【技术实现步骤摘要】
媒体投放的方法、装置、计算机设备和存储介质
[0001]本申请涉及计算机
，特别是涉及一种媒体投放的方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
[0002]联邦学习是一种分布式机器学习，参与方可以在原始数据不出本地、不传输原始数据的情况下进行联合建模。
[0003]媒体投放平台和媒体投放对象具备用户的不同信息，媒体投放平台和媒体投放对象可以通过联邦学习进行建模，以达到更好的媒体投放效果；在相关技术中，通常采用一对一定制化训练方案，为媒体投放对象提供独立的模型进行联合训练，导致媒体投放平台和媒体投放对象进行联邦学习的过程涉及大量数据，训练过程需要占用大量硬件资源，导致联邦学习的效率较低。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种媒体投放的方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，能够节约参数优化所占用的硬件资源，提升参数优化的效率。
[0005]第一方面，本申请提供了一种媒体投放的方法。所述方法包括：
[0006]通过机...
【技术保护点】
【技术特征摘要】
1.一种媒体投放的方法，其特征在于，所述方法包括：通过机器学习模型提取样本对象信息的训练表征向量；所述机器学习模型包括预训练的主模型和分配给各媒体投放对象的支路模型；根据所述训练表征向量获取所述支路模型的梯度密文；基于所述梯度密文对所述支路模型进行参数优化，得到目标支路模型；依据所述目标支路模型的参数对所述主模型中的注意力层进行参数更新，得到目标主模型；在获得目标对象的对象信息时，通过所述目标主模型从所述目标对象的对象信息中提取表征向量；根据所述表征向量确定用于向所述目标对象投放媒体的投放策略信息。2.根据权利要求1所述的方法，其特征在于，所述主模型包括第一编码器和第二编码器；所述第二编码器包括所述注意力层和线性处理层；所述通过机器学习模型提取样本对象信息的训练表征向量，包括：通过所述第一编码器从所述样本对象信息中提取出编码表征向量；通过所述注意力层从所述编码表征向量中提取出注意力表征向量；通过所述支路模型从所述编码表征向量中提取出支路表征向量；通过所述线性处理层对所述注意力表征向量和所述支路表征向量进行线性处理，得到训练表征向量。3.根据权利要求2所述的方法，其特征在于，所述注意力层的数量为至少两个，所述媒体投放对象的支路模型的数量与所述注意力层的数量相同；所述通过所述注意力层从所述编码表征向量中提取出注意力表征向量，包括：通过至少两个所述注意力层对所述编码表征向量进行特征提取，得到至少两个注意力表征向量；所述通过所述支路模型从所述编码表征向量中提取出支路表征向量，包括：通过至少两个所述支路模型对所述编码表征向量进行特征提取，得到至少两个支路表征向量。4.根据权利要求3所述的方法，其特征在于，所述通过所述线性处理层对所述注意力表征向量和所述支路表征向量进行线性处理，包括：将所述至少两个注意力表征向量拼接，得到第一拼接表征向量；将所述至少两个支路表征向量拼接，得到第二拼接表征向量；融合所述第一拼接表征向量和所述第二拼接表征向量，得到融合表征向量；通过所述线性处理层对所述融合表征向量进行线性处理。5.根据权利要求1所述的方法，其特征在于，所述根据所述训练表征向量获取所述支路模型的梯度密文，包括：对所述训练表征向量进行加密，得到训练表征向量密文；向所述媒体投放对象发送所述训练表征向量密文，以使得所述媒体投放对象基于所述训练表征向量密文确定梯度密文；接收所述媒体投放对象发送的所述梯度密文。6.根据权利要求5所述的方法，其特征在于，所述样本对象信息为样本对象对应的第一
对象信息；所述基于所述训练表征向量密文确定梯度密文，包括：从所述样本对象对应的第二对象信息中提取特征向量；基于所述特征向量和所述训练表征向量密文确定媒体投放预测分值；基于所述媒体投放预测分值和所述第二对象信息对应的媒体投放分值标签确定梯度；对所述梯度进行加密，得到梯度密文。7.根据权利要求1所述的方法，其特征在于，所述依据所述目标支路模型的参数对所述主模型中的注意力层进行参数更新，得到目标主模型，包括：根据各所述媒体投放对象的目标支路模型的参数，确定平均参数；根据所述平均参数和所述主模型中的注意力层...
【专利技术属性】
技术研发人员：储晓恺，
申请(专利权)人：腾讯科技深圳有限公司，
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。