媒体资源的推送方法和装置、存储介质及电子设备制造方法及图纸

本发明专利技术公开了一种媒体资源的的推送方法和装置、存储介质及电子设备。其中，该方法包括：获取目标帐号的目标帐号特征以及目标媒体资源的目标媒体资源特征，并将目标帐号特征转换成第一特征向量，将目标媒体资源特征转换成第二特征向量；根据第一特征向量与第二特征向量，生成目标特征向量；根据目标帐号特征，在多个多层神经网络MLP结构中选择目标MLP结构；将目标特征向量输入到目标MLP结构，得到第一预测值，并将目标特征向量输入到目标公共MLP结构，得到第二预测值；在第一预测值和第二预测值满足预设的推送条件的情况下，向目标帐号推送目标媒体资源。本发明专利技术解决了相关技术中在媒体资源的推送过程中出现的准确率较低的技术问题。问题。问题。

【技术实现步骤摘要】
媒体资源的推送方法和装置、存储介质及电子设备


[0001]本专利技术涉及机器学习
，具体而言，涉及一种媒体资源的推送方法和装置、存储介质及设备。

技术介绍

[0002]相关技术中，媒体资源的推送主要依赖于目标帐号(或目标对象)的特征进行数据建模，例如，根据目标帐号在一段历史周期内产生的数据(如访问的广告类型、广告内容及访问时间等)，得到目标帐号的帐号特征，从而创建广告推送模型，并依据该推送模型的计算结果向不同的帐号群组推送其感兴趣的广告。
[0003]然而，由于不同帐号群组之间的特征分布存在一定差异，采用上述共用的广告推送模型中的模型参数(例如，多层神经网络(Multi layer Perceptron，简称MLP)结构中的参数)去拟合不同帐号群组的特征，使得对不同帐号群组的刻画存在一定偏差，使得推送的广告与部分帐号不匹配，降低了广告的点击率和转化率，造成了媒体资源的推送的准确率较低的技术问题。
[0004]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本专利技术实施例提供了一种媒体资源的推送方法和装置、存储介质及电子设备，以至少解决相关技术中媒体资源的推送的准确率较低的技术问题。
[0006]根据本专利技术实施例的一个方面，提供了一种媒体资源的推送方法，包括：获取目标帐号的目标帐号特征以及目标媒体资源的目标媒体资源特征，并将目标帐号特征转换成第一特征向量，将目标媒体资源特征转换成第二特征向量；根据第一特征向量与第二特征向量，生成目标特征向量；根据目标帐号特征，在多个多层神经网络MLP结构中选择目标MLP结构，其中，多个MLP结构中的每个MLP结构对应不同的帐号群组，目标MLP结构对应目标帐号所在的帐号群组；将目标特征向量输入到目标MLP结构，得到第一预测值，并将目标特征向量输入到目标公共MLP结构，得到第二预测值，其中，第一预测值和第二预测值用于表示目标帐号对目标媒体资源执行目标操作的预测概率；在第一预测值和第二预测值满足预设的推送条件的情况下，向目标帐号推送目标媒体资源。
[0007]可选地，上述根据目标帐号特征，在多个多层神经网络MLP结构中选择目标MLP结构，包括：将目标帐号特征输入到目标选择神经网络结构，得到目标预测向量，其中，多个MLP结构为N个MLP结构，目标预测向量中包括N个比特，每个比特对应多个MLP结构中的一个MLP结构，每个比特的取值用于表示对应的一个MLP结构是否被选中，N为大于或等于2的正整数；在目标预测向量中与目标MLP结构对应的比特的取值表示目标MLP结构被选中的情况下，在多个MLP结构中选择目标MLP结构。
[0008]可选地，上述将目标帐号特征输入到目标选择神经网络结构，得到目标预测向量，包括：在目标帐号特征包括U个帐号特征的情况下，将U个帐号特征中的每个帐号特征分别
转换成特征向量，得到U个特征向量，其中，U为大于或等于2的正整数；将U个特征向量拼接成第三特征向量；将第三特征向量输入到目标选择神经网络结构中的全连接层，得到全连接层输出的目标预测向量。
[0009]可选地，上述方法还包括：使用目标样本集合对待训练的预测神经网络模型进行多轮训练，直到预测神经网络模型对应的预测损失值满足预设的收敛条件，结束训练，并将结束训练时的待训练的预测神经网络模型确定为目标预测神经网络模型，其中，待训练的预测神经网络模型中包括待训练的选择神经网络结构，多个待训练的MLP结构，以及待训练的公共MLP结构，在训练的过程中，当预测神经网络模型对应的预测损失值不满足预设的收敛条件时，对待训练的预测神经网络模型中的待训练的选择神经网络结构、多个待训练的MLP结构以及待训练的公共MLP结构中的至少一个结构中的参数进行调整；其中，目标样本集合中包括不同的帐号群组中的样本帐号。
[0010]可选地，上述使用目标样本集合对待训练的预测神经网络模型进行多轮训练，包括：在目标样本集合包括验证样本集合和训练样本集合的情况下，重复执行以下步骤，直到预测神经网络模型对应的预测损失值满足预设的收敛条件；将验证样本集合中的一个验证样本输入到预测神经网络模型，得到验证样本的预测值；通过目标损失函数对验证样本的实际值和验证样本的预测值进行计算，得到验证样本对应的预测损失值；在验证样本对应的预测损失值不满足收敛条件时，对待训练的选择神经网络结构中的参数进行调整；将训练样本集合中的一个训练样本输入到预测神经网络模型，得到训练样本的预测值；通过目标损失函数对训练样本的实际值和训练样本的预测值进行计算，得到训练样本对应的预测损失值；在训练样本对应的预测损失值不满足收敛条件时，对多个待训练的MLP结构以及待训练的公共MLP结构中的至少一个结构中的参数进行调整。
[0011]可选地，上述将验证样本集合中的一个验证样本输入到预测神经网络模型，得到验证样本的预测值，包括：将验证样本中的样本帐号的样本帐号特征转换成第一样本特征向量，将验证样本中的样本媒体资源的样本媒体资源特征转换成第二样本特征向量，并根据第一样本特征向量与第二样本特征向量，生成第三样本特征向量；将样本帐号特征输入到待训练的选择神经网络结构，得到样本预测向量，其中，样本预测向量用于标识多个待训练的MLP结构中被选中待训练的MLP结构；将第三样本特征向量输入到被选中的待待训练的MLP结构，得到第一样本预测值，并将第三样本特征向量输入到待训练的公共MLP结构，得到第二样本预测值，其中，第一样本预测值和第二样本预测值用于表示样本帐号对样本媒体资源执行目标操作的预测概率；根据第一样本预测值和第二样本预测值，确定验证样本的预测值。
[0012]可选地，上述方法还包括：在多个MLP结构为N个MLP结构、且N个MLP结构对应于不同的N个帐号群组的情况下，检测到不同的N个帐号群组更新为了不同的Q个帐号群组，其中，N为大于或等于2的正整数，Q为大于或等于2的正整数；将待训练的预测神经网络模型中的N个待训练的MLP结构更新为Q个待训练的MLP结构，得到更新的待训练的预测神经网络模型；使用更新的样本集合对更新的待训练的预测神经网络模型进行多轮训练，直到更新的待训练的预测神经网络模型对应的预测损失值满足收敛条件，结束训练，并将结束训练时的更新的待训练的预测神经网络模型确定为更新的预测神经网络模型，并将目标预测神经网络模型替换为更新的预测神经网络模型；其中，更新的样本集合中包括不同的Q个帐号群
组中的样本帐号。
[0013]可选地，上述方法还包括：在根据第一特征向量与第二特征向量，生成目标特征向量之前，方法还包括：获取对场景信息提取到的目标场景特征；在目标场景特征包括P3个场景特征的情况下，将P3个场景特征中的每个场景特征分别转换成特征向量，得到P3个特征向量，其中，P3为大于或等于1的正整数；根据第一特征向量与第二特征向量，生成目标特征向量，包括：在第一特征向量包括P1个特征向量、且第二特征向量包括P2个特征向量的情况下，将P1个特征向量、P2个特征向量、以及P3个特征向量拼接成目标特征向量，其中，P1为大于或等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种媒体资源的推送方法，其特征在于，包括：获取目标帐号的目标帐号特征以及目标媒体资源的目标媒体资源特征，并将所述目标帐号特征转换成第一特征向量，将所述目标媒体资源特征转换成第二特征向量；根据所述第一特征向量与所述第二特征向量，生成目标特征向量；根据所述目标帐号特征，在多个多层神经网络MLP结构中选择目标MLP结构，其中，所述多个MLP结构中的每个MLP结构对应不同的帐号群组，所述目标MLP结构对应所述目标帐号所在的帐号群组；将所述目标特征向量输入到所述目标MLP结构，得到第一预测值，并将所述目标特征向量输入到目标公共MLP结构，得到第二预测值，其中，所述第一预测值和所述第二预测值用于表示所述目标帐号对所述目标媒体资源执行目标操作的预测概率；在所述第一预测值和所述第二预测值满足预设的推送条件的情况下，向所述目标帐号推送所述目标媒体资源。2.根据权利要求1所述的方法，其特征在于，所述根据所述目标帐号特征，在多个多层神经网络MLP结构中选择目标MLP结构，包括：将所述目标帐号特征输入到目标选择神经网络结构，得到目标预测向量，其中，所述多个MLP结构为N个MLP结构，所述目标预测向量中包括N个比特，每个比特对应所述多个MLP结构中的一个MLP结构，所述每个比特的取值用于表示对应的一个MLP结构是否被选中，N为大于或等于2的正整数；在所述目标预测向量中与所述目标MLP结构对应的比特的取值表示所述目标MLP结构被选中的情况下，在所述多个MLP结构中选择所述目标MLP结构。3.根据权利要求2所述的方法，其特征在于，所述将所述目标帐号特征输入到目标选择神经网络结构，得到目标预测向量，包括：在所述目标帐号特征包括U个帐号特征的情况下，将所述U个帐号特征中的每个帐号特征分别转换成特征向量，得到U个特征向量，其中，U为大于或等于2的正整数；将所述U个特征向量拼接成第三特征向量；将所述第三特征向量输入到所述目标选择神经网络结构中的全连接层，得到所述全连接层输出的所述目标预测向量。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：使用目标样本集合对待训练的预测神经网络模型进行多轮训练，直到所述预测神经网络模型对应的预测损失值满足预设的收敛条件，结束训练，并将结束训练时的所述待训练的预测神经网络模型确定为目标预测神经网络模型，其中，所述待训练的预测神经网络模型中包括待训练的选择神经网络结构，多个待训练的MLP结构，以及待训练的公共MLP结构，在训练的过程中，当所述预测神经网络模型对应的预测损失值不满足所述预设的收敛条件时，对所述待训练的预测神经网络模型中的所述待训练的选择神经网络结构、所述多个待训练的MLP结构以及所述待训练的公共MLP结构中的至少一个结构中的参数进行调整；其中，所述目标样本集合中包括所述不同的帐号群组中的样本帐号。5.根据权利要求4所述的方法，其特征在于，所述使用目标样本集合对待训练的预测神经网络模型进行多轮训练，包括：在所述目标样本集合包括验证样本集合和训练样本集合的情况下，重复执行以下步
骤，直到所述预测神经网络模型对应的所述预测损失值满足预设的所述收敛条件；将所述验证样本集合中的一个验证样本输入到所述预测神经网络模型，得到所述验证样本的预测值；通过目标损失函数对所述验证样本的实际值和所述验证样本的预测值进行计算，得到所述验证样本对应的预测损失值；在所述验证样本对应的预测损失值不满足所述收敛条件时，对所述待训练的选择神经网络结构中的参数进行调整；将所述训练样本集合中的一个训练样本输入到所述预测神经网络模型，得到所述训练样本的预测值；通过所述目标损失函数对所述训练样本的实际值和所述训练样本的预测值进行计算，得到所述训练样本对应的预测损失值；在所述训练样本对应的预测损失值不满足所述收敛条件时，对所述多个待训练的MLP结构以及所述待训练的公共MLP结构中的至少一个结构中的参数进行调整。6.根据权利要求5所述的方法，其特征在于，所述将所述验证样本集合中的一个验证样本输入到所述预测神经网络模型，得到所述验证样本的预测值，包括：将所述验证样本中的样本帐号的样本帐号特征转换成第一样本特征向量，将所述验证样本中的样本媒体资源的样本媒体资源特征转换成第二样本特征向量，并根据所述第一样本特征向量与所述第二样本特征向量，生成第三样本特征向量；将所述样本帐号特征输入到所述待训练的选择神经网络结构，得到样本预测向量，其中，所述样本预测向量用于标识所述多个待训练的MLP结构中被选中的待训练的MLP结构；将所述第三样本特征向量输入到所述被选中的待训练的MLP结构，得到第一样本预测值，并将所述第三样本特征向量输入到所述待训练的公共MLP结构，得到第二样本预测值，其中，所述第一样本预测值和所述第二样本预测值用于表示所述样本帐号对所述样本媒体资源执行所述目标操作的预测概率；根据所述第一样本预测值和所述第二样本预测值，确定所述验证样本的预测值。7.根据权利要求4所述的方法，其特征在于，所述方法还包括：在所述多个MLP结构为N个MLP结构、且所述N个MLP结构对应于不同的N个帐号群组的情况下，检测到所述不同的N...

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