多媒体资源推荐方法、装置、电子设备及存储介质制造方法及图纸

本公开关于一种多媒体资源推荐方法、装置、电子设备及存储介质，该方法包括响应于目标对象的多媒体资源获取请求，获取目标对象的历史行为序列信息和待推荐的至少一个多媒体资源的第一资源标识信息，历史行为序列信息包括目标对象在预设时间段内行为过的多个多媒体资源的第二资源标识信息和多个多媒体资源对应的第一数量个时序标识信息；将历史行为序列信息和第一资源标识信息输入兴趣识别网络进行兴趣识别，得到目标对象对至少一个多媒体资源的目标兴趣指标；基于目标兴趣指标，将至少一个多媒体资源中的目标多媒体资源推荐给目标对象。利用本公开实施例可以提升推荐精准性和效果。性和效果。性和效果。

【技术实现步骤摘要】
多媒体资源推荐方法、装置、电子设备及存储介质


[0001]本公开涉及人工智能
，尤其涉及一种多媒体资源推荐方法、装置、电子设备及存储介质。

技术介绍

[0002]随着互联网技术的发展，大量网络平台也在不断的升级，除了可以发布一些图文信息之外，也可以供个人用户随时分享日常的短视频等，而如何精准的捕捉用户的兴趣是大量推荐系统遇到的挑战。
[0003]相关技术中，往往直接将包括很长一段时间内的用户大量历史行为记录的行为序列作为学习用户兴趣偏好的神经网络的输入数据，但将大量历史历史行为记录混合在一起，往往无法学习的细粒度特征，无法有效学习到用户的兴趣偏好，造成推荐系统中推荐精准性和效果差的问题。

技术实现思路

[0004]本公开提供一种多媒体资源推荐方法、装置、电子设备及存储介质，以至少解决相关技术中无法有效表征用户真实兴趣，进而造成推荐系统中推荐精准性和效果差的问题。本公开的技术方案如下：
[0005]根据本公开实施例的第一方面，提供一种多媒体资源推荐方法，包括：
[0006]响应于目标对象的多媒体资源获取请求，获取所述目标对象的历史行为序列信息和待推荐的至少一个多媒体资源的第一资源标识信息，所述历史行为序列信息包括所述目标对象在预设时间段内行为过的多个多媒体资源的第二资源标识信息和多个所述多媒体资源对应的第一数量个时序标识信息，所述时序标识信息为基于多个所述多媒体资源对应的行为时间所在预设分布时间段确定的标识；
[0007]将所述历史行为序列信息和所述第一资源标识信息输入兴趣识别网络进行兴趣识别，得到所述目标对象对所述至少一个多媒体资源的目标兴趣指标；
[0008]基于所述目标兴趣指标，将所述至少一个多媒体资源中的目标多媒体资源推荐给所述目标对象。
[0009]可选的，所述兴趣识别网络包括编码网络、所述第一数量个基础胶囊网络、第二数量个兴趣胶囊网络、特征融合网络和兴趣感知网络，所述第二数量为预设的资源类型对应的数量；
[0010]所述将所述历史行为序列信息和所述第一资源标识信息输入兴趣识别网络进行兴趣识别，得到所述目标对象对所述至少一个多媒体资源的目标兴趣指标包括：
[0011]基于所述编码网络对所述历史行为序列信息进行编码处理，得到行为编码信息，所述行为编码信息包括所述第二资源标识信息对应的资源编码特征信息和所述第一数量个时序标识信息对应的第一数量个时序编码特征信息；
[0012]根据所述第一数量个时序编码特征信息确定所述第一数量个基础胶囊网络中基
础胶囊特征信息；
[0013]基于每个基础胶囊网络相对于所述第二数量个兴趣胶囊网络的传输权重，将所述基础胶囊特征信息传输给所述第二数量个兴趣胶囊网络进行兴趣识别，得到所述第二数量个兴趣胶囊网络对应的初始兴趣特征信息；
[0014]将所述第二数量个兴趣胶囊网络对应的初始兴趣特征信息和所述第一资源标识信息对应的资源特征信息输入所述特征融合网络进行特征融合，得到目标兴趣特征信息；
[0015]将所述资源编码特征信息、所述目标兴趣特征信息和所述第一资源标识信息对应的资源特征信息输入所述兴趣感知网络进行兴趣感知处理，得到所述目标兴趣指标。
[0016]可选的，所述编码网络包括：特征提取网络、位置编码网络和至少一个按序连接的子编码网络，任一子编码网络包括自注意力网络和前馈神经网络，所述基于所述编码网络对所述历史行为序列信息进行编码处理，得到行为编码信息包括：
[0017]基于所述特征提取网络提取所述历史行为序列信息的行为特征信息；
[0018]基于所述位置编码网络对所述行为特征信息进行位置编码处理，得到目标行为特征信息；
[0019]遍历所述至少一个按序连接的子编码网络，在遍历到任一子编码网络的情况下，将当前行为特征信息输入当前遍历到的子编码网络中的自注意力网络进行自注意力学习，得到当前初始编码信息；
[0020]将所述当前初始编码信息输入所述当前遍历到的子编码网络中的前馈神经网络进行非线性处理，得到当前编码行为信息；
[0021]将遍历结束时的当前编码行为信息作为所述行为编码信息；
[0022]其中，所述至少一个按序连接的子编码网络中第一个子编码网络的当前行为特征信息为所述目标行为特征信息，所述至少一个按序连接的子编码网络中非第一个子编码网络的当前行为序列信息为前一个子编码网络输出的当前编码行为信息。
[0023]可选的，所述方法还包括：
[0024]生成目标掩码信息，所述目标掩码信息包括第一掩码信息、第二掩码信息、第三掩码信息和第四掩码信息，所述第一掩码信息表征与所述第一数量个时序标识信息对应的所述第一数量个行为序列片段间的关联关系；所述第二掩码信息表征多个所述多媒体资源中任一多媒体资源的第二资源标识信息与预设范围内的多媒体资源的第二资源标识信息间的关联关系；所述第三掩码信息表征所述第一数量个行为序列片段对多个所述多媒体资源的关联信息；所述第四掩码信息表征多个所述多媒体资源对所述第一数量个行为序列片段的关联信息；
[0025]所述将当前行为特征信息输入当前遍历到的子编码网络中的自注意力网络进行自注意力学习，得到当前初始编码信息包括：
[0026]将当前行为特征信息和所述目标掩码信息输入当前遍历到的子编码网络中的自注意力网络进行自注意力学习，得到所述当前初始编码信息。
[0027]可选的，所述方法还包括：
[0028]将目标资源编码特征信息、所述目标兴趣特征信息和所述第一资源标识信息输入所述兴趣感知网络进行兴趣感知处理，得到所述目标兴趣指标；
[0029]其中，所述目标资源编码特征信息为多个所述多媒体资源对应的资源编码特征信
息中对应的行为时间和当前时间的时间差满足预设条件的资源编码特征信息。
[0030]可选的，所述特征融合网络为包括权重学习层和加权处理层的注意力学习网络，所述将所述第二数量个兴趣胶囊网络对应的初始兴趣特征信息和所述第一资源标识信息对应的资源特征信息输入所述特征融合网络进行特征融合，得到目标兴趣特征信息包括：
[0031]将所述第二数量个兴趣胶囊网络对应的初始兴趣特征信息和所述第一资源标识信息输入所述权重学习层进行权重学习，得到兴趣权重信息，所述兴趣权重信息表征所述第二数量个兴趣胶囊网络对应的初始兴趣特征信息对所述目标对象的兴趣的影响程度；
[0032]将所述兴趣权重信息和所述初始兴趣特征信息输入所述加权处理层进行加权处理，得到所述目标兴趣特征信息。
[0033]可选的，所述方法还包括：
[0034]获取样本对象的样本行为序列信息、至少一个样本多媒体资源的第三资源标识信息和标注兴趣指标，所述样本行为序列信息包括所述样本对象在预设样本时间段内行为过的多个历史多媒体资源的第四资源标识信息和基于多个所述历史多媒体资源对应的行为时间确定的，与多个所述历史媒体资源对应的所述第一数量个样本时序标识信息；
[0035]确定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多媒体资源推荐方法，其特征在于，包括：响应于目标对象的多媒体资源获取请求，获取所述目标对象的历史行为序列信息和待推荐的至少一个多媒体资源的第一资源标识信息，所述历史行为序列信息包括所述目标对象在预设时间段内行为过的多个多媒体资源的第二资源标识信息和多个所述多媒体资源对应的第一数量个时序标识信息，所述时序标识信息为基于多个所述多媒体资源对应的行为时间所在预设分布时间段确定的标识；将所述历史行为序列信息和所述第一资源标识信息输入兴趣识别网络进行兴趣识别，得到所述目标对象对所述至少一个多媒体资源的目标兴趣指标；基于所述目标兴趣指标，将所述至少一个多媒体资源中的目标多媒体资源推荐给所述目标对象。2.根据权利要求1所述的多媒体资源推荐方法，其特征在于，所述兴趣识别网络包括编码网络、所述第一数量个基础胶囊网络、第二数量个兴趣胶囊网络、特征融合网络和兴趣感知网络，所述第二数量为预设的资源类型对应的数量；所述将所述历史行为序列信息和所述第一资源标识信息输入兴趣识别网络进行兴趣识别，得到所述目标对象对所述至少一个多媒体资源的目标兴趣指标包括：基于所述编码网络对所述历史行为序列信息进行编码处理，得到行为编码信息，所述行为编码信息包括所述第二资源标识信息对应的资源编码特征信息和所述第一数量个时序标识信息对应的第一数量个时序编码特征信息；根据所述第一数量个时序编码特征信息确定所述第一数量个基础胶囊网络中基础胶囊特征信息；基于每个基础胶囊网络相对于所述第二数量个兴趣胶囊网络的传输权重，将所述基础胶囊特征信息传输给所述第二数量个兴趣胶囊网络进行兴趣识别，得到所述第二数量个兴趣胶囊网络对应的初始兴趣特征信息；将所述第二数量个兴趣胶囊网络对应的初始兴趣特征信息和所述第一资源标识信息对应的资源特征信息输入所述特征融合网络进行特征融合，得到目标兴趣特征信息；将所述资源编码特征信息、所述目标兴趣特征信息和所述第一资源标识信息对应的资源特征信息输入所述兴趣感知网络进行兴趣感知处理，得到所述目标兴趣指标。3.根据权利要求2所述的多媒体资源推荐方法，其特征在于，所述编码网络包括：特征提取网络、位置编码网络和至少一个按序连接的子编码网络，任一子编码网络包括自注意力网络和前馈神经网络，所述基于所述编码网络对所述历史行为序列信息进行编码处理，得到行为编码信息包括：基于所述特征提取网络提取所述历史行为序列信息的行为特征信息；基于所述位置编码网络对所述行为特征信息进行位置编码处理，得到目标行为特征信息；遍历所述至少一个按序连接的子编码网络，在遍历到任一子编码网络的情况下，将当前行为特征信息输入当前遍历到的子编码网络中的自注意力网络进行自注意力学习，得到当前初始编码信息；将所述当前初始编码信息输入所述当前遍历到的子编码网络中的前馈神经网络进行非线性处理，得到当前编码行为信息；
将遍历结束时的当前编码行为信息作为所述行为编码信息；其中，所述至少一个按序连接的子编码网络中第一个子编码网络的当前行为特征信息为所述目标行为特征信息，所述至少一个按序连接的子编码网络中非第一个子编码网络的当前行为序列信息为前一个子编码网络输出的当前编码行为信息。4.根据权利要求3所述的多媒体资源推荐方法，其特征在于，所述方法还包括：生成目标掩码信息，所述目标掩码信息包括第一掩码信息、...

【专利技术属性】
技术研发人员：赵鑫，王辉，冯翔，毛景树，王珵，江鹏，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：