内容信息输入至匹配模型中，得到所述目标对象与所述候选媒体内容的匹配值；所述匹配值用于表征所述目标对象与所述候选媒体内容之间的匹配程度；
概率预估模块，用于将所述对象信息以及所述内容信息输入概率预估模型中，得到所述目标对象进行预设操作的初始概率；所述预设操作为所述目标对象对所述候选媒体内容表达感兴趣程度的操作；
第一预测模块，用于对所述初始概率与所述匹配值进行融合处理，得到所述预设操作的融合概率，并基于所述预设操作的融合概率对所述预设操作的初始概率进行注意力分配处理，得到所述预设操作的目标概率；
第二预测模块，用于对所述目标概率和所述匹配值进行融合处理，确定所述目标对象对所述候选媒体内容的感兴趣分数，并在所述感兴趣分数大于预设阈值的情况下，向所述目标对象推送所述候选媒体内容。
13.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1至11任一项所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至11中任一项所述的方法。
15.一种计算机程序产品，其特征在于，所述计算机程序产品包括指令，当所述指令被运行时，使得如权利要求1至11任一项所述的方法被执行。
CN202210906348.1A 2022-07-29 2022-07-29 媒体内容的推送方法、装置、设备和介质 Pending CN117520638A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210906348.1A CN117520638A (zh) 2022-07-29 2022-07-29 媒体内容的推送方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210906348.1A CN117520638A (zh) 2022-07-29 2022-07-29 媒体内容的推送方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN117520638A true CN117520638A (zh) 2024-02-06

Family

ID=89755507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210906348.1A Pending CN117520638A (zh) 2022-07-29 2022-07-29 媒体内容的推送方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN117520638A (zh)

Similar Documents

Publication Publication Date Title
CN109492772B (zh) 生成信息的方法和装置
CN108520470B (zh) 用于生成用户属性信息的方法和装置
WO2022252363A1 (zh) 数据处理方法、计算机设备以及可读存储介质
CN108920717B (zh) 用于显示信息的方法及装置
CN111061945A (zh) 推荐方法、装置、电子设备，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
CN112348592A (zh) 广告推荐方法、装置、电子设备及介质
CN113706211A (zh) 基于神经网络的广告点击率预测方法及***
CN113254679A (zh) 多媒体资源推荐方法、装置、电子设备以及存储介质
CN113705698B (zh) 基于点击行为预测的信息推送方法及装置
CN113592315A (zh) 一种处理纠纷单的方法和装置
CN113836390B (zh) 资源推荐方法、装置、计算机设备及存储介质
CN113204699B (zh) 信息推荐方法、装置、电子设备及存储介质
CN114119123A (zh) 信息推送的方法和装置
CN116894498A (zh) 网络模型的训练方法、策略识别方法、装置以及设备
CN114092162B (zh) 推荐质量确定方法、推荐质量确定模型的训练方法及装置
CN117520638A (zh) 媒体内容的推送方法、装置、设备和介质
CN115756821A (zh) 在线任务处理模型训练、任务处理方法及装置
CN115329183A (zh) 数据处理方法、装置、存储介质及设备
CN114282935A (zh) 一种内容推荐方法、装置、电子设备和存储介质
CN112446738A (zh) 广告数据处理方法、装置、介质以及电子设备
CN116701972B (zh) 业务数据处理方法、装置、设备以及介质
CN116911304B (zh) 一种文本推荐方法及装置
CN114860912B (zh) 数据处理方法、装置、电子设备和存储介质
CN117591734A (zh) 点击率预估模型的训练方法及装置、物品推荐方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination