媒体信息推荐方法、装置、存储介质和计算机设备制造方法及图纸

本申请涉及一种媒体信息推送方法、装置、存储介质和计算机设备，所述方法包括：获取目标用户数据和候选媒体信息；分别从所述目标用户数据和所述候选媒体信息提取用户特征和媒体特征；通过机器学习模型对所提取的用户特征和媒体特征进行特征交叉处理，获得用于表示所述用户特征与所述媒体特征相关性的多阶交叉特征；根据所述多阶交叉特征确定所述候选媒体信息的推荐系数；从所述候选媒体信息中按照所述推荐系数选取媒体信息进行推送。本申请提供的方案可以实现准确地预测出用户所需的信息进行推送，以提高信息推荐的准确性。

Media information recommendation methods, devices, storage media and computer equipment

【技术实现步骤摘要】
媒体信息推荐方法、装置、存储介质和计算机设备
本申请涉及互联网
，特别是涉及一种媒体信息推荐方法、装置、存储介质和计算机设备。
技术介绍
随着互联网的高速发展，用户可以很方便地通过网络享受各种在线电子服务，例如在网上查看体育、科技或娱乐等方面的媒体信息。由于信息化的迅猛发展，信息量呈指数型增长，用户不得不从海量信息中查找自己所需要的信息，这将耗费用户大量的时间成本。为了使用户可以在海量信息中快速查找到所需要的信息，在传统的信息推荐方案中通常是通过采集用户历史行为数据，然后对采集的数据进行分析得到用户所需要的信息，然后向用户推荐，用户便可快速地获得目标信息。然而，当数据分布复杂时，传统的信息推荐方案对数据的拟合差，使得无法准确地预测出用户所需的信息，从而导致信息推荐的准确性较差。
技术实现思路
基于此，有必要针对无法准确地预测出用户所需的信息而导致信息推荐准确性差的技术问题，提供一种媒体信息推荐方法、装置、存储介质和计算机设备。一种媒体信息推送方法，包括：获取目标用户数据和候选媒体信息；分别从所述目标用户数据和所述候选媒体信息提取用户特征和媒体特征；通过机器学习模型对所提取的用户特征和媒体特征进行特征交叉处理，获得用于表示所述用户特征与所述媒体特征相关性的多阶交叉特征；根据所述多阶交叉特征确定所述候选媒体信息的推荐系数；从所述候选媒体信息中按照所述推荐系数选取媒体信息进行推送。一种媒体信息推送装置，所述装置包括：数据获取模块，用于获取目标用户数据和候选媒体信息；特征提取模块，用于分别从所述目标用户数据和所述候选媒体信息提取用户特征和媒体特征；特征交叉处理模块，用于通过机器学习模型对所提取的用户特征和媒体特征进行特征交叉处理，获得用于表示所述用户特征与所述媒体特征相关性的多阶交叉特征；推荐系数确定模块，用于根据所述多阶交叉特征确定所述候选媒体信息的推荐系数；信息推送模块，用于从所述候选媒体信息中按照所述推荐系数选取媒体信息进行推送。一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述媒体信息推荐方法的步骤。一种计算机设备，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述媒体信息推荐方法的步骤。上述媒体信息推荐方法、装置、存储介质和计算机设备，从目标用户数据和候选媒体信息中提取用户特征和媒体特征，通过机器学习模型对用户特征和媒体特征进行交叉处理，可以很好的对用户特征和媒体特征进行拟合，得到拟合了用户特征和媒体特征的多阶交叉特征。由于多阶交叉特征拟合了用户特征和媒体特征，根据该多阶交叉特征来确定选媒体信息的推荐系数，所得的推荐系数准确性高，当从候选媒体信息中按照推荐系数选取媒体信息进行推送时，所推送的内容能够很好的满足用户需求，有效地提高了信息推荐的准确性。附图说明图1为一个实施例中媒体信息推送方法的应用环境图；图2为一个实施例中媒体信息推送方法的流程示意图；图3为一个实施例中媒体信息展示的界面示意图；图4为一个实施例中获得二阶交叉特征和高阶交叉特征，并根据二阶交叉特征和高阶交叉特征得到多阶交叉特征步骤的流程示意图；图5为一个实施例中因子分解机模型进行二阶特征交叉的示意图；图6为一个实施例中深度学习模型进行高阶特征交叉的示意图；图7为一个实施例中向用户端发送媒体信息，并在展示联系人已浏览的媒体信息是显示浏览提示符步骤的流程示意图；图8为一个实施例中根据留存时长和媒体信息的所属领域确定候选媒体信息步骤的流程示意图；图9为一个实施例中根据线性逻辑回归模型进行预测的流程示意图；图10为一个实施例中媒体信息推送装置的结构框图；图11为另一个实施例中媒体信息推送装置的结构框图；图12为一个实施例中计算机设备的结构框图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。图1为一个实施例中媒体信息推送方法的应用环境图。参照图1，该媒体信息推送方法应用于媒体信息推送系统。该媒体信息推送系统包括终端110和服务器120。终端110和服务器120通过网络连接，其中，服务器120获取目标用户数据和候选媒体信息，分别从目标用户数据和候选媒体信息提取用户特征和媒体特征，通过机器学习模型对所提取的用户特征和媒体特征进行特征交叉处理，获得用于表示用户特征与媒体特征相关性的多阶交叉特征，根据多阶交叉特征确定候选媒体信息的推荐系数，从候选媒体信息中按照推荐系数选取媒体信息向终端110推送。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。如图2所示，在一个实施例中，提供了一种媒体信息推送方法。本实施例主要以该方法应用于上述图1中的服务器来举例说明。参照图2，该媒体信息推送方法具体包括如下步骤：S202，获取目标用户数据和候选媒体信息。其中，目标用户数据可以是目标用户的用户基本信息和行为数据。例如，基本信息可以包含有用户的年龄、性别、所在地理位置、学历和喜好等特征。行为数据可以是目标用户浏览历史媒体信息时所生成的媒体浏览记录，如用户的在社交客户端上浏览图像、视频和文章时所形成的媒体浏览记录，通过该浏览记录可以获得用户对某中类型的图文、视频和文章等的点击率、浏览时长和来源。对于文章的来源，如图3所示，标题为“第五届世界互联网大会取得圆满成功”的文章来源于新华社。媒体信息可以对应有多种领域，如体育、娱乐、美食、科技和建筑等，具体可以是文字、图像和视频及结合等资讯，如图3中所展示的内容，用户在社交客户端浏览时，这些媒体信息可以被选择出来推送给用户进行浏览。候选媒体信息是所有媒体信息中可能被推送给用户的媒体信息。根据媒体信息推送的时机，数据获取的触发条件也可能不同，可以将S202划分以下三种场景进行阐述：场景1，用户在点击媒体信息浏览工具栏时进行数据的获取。在一个实施例中，由于目标用户数据包括用户基本信息和媒体浏览记录，S202具体可以包括：当接收到社交客户端发送的携带有目标用户标识的浏览指令时，服务器在用户数据库中获取用户在注册社交账号时所提供的用户基本信息和媒体浏览记录；然后，从媒体库获取留存时长未超出时效阈值的媒体信息作为候选媒体信息。其中，留存时长可以是媒体信息从产生到当前时间戳之间的时间段，留存时长越短表示媒体信息的时效性越高，留存时长越长表示媒体信息的时效性低。对于留存时长超过所设置的时效阈值时，表示该媒体信息推送的价值较低，可以不用向用户进行推荐。对于留存时长未超过所设置的时效阈值时，表示该媒体信息推送的价值较高，可以用向用户进行推荐。例如，用户在网页或社交客户端注册社交账号时，会提供自己的基本信息进行注册和验证。当用户打开社交客户端上的媒体信息浏览页面时，社交客户端会生成一个携带目标用户标识的浏览指令发送给服务器，表示用户准备浏览媒体信息，指示服务器从媒体库中预测用户所喜爱的媒体信息推送过来以便用户进行浏览。服务器在接收到社交客户端发送的携带有目标用户标识的浏览指令时，从用户数据库中获取用户基本文档来自技高网...

【技术保护点】
1.一种媒体信息推送方法，包括：获取目标用户数据和候选媒体信息；分别从所述目标用户数据和所述候选媒体信息提取用户特征和媒体特征；通过机器学习模型对所提取的用户特征和媒体特征进行特征交叉处理，获得用于表示所述用户特征与所述媒体特征相关性的多阶交叉特征；根据所述多阶交叉特征确定所述候选媒体信息的推荐系数；从所述候选媒体信息中按照所述推荐系数选取媒体信息进行推送。

【技术特征摘要】
1.一种媒体信息推送方法，包括：获取目标用户数据和候选媒体信息；分别从所述目标用户数据和所述候选媒体信息提取用户特征和媒体特征；通过机器学习模型对所提取的用户特征和媒体特征进行特征交叉处理，获得用于表示所述用户特征与所述媒体特征相关性的多阶交叉特征；根据所述多阶交叉特征确定所述候选媒体信息的推荐系数；从所述候选媒体信息中按照所述推荐系数选取媒体信息进行推送。2.根据权利要求1所述的方法，其特征在于，所述机器学习模型包括因子分解机模型和深度学习模型；所述通过机器学习模型对所提取的用户特征和媒体特征进行特征交叉处理，获得用于表示所述用户特征与所述媒体特征相关性的多阶交叉特征包括：通过因子分解机模型对所述用户特征中的用户子特征和所述媒体特征中的媒体子特征进行二阶交叉处理，获得用于表示所述用户子特征与所述媒体子特征相关性的多个二阶交叉特征；通过深度学习模型对所述因子分解机模型所获得的二阶交叉特征之间进行交叉处理，获得用于表示所述用户子特征与所述媒体子特征相关性的高阶交叉特征；所述高阶交叉特征的阶数大于所述二阶交叉特征的阶数；将所述高阶交叉特征和所述因子分解机模型所获得的二阶交叉特征进行组合得到多阶交叉特征。3.根据权利要求2所述的方法，其特征在于，所述通过因子分解机模型对所述用户特征中的用户子特征和所述媒体特征中的媒体子特征进行二阶交叉处理包括：通过因子分解机模型，对所述用户特征和所述媒体特征进行去稀疏处理得到稠密化的用户特征和媒体特征；对所述稠密化的用户特征中的用户子特征与所述稠密化的媒体特征中的媒体子特征之间进行二阶交叉处理。4.根据权利要求3所述的方法，其特征在于，所述通过因子分解机模型，对所述用户特征和所述媒体特征进行去稀疏处理得到稠密化的用户特征和媒体特征包括：通过因子分解机模型，将所述用户特征中的用户子特征分别映射到预设维度的用户特征向量；以及，将所述媒体特征中的媒体子特征分别映射到所述预设维度的媒体特征向量；所述预设维度小于所述用户特征的维度、且小于所述媒体特征的维度；所述对所述稠密化的用户特征中的用户子特征与所述稠密化的媒体特征中的媒体子特征之间进行二阶交叉处理包括：根据映射所得到的用户特征向量和媒体特征向量，对稠密化的用户子特征与稠密化的媒体子特征之间进行二阶交叉处理。5.根据权利要求1所述的方法，其特征在于，所述从所述候选媒体信息中按照所述推荐系数选取媒体信息进行推送包括：根据所述推荐系数的大小对所述候选媒体信息进行降序排列；在排列后的候选媒体信息中按照排列顺序选取待推荐的多个媒体信息；获取目标用户标识，将所选取的媒体信息按照所述目标用户标识进行推送。6.根据权利要求1所述的方法，其特征在于，所述从所述候选媒体信息中按照所述推荐系数选取媒体信息进行推送包括：获取目标用户标识以及与所述目标用户标识对应的联系人标识；从所述候选媒体信息中选取推荐系数达到推荐阈值的媒体信息；当所选取的媒体信息中包含有向所述联系人标识历史推送、且标记为联系人已浏览的媒体信息时，则根据所述目标用户标识推送所选取的媒体信息；推送的所述媒体信息用于在展示所述媒体信息时对应显示表示联系人已浏览的浏览提示符。7.根据权利要求6所述的方法，其特征在于，所述从所述候选媒体信息中选取推荐系数达到推荐阈值的媒体信息之前，所述方法还包括：确定所述候选媒体信息中包含有向所述联系人标识历史推送、且标记为联系人已浏览的媒体信息；获取所述已浏览的媒体信息的浏览数量；按照所述浏览数量获取与所述...

【专利技术属性】
技术研发人员：杜立寰，林乐宇，夏锋，王瑞，王亚龙，何磊，凌程，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44