媒体资源推荐方法、装置及电子设备制造方法及图纸

本申请提供一种媒体资源推荐方法、装置及电子设备，该方法包括：获取第一媒体资源集中每个媒体资源的三元组信息，媒体资源的三元组信息包括：媒体资源的第一属性信息，媒体资源关联的第二属性信息以及第一属性信息与第二属性信息之间的关系；将第一媒体资源集中每个媒体资源的三元组信息输入已训练的文本生成模型，生成第一媒体资源集中每个媒体资源的资源描述内容；获取第二媒体资源集中媒体资源的资源描述内容和图像信息，目标媒体资源包括第一媒体资源集以及第二媒体资源集；基于待推荐用户的历史行为记录，以及目标媒体资源集中媒体资源的资源描述内容和图像信息，从目标媒体资源集中确定待推荐用户的推荐媒体资源，以提高媒体资源推荐效果。高媒体资源推荐效果。高媒体资源推荐效果。

【技术实现步骤摘要】
媒体资源推荐方法、装置及电子设备


[0001]本申请涉及信息处理
，尤其涉及一种媒体资源推荐方法、装置及电子设备。

技术介绍

[0002]随着互联网技术的发展，各类应用层出不穷，例如，媒体资源(媒资)应用的出现，给用户观看媒体资源提供的便利，又例如，电视越来越智能，可接收各类媒体资源应用提供的媒体资源，以供电视用户观看。
[0003]然而，目前对于电视用户，一般采用的推荐方式是采用热点排行榜的方式为其推荐热点媒体资源，但推荐的热点资源可能并不是该用户感兴趣的，媒体资源推荐效果较差。

技术实现思路

[0004]本申请实施例提供一种媒体资源推荐方法、装置及电子设备，以解决现有媒体资源推荐效果较差的问题。
[0005]为解决上述技术问题，本申请是这样实现的：
[0006]第一方面，本申请实施例提供了一种媒体资源推荐方法，所述方法包括：
[0007]获取第一媒体资源集中每个媒体资源的三元组信息，其中，所述媒体资源的三元组信息包括：所述媒体资源的第一属性信息，所述媒体资源关联的第二属性信息以及所述第一属性信息与所述第二属性信息之间的关系；
[0008]将所述第一媒体资源集中每个媒体资源的三元组信息输入已训练的文本生成模型，生成所述第一媒体资源集中每个媒体资源的资源描述内容；
[0009]获取第二媒体资源集的资源描述内容以及目标媒体资源集的图像信息，其中，所述目标媒体资源包括所述第一媒体资源集以及所述第二媒体资源集；
[0010]基于待推荐用户的历史行为记录，以及所述目标媒体资源集的资源描述内容和图像信息，从所述目标媒体资源集中确定所述待推荐用户的推荐媒体资源。
[0011]第二方面，本申请实施例提供一种媒体资源推荐装置，所述装置包括：
[0012]第一信息获取模块，用于获取第一媒体资源集中每个媒体资源的三元组信息，其中，所述媒体资源的三元组信息包括：所述媒体资源的第一属性信息，所述媒体资源关联的第二属性信息以及所述第一属性信息与所述第二属性信息之间的关系；
[0013]描述内容生成模块，用于将所述第一媒体资源集中每个媒体资源的三元组信息输入已训练的文本生成模型，生成所述第一媒体资源集中每个媒体资源的资源描述内容；
[0014]第二信息获取模块，用于获取第二媒体资源集中媒体资源的资源描述内容以及目标媒体资源集中媒体资源的图像信息，其中，所述目标媒体资源包括所述第一媒体资源集以及所述第二媒体资源集；
[0015]推荐资源确定模块，用于基于待推荐用户的历史行为记录，以及所述目标媒体资源集中媒体资源的资源描述内容和图像信息，从所述目标媒体资源集中确定所述待推荐用
户的推荐媒体资源。
[0016]第三方面，本申请实施例提供一种电子设备，包括收发机和处理器，
[0017]所述处理器，用于：
[0018]获取第一媒体资源集中每个媒体资源的三元组信息，其中，所述媒体资源的三元组信息包括：所述媒体资源的第一属性信息，所述媒体资源关联的第二属性信息以及所述第一属性信息与所述第二属性信息之间的关系；
[0019]将所述第一媒体资源集中每个媒体资源的三元组信息输入已训练的文本生成模型，生成所述第一媒体资源集中每个媒体资源的资源描述内容；
[0020]获取第二媒体资源集中媒体资源的资源描述内容以及目标媒体资源集中媒体资源的图像信息，其中，所述目标媒体资源包括所述第一媒体资源集以及所述第二媒体资源集；
[0021]基于待推荐用户的历史行为记录，以及所述目标媒体资源集中媒体资源的资源描述内容和图像信息，从所述目标媒体资源集中确定所述待推荐用户的推荐媒体资源。
[0022]第四方面，本申请实施例提供一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现上述第一方面所述的媒体资源推荐方法的步骤。
[0023]第五方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的媒体资源推荐方法的步骤。
[0024]在本实施例的推荐方法中，不再采用热点推荐方式向用户推荐热点资源，而是利用第一媒体资源集中每个媒体资源的三元组信息，通过文本生成模型生成每个媒体资源的资源描述内容，在待推荐用户的历史行为记录的基础上，融合第二媒体资源集的资源描述内容以及目标媒体资源集的图像信息确定所述待推荐用户的推荐媒体资源，也即是本实施例的推荐方法中，通过用户的历史行为记录，可提高推荐的资源与用户之间的关联性，而且在用户历史行为记录的基础上，结合媒体资源的资源描述内容和图像信息，使推荐的媒体资源与用户更加适配，提高媒体资源推荐效果。
附图说明
[0025]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0026]图1是本申请实施例提供的一种媒体资源推荐方法的流程图之一；
[0027]图2是本申请实施例提供的一种媒体资源推荐方法的流程图之二；
[0028]图3是一种ItemSage模型的结构图；
[0029]图4是本申请实施例提供的一种媒体资源推荐装置的结构示意图；
[0030]图5是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0031]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0032]参见图1，图1是本申请实施例提供的一种媒体资源推荐方法的流程图，可应用于电子设备执行，其中，电子设备可以是终端(可以是移动设备或非移动设备)或服务器设备。如图1所示，本实施例提供的媒体资源推荐方法包括以下步骤：
[0033]步骤101：获取第一媒体资源集中每个媒体资源的三元组信息，其中，媒体资源的三元组信息包括：媒体资源的第一属性信息，媒体资源关联的第二属性信息以及第一属性信息与第二属性信息之间的关系。
[0034]需要说明的是，本申请实施例中的媒体资源可以是图像、视频等资源，第一属性信息可以包括但不限于资源名称等，第二属性信息可以包括但不限于资源关联的用户名称(例如，电影视频的演员名称)或资源所属资源类别(也可以理解是资源的标签或所属资源类型，例如，对于视频资源，资源类别可包括但不限于喜剧类别、惊悚类别、言情类别、动画类别以及动作类别等)。
[0035]步骤102：将媒体资源中每个媒体资源的三元组信息输入已训练的文本生成模型，生成第一媒体资源集中每个媒体资源的资源描述内容。...

【技术保护点】

【技术特征摘要】
1.一种媒体资源推荐方法，其特征在于，所述方法包括：获取第一媒体资源集中每个媒体资源的三元组信息，其中，所述媒体资源的三元组信息包括：所述媒体资源的第一属性信息，所述媒体资源关联的第二属性信息以及所述第一属性信息与所述第二属性信息之间的关系；将所述第一媒体资源集中每个媒体资源的三元组信息输入已训练的文本生成模型，生成所述第一媒体资源集中每个媒体资源的资源描述内容；获取第二媒体资源集中媒体资源的资源描述内容以及目标媒体资源集中媒体资源的图像信息，其中，所述目标媒体资源包括所述第一媒体资源集以及所述第二媒体资源集；基于待推荐用户的历史行为记录，以及所述目标媒体资源集中媒体资源的资源描述内容和图像信息，从所述目标媒体资源集中确定所述待推荐用户的推荐媒体资源。2.根据权利要求1所述的媒体资源推荐方法，其特征在于，所述基于待推荐用户的历史行为记录，以及所述目标媒体资源集中媒体资源的资源描述内容和图像信息，从所述目标媒体资源集中确定所述待推荐用户的推荐媒体资源，包括：获取所述目标媒体资源集中每个媒体资源的资源描述内容的第一语义特征向量；获取所述目标媒体资源集中每个媒体资源的图像信息的第二语义特征向量；基于所述目标媒体资源集中媒体资源的资源描述内容的第一语义特征向量以及所述目标媒体资源集中媒体资源的图像信息的第二语义特征向量，获取所述目标媒体资源集中媒体资源的融合语义特征向量；从所述待推荐用户的历史行为记录中确定所述待推荐用户的历史行为资源集，以及获取所述历史行为资源集中每个行为资源的第三语义特征向量，所述历史行为资源集中的行为资源为在所述待推荐用户的历史行为记录中具有行为记录的媒体资源；基于所述目标媒体资源集中媒体资源的融合语义特征向量以及所述历史行为资源集中行为资源的第三语义特征向量，确定所述待推荐用户的推荐媒体资源。3.根据权利要求2所述的媒体资源推荐方法，其特征在于，所述目标媒体资源集中包括M个媒体资源，所述历史行为资源集中包括K个行为资源，M为大于1的整数，K为正整数；所述基于所述目标媒体资源集中媒体资源的融合语义特征向量以及所述历史行为资源集中行为资源的第三语义特征向量，确定所述待推荐用户的推荐媒体资源，包括：针对所述历史行为资源集中每个行为资源，分别计算所述行为资源的第三语义特征向量与所述目标媒体资源集中每个媒体资源的融合语义特征向量之间的相似度，获得所述行为资源的M个相似度；将相似度集中前N个相似度对应的媒体资源，确定为所述推荐媒体资源，所述相似度集中包括K
×
M个相似度，所述前N个相似度大于其余相似度，所述其余相似度为所述相似度集中除所述前N个相似度之外的相似度，N为正整数。4.根据权利要求2所述的媒体资源推荐方法，其特征在于，所述基于所述目标媒体资源集中媒体资源的资源描述内容的第一语义特征向量以及所述目标媒体资源集中媒体资源的图像信息的第二语义特征向量，获取所述目标媒体资源集中媒体资源的融合语义特征向量，包括：将所述目标媒体资源集中媒体资源的资源描述内容的第一语义特征向量以及所述目标媒体资源集中媒体资源的图像信息的第二语义特征向量输入已训练的特征融合模型，通
过所述已训练的特征融合模型进行特征融合，获得所述目标媒体资源集中媒体资源的融合语义特征向量。5.根据权利要求4所述的媒体资源推荐方法，其特征在于，所述已训练的特征融合模型通过以下方式训练得到：获取第一训练样本集以及所述第一训练样本集中媒体资源样本所属的频道类别，所述第一训练样本集包括多个第一样本媒体资源的资源描述内容的语义特征向量以及所述多个第一样本媒体资源的图像信息的语义特征向量；基于所述第一训练样本集以及所述第一训练样本集所属的频道类别对初始特征融合模型进行训练，得到所述已训练的特征融合模型。6.根据权利要求5所述的媒体资源推荐方法，其特征在于，对所述初始特征融合模型进行训练过程中采用的损失函数，与第一函数、所述第一训练样本集中媒体资源样本所属的频道类别标签以及预测的频道类别标签相关，所述预测的频道类别标签为所述初始特征融合模型对所述第一训练样本集中媒体资源样本进行类别预测得到的频道类别标签；其中，所述第一函数与第一阶跃函数和第二阶跃函数之间的乘积呈反相关，所述第一函数还与第三阶跃函数和第四阶跃函数之间的乘积呈反相关；所述第一阶跃函数为关于第一参数的阶跃函数，所述第一参数为第一媒体资源样本所属的频道类别标签与预设概率阈值之间的差；所述第二阶跃函数...

【专利技术属性】
技术研发人员：易传润，高俊超，冯俊兰，邓超，曾海涛，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：