多媒体信息的推荐方法、相关装置及计算机存储介质制造方法及图纸

本申请提供了一种多媒体信息的推荐方法、相关装置及计算机存储介质，该方法将所有目标用户的基本信息、目标用户获取多媒体信息的历史序列信息和多媒体信息集合输入至多媒体信息推荐模型中，得到目标用户对每一个多媒体信息的点击概率；多媒体信息推荐模型由多个训练样本用户的基本信息、训练样本用户获取多媒体信息的历史序列信息、训练样本多媒体信息集合和训练样本用户各自的真实喜好多媒体信息对神经网络模型进行训练得到；根据目标用户对每一个多媒体信息的点击概率，生成推荐多媒体信息集合。本申请根据用户获取多媒体信息的历史序列信息确定用户对每一个多媒体信息的点击概率，达到精确的向用户推荐更符合用户当前兴趣的多媒体信息的目的。

【技术实现步骤摘要】
多媒体信息的推荐方法、相关装置及计算机存储介质
本申请涉及计算机
，特别涉及一种多媒体信息的推荐方法、相关装置及计算机存储介质。
技术介绍
互联网已经成为当今时代人们获取视频、音乐、娱乐等多媒体信息的主要来源，而随着多媒体信息中信息、内容与数据的极速增长，用户面对的多媒体信息越来越多，如何准确地向用户展示其喜好的内容，筛选出符合用户需求的多媒体信息是现下的难题。目前，通常会采用根据用户的兴趣和多媒体信息的属性来研究它们之间的匹配程度的方式，将预测出的匹配程度最高的多媒体信息推荐给用户，从而提升用户体验。但在实际场景中，用户的兴趣并非是单一的、一成不变的，用户兴趣既有可能在长期发展中逐渐演化，也可能在短期内呈现不同时段、不同场景下的特有兴趣。从而导致预测出的多媒体信息并不能符合用户的当前兴趣，进而影响用户的体验。
技术实现思路
有鉴于此，本申请提供了一种多媒体信息的推荐方法、相关装置及计算机存储介质，用于精确的向用户推荐更符合用户当前兴趣的多媒体信息。本申请第一方面提供了一种多媒体信息的推荐方法，包括：<本文档来自技高网...

【技术保护点】
1.一种多媒体信息的推荐方法，其特征在于，包括：/n获取目标用户的用户信息和多媒体信息集合；其中，目标用户的用户信息包括目标用户的基本信息以及目标用户获取多媒体信息的历史序列信息；所述多媒体信息集合包括至少一个多媒体信息；/n将所有所述用户信息和所述多媒体信息集合输入至多媒体信息推荐模型中，得到所述目标用户对每一个所述多媒体信息的点击概率；其中，所述多媒体信息推荐模型由多个训练样本用户的用户信息、训练样本多媒体信息集合和所述训练样本用户各自的真实喜好多媒体信息对神经网络模型进行训练得到；所述训练样本用户的用户信息包括训练样本用户的基本信息以及训练样本用户获取多媒体信息的历史序列信息；/n根据所...

【技术特征摘要】
1.一种多媒体信息的推荐方法，其特征在于，包括：
获取目标用户的用户信息和多媒体信息集合；其中，目标用户的用户信息包括目标用户的基本信息以及目标用户获取多媒体信息的历史序列信息；所述多媒体信息集合包括至少一个多媒体信息；
将所有所述用户信息和所述多媒体信息集合输入至多媒体信息推荐模型中，得到所述目标用户对每一个所述多媒体信息的点击概率；其中，所述多媒体信息推荐模型由多个训练样本用户的用户信息、训练样本多媒体信息集合和所述训练样本用户各自的真实喜好多媒体信息对神经网络模型进行训练得到；所述训练样本用户的用户信息包括训练样本用户的基本信息以及训练样本用户获取多媒体信息的历史序列信息；
根据所述目标用户对每一个所述多媒体信息的点击概率，生成推荐多媒体信息集合。


2.根据权利要求1所述的推荐方法，其特征在于，所述多媒体信息推荐模型的构建方法，包括：
构建训练样本集；其中，所述训练样本集包括多个训练样本用户的用户信息、训练样本多媒体信息集合和训练样本用户各自的真实喜好多媒体信息集合；所述训练样本多媒体信息集合包括至少一个训练样本多媒体信息；
将所述训练样本用户的用户信息和训练样本多媒体信息集合输入至神经网络模型的嵌入层，得到所述训练样本用户的基本信息中的每一个属性信息的嵌入向量、训练样本用户获取多媒体信息的历史序列信息中的每一个历史多媒体信息的嵌入向量以及训练样本多媒体信息集合中的每一个目标多媒体信息的嵌入向量；
将训练样本用户获取多媒体信息的历史序列信息中的历史多媒体信息的嵌入向量和训练样本多媒体信息集合中的目标多媒体信息的嵌入向量，输入至神经网络模型的注意力机制层，得到所述训练样本用户的当前兴趣向量；
将训练样本用户的基本信息中的属性信息的嵌入向量、训练样本用户获取多媒体信息的历史序列信息中的历史多媒体信息的嵌入向量以及训练样本多媒体信息集合中的目标多媒体信息的嵌入向量进行拼接，得到所述目标多媒体信息的目标特征向量；
将所述目标多媒体信息的目标特征向量以及所述训练样本用户的当前兴趣向量输入至神经网络模型的全连接层中，得到所述目标多媒体信息的预测点击概率；
利用所述目标多媒体信息的预测点击概率与所述训练样本用户的真实喜好多媒体信息之间的误差，对所述神经网络模型进行调整，直至所述目标多媒体信息的预测点击概率与所述训练样本用户的真实喜好多媒体信息之间的误差满足预设的收敛条件，将调整后的神经网络模型作为所述多媒体信息推荐模型。


3.根据权利要求2所述的推荐方法，其特征在于，所述将训练样本用户获取多媒体信息的历史序列信息中的历史多媒体信息的嵌入向量和训练样本多媒体信息集合中的目标多媒体信息的嵌入向量，输入至神经网络模型的注意力机制层，得到所述训练样本用户的当前兴趣向量，包括：
根据训练样本用户获取多媒体信息的历史序列信息中的历史多媒体信息的嵌入向量和训练样本多媒体信息集合中的目标多媒体信息的嵌入向量，得到所述训练样本多媒体信息集合中的目标多媒体信息的权重系数；
将所述训练样本多媒体信息集合中的目标多媒体信息的权重系数与训练样本用户获取多媒体信息的历史序列信息中的历史多媒体信息的嵌入向量做加权求和，得到所述训练样本用户的当前兴趣向量。


4.根据权利要求2所述的推荐方法，其特征在于，所述将调整后的神经网络模型作为所述多媒体信息推荐模型之后，还包括：
采用计算ROC曲线下的面积的方式，对所述多媒体信息推荐模型的性能进行评价，得到所述多媒体信息推荐模型的评价结果；其中，所述ROC曲线下的面积越大，所述多媒体信息推荐模型的性能越好。


5.一种多媒体信息的推荐装置，其特征在于，包括：
获取单元，用于获取目标用户的用户信息和多媒体信息集合；其中，所述目标用户的用户信息包括目标用户的基本信息以及目标用户获取多媒体信息的历...

【专利技术属性】
技术研发人员：李影，王蕾，
申请(专利权)人：北京搜狐新媒体信息技术有限公司，
类型：发明
国别省市：北京;11