公开关于一种多媒体资源推送方法、模型训练方法、装置、存储介质。该方法包括：获取待处理对象的特征信息，生成原始维度特征数据和新增维度特征数据；将所述原始维度特征数据和所述新增维度特征数据输入多媒体推送模型中；基于所述原始多媒体推送模型输出的特征和所述个性化模型输出的特征，与多媒体资源库中的多媒体资源进行匹配，得到候选多媒体资源；从所述候选多媒体资源中确定出待推送的目标多媒体资源。通过本公开提供的实施例方案，有效降低了推送模型始的马太效应，提高多媒体推送模型推送多媒体资源的精度和处理效率。型推送多媒体资源的精度和处理效率。型推送多媒体资源的精度和处理效率。
【技术实现步骤摘要】
多媒体资源推送方法、模型训练方法、装置、存储介质
[0001]本公开涉及计算机数据处理
，尤其涉及一种多媒体资源推送方法、模型训练方法、装置、存储介质。
技术介绍
[0002]目前，在短视频推送模型训练中，新用户和新视频的冷启动对整个模型系统的生态和留存有至关重要的影响。然而由于新用户和新视频缺乏足够的行为数据，训练中能够使用的行为样本较少，推送模型对新用户和新视频的通常只能利用有限的行为样本进行学习，使得推送模型倾向于学习好老用户的行为样本，马太效应较为明显，推送结果不够准确。
技术实现思路
[0003]本公开提供一种多媒体资源推送方法、模型训练方法、装置、存储介质，可以降低推送模型的马太效应，提高多媒体资源推送的准确性。本公开的技术方案如下：
[0004]根据本公开实施例的第一方面，提供一种多媒体资推送方法，包括：
[0005]获取待处理对象的特征信息，根据所述特征信息生成所述待处理对象的原始维度特征数据和新增维度特征数据；
[0006]将所述原始维度特征数据和所述新增维度特征数据输入多媒体推送模型中，所述多媒体推送模型包括原始多媒体推送模型和个性化模型，通过所述原始多媒体推送模型对所述原始维度特征数据进行处理，得到所述原始多媒体推送模型输出的特征，通过所述个性化模型对所述新增维度特征数据进行处理，得到所述个性化模型输出的特征；
[0007]基于所述原始多媒体推送模型输出的特征和所述个性化模型输出的特征，与多媒体资源库中的多媒体资源进行匹配，得到候选多媒体资源；
[0008]从所述候选多媒体资源中确定出待推送的目标多媒体资源。
[0009]可选的，所述方法中，所述候选多媒体资源中包括预设行为的推送值，所述从所述候选多媒体资源中确定出待推送的目标多媒体资源包括：
[0010]根据所述预设行为的推送值从所述候选多媒体资源中确定出待推送的目标多媒体资源。
[0011]可选的，所述方法中，所述候选多媒体资源中包括多个预设行为以及与所述预设行为对应的推送值，所述根据所述预设行为的推送值从所述候选多媒体资源中确定出待推送的目标多媒体资源包括：
[0012]确定所述多个预设行为中的目标预设行为；
[0013]获取所述候选多媒体资源中所述目标预设行为的推送值；
[0014]根据所述目标预设行为的推送值从所述候选多媒体资源中确定出待推送的目标多媒体资源。
[0015]可选的，所述方法中，所述待处理对象为新增账户，所述新增账户包括生成时长小
于第一时长的账户，和/或，所述多媒体资源库中的多媒体资源包括通过所述多媒体推送模型进行处理后的新增多媒体资源，所述新增多媒体资源包括生成时长小于第二时长的多媒体资源。
[0016]可选的，所述方法中，所述基于所述原始多媒体推送模型输出的特征和所述个性化模型输出的特征，与多媒体资源库中的多媒体资源进行匹配，得到候选多媒体资源，包括：
[0017]将所述原始多媒体推送模型输出的特征和所述个性化模型输出的特征进行组合，得到组合特征；
[0018]根据所述组合特征，与多媒体资源库中的多媒体资源进行匹配，得到候选多媒体资源。
[0019]可选的，所述方法中，所述原始多媒体推送模型为多任务学习模型、所述个性化模型为多层感知器；
[0020]所述基于所述原始多媒体推送模型输出的特征和所述个性化模型输出的特征，与多媒体资源库中的多媒体资源进行匹配，得到候选多媒体资源，包括：
[0021]分别将所述多任务学习模型中各个子任务网络的原始维度特征数据转换为与所述新增维度特征数据具有相同维度的第一目标特征；
[0022]将所述各个子任务网络的第一目标特征输入所述个性化模型，得到所述各个子任务网络输出的第二目标特征；
[0023]分别将各个子任务网络输出的第二目标特征与所述个性化模型输出的特征进行拼接，得到所述各个子任务网络的第一组合特征；
[0024]将所述第一组合特征输入所述多任务学习模型中各个子任务网络，得到第三目标特征；
[0025]根据所述第三目标特征，与多媒体资源库中的多媒体资源进行匹配，得到候选多媒体资源。
[0026]可选的，所述方法中，所述原始多媒体推送模型为多任务学习模型、所述个性化模型为多层感知器；
[0027]所述通过所述原始多媒体推送模型对所述原始维度特征数据进行处理，得到所述原始多媒体推送模型输出的特征包括：将所述原始维度特征数据输入所述多任务学习模型中各个子任务网络，得到所述多任务学习模型中各个子任务网络输出的第四目标特征；
[0028]所述基于所述原始多媒体推送模型输出的特征和所述个性化模型输出的特征，与多媒体资源库中的多媒体资源进行匹配，得到候选多媒体资源包括：
[0029]分别将所述多任务学习模型中各个子任务网络的原始维度特征数据输入所述个性化模型，得到一维的第五目标特征；
[0030]将所述一维的第五目标特征与所述第四目标特征进行加权求和，得到所述多任务学习模型中所有子任务网络输出的第二组合特征；
[0031]根据所述第二组合特征，与多媒体资源库中的多媒体资源进行匹配，得到候选多媒体资源。
[0032]可选的，所述方法中，所述原始多媒体推送模型为包含专家网络的多任务学习模型、所述个性化模型为卷积神经网络，所述卷积神经网络为卷积核尺寸为1的一维卷积层，
所述卷积神经网络的输入通道和输出通道的数量与所述多任务学习模型所包含的专家网络的个数相同；
[0033]所述通过所述原始多媒体推送模型对所述原始维度特征数据进行处理，得到所述原始多媒体推送模型输出的特征包括：将所述原始维度特征数据输入所述多任务学习模型中各个专家网络，得到所述多任务学习模型中各个专家网络输出的第六目标特征；
[0034]所述基于所述原始多媒体推送模型输出的特征和所述个性化模型输出的特征，与多媒体资源库中的多媒体资源进行匹配，得到候选多媒体资源包括；
[0035]将所述个性化模型输出的特征分别与所述各个专家网络输出的第六目标特征进行组合，得到所述各个专家网络对应的第三组合特征；
[0036]将所述第三组合特征输入所述多任务学习模型中的门控网络，得到第七目标特征；
[0037]根据所述第七目标特征，与多媒体资源库中的多媒体资源进行匹配，得到候选多媒体资源。
[0038]可选的，所述方法中，所述原始多媒体推送模型为多头注意力模型、所述个性化模型为卷积神经网络，所述卷积神经网络中输入通道和输出通道的数量分别与所述多头注意力模型所包含的单头注意力模型的数量相同；
[0039]所述通过所述原始多媒体推送模型对所述原始维度特征数据进行处理，得到所述原始多媒体推送模型输出的特征包括：将所述原始维度特征数据输入所述多头注意力模型中各个单头注意力模型，得到所述多头注意力模型中各个单头注意力网络输出的第七目标特征；
[0040]所述基于所述原始多本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种多媒体资源推送方法，其特征在于，包括：获取待处理对象的特征信息，根据所述特征信息生成所述待处理对象的原始维度特征数据和新增维度特征数据；将所述原始维度特征数据和所述新增维度特征数据输入多媒体推送模型中，所述多媒体推送模型包括原始多媒体推送模型和个性化模型，通过所述原始多媒体推送模型对所述原始维度特征数据进行处理，得到所述原始多媒体推送模型输出的特征，通过所述个性化模型对所述新增维度特征数据进行处理，得到所述个性化模型输出的特征；基于所述原始多媒体推送模型输出的特征和所述个性化模型输出的特征，与多媒体资源库中的多媒体资源进行匹配，得到候选多媒体资源；从所述候选多媒体资源中确定出待推送的目标多媒体资源。2.根据权利要求1所述的方法，其特征在于，所述待处理对象为新增账户，所述新增账户包括生成时长小于第一时长的账户，和/或，所述多媒体资源库中的多媒体资源包括通过所述多媒体推送模型进行处理后的新增多媒体资源，所述新增多媒体资源包括生成时长小于第二时长的多媒体资源。3.根据权利要求1所述的方法，其特征在于，所述基于所述原始多媒体推送模型输出的特征和所述个性化模型输出的特征，与多媒体资源库中的多媒体资源进行匹配，得到候选多媒体资源，包括：将所述原始多媒体推送模型输出的特征和所述个性化模型输出的特征进行组合，得到组合特征；根据所述组合特征，与多媒体资源库中的多媒体资源进行匹配，得到候选多媒体资源。4.一种多媒体资源推送模型的训练方法，其特征在于，所述多媒体资源推送模型包括原始多媒体推送模型和个性化模型，所述方法包括：获取训练对象的特征信息，根据所述训练对象的特征信息生成原始训练样本和新增训练样本；通过所述个性化模型对所述新增训练样本进行处理，得到所述个性化模型输出的特征，通过所述原始多媒体推送模型对所述原始训练样本对进行处理，得到所述原始多媒体推送模型输出的特征；将所述个性化模型输出的特征与所述原始多媒体推送模型输出的特征进行组合，得到组合特征；在所述训练对象包括新增账户的情况下，将所述组合特征与多媒体资源库中的多媒体资源进行匹配，得到所述新增账户的多媒体推送信息，所述新增账户包括生成时长小于第一时长的账户；将所述新增账户的多媒体推送信息与所述新增账户的特征信息进行比较，根据比较的结果更新所述多媒体资源推送模型的参数，直至所述比较的结果符合模型训练截止条件。5.根据权利要求4所述的方法，其特征在于，在所述训练对象包括新增多媒体资源的情况下，在得到组合特征之后，所述方法还包括：将所述组合特征输入所述原始多媒体推送模型，将所述组合特征与多媒体资源的特征进行匹配，得到所述新增多媒体资源的多媒体推送信息，新增多媒体资源包括生成时长小于第二时长的多媒体资源；
将所述新增多媒体资源的多媒体推送信息与所述新增多媒体资源的特征信息进行比较，根据比...
【专利技术属性】
技术研发人员：廖一桥，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。