媒体资源的推荐方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种媒体资源的推荐方法、装置、设备及存储介质，属于人工智能技术领域。本申请通过将目标对象的历史行为数据和候选媒体资源的资源数据输入媒体资源推荐模型，考虑到了对象的行为对媒体资源点击和转化的影响，从而使获取到的点击率和转化率中至少一项以及收益参考信息的准确性更高，进一步根据获取的数据，从候选媒体资源中确定为目标对象推荐的媒体资源，同时考虑了点击率、转化率和收益参考信息，能够有效提高媒体资源推荐的准确性。性。性。

【技术实现步骤摘要】
媒体资源的推荐方法、装置、设备及存储介质


[0001]本申请涉及人工智能
，特别涉及一种媒体资源的推荐方法、装置、设备及存储介质。

技术介绍

[0002]随着计算机技术的发展，网络中的媒体资源能够承载更多的信息，实现更多功能，比如，媒体资源能够用于推广商品。在对某个用户进行商品推广的过程中，可以基于相关算法，从媒体资源候选集中选择用户感兴趣的媒体资源推荐给用户，以达到推广商品的目的。相关技术中，往往通过点击率(Click Through Rate，CTR)预估模型，对媒体资源候选集中各个媒体资源的点击率进行预测，将点击率高的媒体资源推荐给用户。
[0003]上述技术中，CTR预估模型只关注了媒体资源的点击率，但是用户即使点击了媒体资源也不一定会对商品进行消费，推荐的准确性较低。

技术实现思路

[0004]本申请实施例提供了一种媒体资源的推荐方法、装置、设备及存储介质，该方法能够提升推荐媒体资源的准确性。该技术方案如下：
[0005]一方面，提供了一种媒体资源的推荐方法，该方法包括：/>[0006]获取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种媒体资源的推荐方法，其特征在于，所述方法包括：获取目标对象的历史行为数据，所述历史行为数据表示所述目标对象基于媒体资源所进行过的浏览行为和资源转移行为；将所述目标对象的历史行为数据和第一候选资源集合中第一候选媒体资源的第一资源数据输入媒体资源推荐模型，得到每个所述第一候选媒体资源的第一点击率和第一转化率中至少一项以及收益参考信息，所述收益参考信息表示所述目标对象对所述候选媒体资源发生转化行为后所产生的收益；基于每个所述第一候选媒体资源的第一点击率和第一转化率中至少一项以及收益参考信息，确定待推荐的媒体资源；基于所述待推荐的媒体资源，对所述目标对象进行资源推荐；其中，所述媒体资源推荐模型基于多个样本对象的历史行为数据进行训练得到。2.根据权利要求1所述的方法，其特征在于，所述将所述目标对象的历史行为数据和第一候选资源集合中第一候选媒体资源的资源信息输入媒体资源推荐模型，得到每个所述第一候选媒体资源的第一点击率和第一转化率中至少一项以及收益参考信息包括：对于任一第一候选媒体资源的第一资源数据，将所述历史行为数据和所述第一资源数据输入所述媒体资源推荐模型；通过所述媒体资源推荐模型，基于收益参考空间，对所述历史行为数据和所述第一资源数据进行处理，得到所述第一候选媒体资源的收益参考信息；通过所述媒体资源推荐模型，基于点击率空间和转化率空间中至少一项，对所述历史行为数据和所述第一资源数据进行处理，得到所述第一候选媒体资源的第一点击率和第一转化率中至少一项。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：获取所述目标对象的画像数据和标签数据，所述标签数据用于表示所述目标对象的偏好；相应地，所述基于收益参考空间，对所述历史行为数据和所述第一资源数据进行处理，得到所述第一候选媒体资源的收益参考信息包括：基于所述媒体资源推荐模型，获取第一对象数据的初始对象向量和所述第一资源数据的初始资源向量，所述第一对象数据包括所述目标对象的历史行为数据、画像数据和标签数据，所述初始对象向量包括所述第一对象数据中多个类别的数据对应的子向量，所述初始资源向量包括所述第一资源数据中多个类别的数据对应的子向量；基于多种融合方式，对所述初始对象向量的多个子向量进行多次融合，得到所述对象数据的多个对象融合向量，对所述初始资源向量的多个子向量进行多次融合，得到所述资源数据的多个资源融合向量；基于所述收益参考空间，分别对所述多个对象融合向量和所述多个资源融合向量进行加权求和，得到对象向量和资源向量，所述对象向量表示所述第一对象数据对所述第一候选媒体资源的收益参考信息的影响，所述资源向量表示所述第一资源数据对所述第一候选媒体资源的收益参考信息的影响；基于所述对象向量和所述资源向量，获取所述第一候选媒体资源的收益参考信息。4.根据权利要求3所述的方法，其特征在于，所述历史行为数据包括多个历史时间段的
行为数据；所述基于所述媒体资源推荐模型，获取第一对象数据的初始对象向量和所述第一资源数据的初始资源向量包括：基于所述媒体资源推荐模型，分别对所述第一对象数据和所述第一资源数据进行映射，得到所述历史行为数据的初始子向量、所述画像数据的子向量、所述标签数据的子向量以及所述第一资源数据的多个子向量；基于自注意力机制和所述历史行为数据的初始子向量，提取所述多个历史时间段的行为数据之间的相关信息，以得到所述历史行为数据的子向量；将所述历史行为数据的子向量、所述画像数据的子向量和所述标签数据的子向量拼接，得到所述初始对象向量；将所述第一资源数据的多个子向量拼接，得到所述初始资源向量。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于点击标签和转化标签中至少一项、样本数据以及样本收益参考信息，对所述媒体资源推荐模型进行训练，所述样本数据包括样本对象的样本历史行为数据和样本媒体资源的样本资源数据；所述媒体资源推荐模型的训练过程包括：基于所述媒体资源推荐模型，获取所述样本数据的预测点击率和预测转化率中至少一项以及预测收益参考信息；基于所述预测点击率和所述预测转化率中至少一项、所述点击标签和所述转化标签中至少一项、所述预测收益参考信息和所述样本收益参考信息，对所述媒体资源推荐模型进行训练。6.根据权利要求5所述的方法，其特征在于，所述样本收益参考信息通过对样本收益数据进行标准化处理得到。7.根据权利要求1
‑
6任一项所述的方法，其特征在于，所述基于每个所述第一候选媒体资源的第一点击率和第一转化率中至少一项以及收益参考信息，确定待推荐的媒体资源包括：基于每个所述第一候选媒体资源的第一转化率，从所述第一候选资源集合中确定多个第一媒体资源；基于每个所述第一候选媒体资源的收益参考信息，从所述第一候选资源集合中确定多个第二媒体资源；从第二候选资源集合中确定待推荐的媒体资源，所述第二候选资源集合为...

【专利技术属性】
技术研发人员：严超，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：