【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
【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:
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。