训练媒体内容推荐网络的方法、以及推荐媒体内容的方法技术

本申请实施例公开训练媒体内容推荐网络的方法、以及推荐媒体内容的方法，该方法可以应用于人工智能领域。该训练方法设计了全新的模型结构，包括信息筛选网络、深度神经网络和共现预测网络，深度神经网络包括至少一个残差门控网络。信息筛选网络对输入模型的信息进行有效筛选，共现预测网络可以基于共现信息预测媒体内容对应的预设操作发生概率，这一模型结构使得该媒体内容推荐模型的训练过程中可以充分考虑到有效筛选出来的信息和共现信息，预测能力强。残差门控网络以信息筛选网络输出的筛选结果为输入，通过残差处理和门控值输出的方式对深度神经网络中的门控层的输出值进行放缩，让神经网络更好地学习个性化特征，具备更好的推荐效果。更好的推荐效果。更好的推荐效果。

【技术实现步骤摘要】
训练媒体内容推荐网络的方法、以及推荐媒体内容的方法


[0001]本申请实施例涉及计算机
，尤其涉及训练媒体内容推荐网络的方法、以及推荐媒体内容的方法。

技术介绍

[0002]相关技术中的许多应用都推出了个性化媒体内容推荐服务，从而满足使用者多场景下的媒体内容推荐需求，并且支持使用者对媒体内容实施预设操作。多场景体现在多样的使用者，多类型的媒体内容、媒体内容对应不同的预设操作，推荐媒体内容时不同的上下文信息。多场景一方面充分满足了使用者对媒体内容的推荐需求，提升了媒体内容的预设操作的发生率，但是一方面又增加了推荐难度。目前，相关技术对于媒体内容推荐在多场景的表现波动较大，稳定性稍显不足。

技术实现思路

[0003]为了解决上述至少一个技术问题，本申请实施例提供训练媒体内容推荐网络的方法、以及推荐媒体内容的方法，以解决相关技术中媒体内容推荐效果不佳，并且针对各场景适应力和稳定性不足的问题。
[0004]一方面，本申请实施例提供了一种训练媒体内容推荐网络的方法，所述媒体内容推荐网络包括信息筛选网络、深度神经网络和共现预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种训练媒体内容推荐网络的方法，其特征在于，所述媒体内容推荐网络包括信息筛选网络、深度神经网络和共现预测网络，所述深度神经网络包括至少一个残差门控网络以及与各所述残差门控网络连接的稀疏因子分解层，所述方法包括：获取样本媒体内容和所述样本媒体内容对应的标注信息，所述标注信息表征所述样本媒体内容触发样本账户执行预设操作的执行情况；根据所述样本媒体内容和所述样本账户，确定样本初始信息和样本共现信息，所述样本共现信息包括允许存在共现情况的样本子信息；将所述样本初始信息输入信息筛选网络进行特征筛选处理，得到样本筛选特征，所述信息筛选网络包括依次连接的第一嵌入层、信息筛选层和第二嵌入层，所述第二嵌入层与所述稀疏因子分解层连接；将所述样本筛选特征输入深度神经网络进行操作预测处理，得到第一预测结果，所述深度神经网络中的稀疏因子分解层以所述样本筛选特征为输入，并经由各残差门控网络输出各自对应的门控值；将所述样本共现信息输入共现预测网络进行操作预测处理，得到第二预测结果；对所述第一预测结果和所述第二预测结果进行融合，得到样本预测结果；基于所述样本预测结果和所述标注信息之间的差异，调整所述媒体内容推荐网络的各参数，得到媒体内容推荐模型。2.根据权利要求1所述的方法，其特征在于，所述第一嵌入层与所述域第二嵌入层连接，所述将所述样本初始信息输入信息筛选网络进行特征筛选处理，得到样本筛选特征，包括：将所述样本初始信息输入所述第一嵌入层，得到样本嵌入特征；将所述样本嵌入特征输入所述信息筛选层，得到样本筛选指示特征；将所述样本筛选指示特征和所述样本嵌入特征输入所述第二嵌入层，得到所述样本筛选特征。3.根据权利要求2所述的方法，其特征在于，所述信息筛选层包括至少两个全连接层和位于所述信息筛选层尾部的第一激活层，以及位于所述至少两个全连接层内的第二激活层，所述将所述样本嵌入特征输入所述信息筛选层，得到样本筛选指示特征，包括：将所述样本嵌入特征输入所述至少两个全连接层，得到样本降维特征；将所述样本降维特征输入所述第一激活层，得到所述样本筛选指示特征。4.根据权利要求1所述的方法，其特征在于，所述深度神经网络包括顺序连接的M个二元组模块，以及与最后一个二元组模块串联的第一拟合层，所述二元组模块包括顺序连接的特征映射层和门控层，M为大于1的正整数，所述将所述样本筛选特征输入深度神经网络进行操作预测处理，得到第一预测结果，包括：将二元组模块M
i
‑1输出的特征输入二元组模块M
i
的特征映射层进行特征映射处理，得到所述特征映射层输出的特征，i为小于或者等于M，并且大于等于1的正整数；在二元组模块M
i
的门控层与残差门控网络连接的情况下，将二元组模块M
i
的所述特征映射层输出的特征和所述残差门控网络输出的门控值共同输入到二元组模块M
i
的门控层进行基于正则化操作的门控处理，得到二元组模块M
i
输出的特征；将最后一个二元组模块输出的特征输入所述第一拟合层，得到所述第一预测结果。
5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述稀疏因子分解层中包括至少一个残差模块，所述方法还包括：对所述样本筛选特征进行残差处理，得到残差信息；将所述残差信息进行稀疏因子分解处理，得到残差门控指示信息；将所述残差门控指示信息输入各所述残差门控网络，得到每一所述残差门控网络输出的门控值。6.根据权利要求5所述的方法，其特征在于，所述残差门控网络包括顺序连接的信息提取层和激活调节层，所述激活调节层用于对所述信息提取层输出的信息进行激活，并对激活结果进行放缩，得到对应的门控值，所述将所述残差门控指示信息输入各所述残差门控网络，得到每一所述残差门控网络输出的门控值，包括：针对每一所述残差门控网络，将所述残差门控指示信息输入所述残差门控网络的信息提取层进行信息提取处理，得到门控中间信息，将所述门控中间信息输入所述激活调节层，得到对应的门控值。7.根据权利要求1所述的方法，其特征在于，所述共现预测网络包括...

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