服务器制造技术

本公开涉及一种服务器

【技术实现步骤摘要】
服务器、媒资推荐方法、及存储介质


[0001]本公开涉及推荐算法
，尤其涉及一种服务器
、
媒资推荐方法
、
及存储介质
。

技术介绍

[0002]伴随着互联网和大数据技术的不断发展，网络中的数据信息也在不断膨胀，基于此，针对大量的数据信息，向用户推荐用户需求的关键信息的智能推荐技术，已经成为人们获取互联网内容的重要手段
。
其中，随着智能电视的普及，电视媒资数据也越来越多，从而能够为用户提供丰富的电视媒资，满足不同用户的不同需求
。
但是，为用户提供精准的电视媒资内容已将成为智能电视的核心竞争力
。
[0003]相关技术中，对于向用户提供电视媒资内容通常是通过基于深度学习的推荐模型实现的，但是，采用该方式，由于用于训练推荐模型的样本存在数据稀疏的问题，导致训练好的推荐模型的整体性能下降，从而影响了利用训练好的推荐模型，向用户提供电视媒资的准确性
。

技术实现思路

[0004]为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种服务器
、
媒资推荐方法及存储介质，由于目标媒资推荐模型是根据多个训练样本进行训练得到的，对于该训练样本包括：用户特征数据
、
多个媒资数据
、
多个媒资数据对应的上下文特征以及各个媒资数据对应的标签数据，用户特征数据包括用户的第一标识特征以及针对各个媒资数据的播放行为特征，媒资数据包括各个媒资的标识信息
、
文本信息以及图片信息，以此能够避免现有技术中存在训练样本数据稀疏的问题，从而提高了目标媒资推荐模型的整体性能，基于此，提高了利用目标媒资推荐模型获取的各个待推荐媒资对应的预测概率的准确性，通过利用较准确的预测概率也提高了获取至少一个目标推荐媒资的准确性，从而保证了向用户提供精确的目标推荐媒资，提升了用户的体验
。
[0005]第一方面，本公开提供了一种服务器，包括：
[0006]控制器，被配置为：
[0007]获取用户特征数据以及待推荐媒资数据集合，所述待推荐媒资数据集合包括多个待推荐媒资；
[0008]将所述用户特征数据以及所述待推荐媒资数据集合输入至目标媒资推荐模型中，获取所述目标媒资推荐模型输出的各个所述待推荐媒资对应的预测概率，所述目标媒资推荐模型是根据多个训练样本进行训练得到的，所述训练样本包括：用户特征数据
、
多个媒资数据
、
多个所述媒资数据对应的上下文特征以及各个媒资数据对应的标签数据，所述用户特征数据包括用户的第一标识特征以及针对各个媒资数据的播放行为特征，所述媒资数据包括各个媒资的标识信息
、
文本信息以及图片信息；
[0009]根据多个所述预测概率，在多个所述待推荐媒资中确定至少一个目标推荐媒资，
并发送给终端设备，以使所述终端设备显示至少一个所述目标推荐媒资
。
[0010]作为本公开实施例一种可选的实施方式，所述控制器，具体被配置为：
[0011]对各个所述待推荐媒资对应的预测概率进行排序处理，根据排序结果，在多个所述待推荐媒资中确定至少一个目标推荐媒资
。
[0012]作为本公开实施例一种可选的实施方式，所述控制器，还被配置为：
[0013]获取多个训练样本，其中，各个所述训练样本包括：用户特征数据
、
多个媒资数据
、
多个所述媒资数据对应的上下文特征以及各个媒资数据对应的标签数据，所述用户特征数据包括用户的第一标识特征以及针对各个媒资数据的播放行为特征，所述媒资数据包括各个媒资的标识信息
、
文本信息以及图片信息；
[0014]将多个所述训练样本输入至初始媒资推荐模型中，利用多个所述训练样本对所述初始媒资推荐模型进行训练，得到所述目标媒资推荐模型
。
[0015]作为本公开实施例一种可选的实施方式，所述目标媒资推荐模型包括：兴趣提取层
、
融合层
、
概率预测层；
[0016]所述控制器，具体被配置为：
[0017]将多个训练样本输入至所述初始媒资推荐模型中，通过所述兴趣提取层提取所述各个媒资的标识信息
、
文本信息以及图片信息分别对应的第二标识特征
、
文本特征以及图片特征；
[0018]通过所述融合层对所述用户特征数据
、
所述第二标识特征
、
所述文本特征
、
所述图片特征以及多个所述媒资数据对应的上下文特征进行融合处理，得到各个媒资对应的目标预测特征；
[0019]通过所述概率预测层对各个媒资对应的目标预测特征进行概率预测，得到各个媒资对应的预测概率，基于预设损失函数进行训练，得到目标媒资推荐模型
。
[0020]作为本公开实施例一种可选的实施方式，所述控制器，具体被配置为：
[0021]通过预设拼接函数将所述用户特征数据
、
所述第二标识特征
、
所述文本特征
、
所述图片特征以及所述媒资数据上下文特征进行特征拼接处理，得到所述目标预测特征；或
[0022]根据所述第二标识特征
、
所述文本特征
、
所述图片特征，得到初始预测特征；
[0023]将所述初始预测特征
、
所述用户特征数据以及所述媒资数据上下文特征进行特征拼接处理，得到所述目标预测特征
。
[0024]作为本公开实施例一种可选的实施方式，所述控制器，还被配置为：
[0025]根据用户信息，获取多个所述待推荐媒资，以确定所述待推荐媒资数据集合；
[0026]其中，所述用户信息包括用户的标识信息
、
用户的兴趣信息
、
用户针对多个媒资的播放行为信息
。
[0027]作为本公开实施例一种可选的实施方式，所述控制器，还被配置为：
[0028]周期性的获取用户信息以及热度媒资集合，并根据所述用户信息和所述热度媒资集合，更新多个所述训练样本；
[0029]利用更新后的多个所述训练样本，周期性的更新所述目标媒资推荐模型
。
[0030]第二方面，提供一种媒资推荐方法，所述方法包括：获取用户特征数据以及待推荐媒资数据集合，所述待推荐媒资数据集合包括多个待推荐媒资；
[0031]将所述用户特征数据以及所述待推荐媒资数据集合输入至目标媒资推荐模型中，
获取所述目标媒资推荐模型输出的各个所述待推荐媒资对应的预测概率，所述目标媒资推荐模型是根据多个训练样本进行训练得到的，所述训练样本包括：用户特征数据
、
多个媒资数据
、
多个所述媒资数据对应的上下文特征以及各个媒资数据对应的标签数据，所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种服务器，其特征在于，包括：控制器，被配置为：获取用户特征数据以及待推荐媒资数据集合，所述待推荐媒资数据集合包括多个待推荐媒资；将所述用户特征数据以及所述待推荐媒资数据集合输入至目标媒资推荐模型中，获取所述目标媒资推荐模型输出的各个所述待推荐媒资对应的预测概率，所述目标媒资推荐模型是根据多个训练样本进行训练得到的，所述训练样本包括：用户特征数据
、
多个媒资数据
、
多个所述媒资数据对应的上下文特征以及各个媒资数据对应的标签数据，所述用户特征数据包括用户的第一标识特征以及针对各个媒资数据的播放行为特征，所述媒资数据包括各个媒资的标识信息
、
文本信息以及图片信息；根据多个所述预测概率，在多个所述待推荐媒资中确定至少一个目标推荐媒资，并发送给终端设备，以使所述终端设备显示至少一个所述目标推荐媒资
。2.
根据权利要求1所述的服务器，其特征在于，所述控制器，具体被配置为：对各个所述待推荐媒资对应的预测概率进行排序处理，根据排序结果，在多个所述待推荐媒资中确定至少一个目标推荐媒资
。3.
根据权利要求1所述的服务器，其特征在于，所述控制器，还被配置为：获取多个训练样本，其中，各个所述训练样本包括：用户特征数据
、
多个媒资数据
、
多个所述媒资数据对应的上下文特征以及各个媒资数据对应的标签数据，所述用户特征数据包括用户的第一标识特征以及针对各个媒资数据的播放行为特征，所述媒资数据包括各个媒资的标识信息
、
文本信息以及图片信息；将多个所述训练样本输入至初始媒资推荐模型中，利用多个所述训练样本对所述初始媒资推荐模型进行训练，得到所述目标媒资推荐模型
。4.
根据权利要求3所述的服务器，其特征在于，所述目标媒资推荐模型包括：兴趣提取层
、
融合层
、
概率预测层；所述控制器，具体被配置为：将多个训练样本输入至所述初始媒资推荐模型中，通过所述兴趣提取层提取所述各个媒资的标识信息
、
文本信息以及图片信息分别对应的第二标识特征
、
文本特征以及图片特征；通过所述融合层对所述用户特征数据
、
所述第二标识特征
、
所述文本特征
、
所述图片特征以及多个所述媒资数据对应的上下文特征进行融合处理，得到各个媒资对应的目标预测特征；通过所述概率预测层对各个媒资对应的目标预测特征进行概率预测，得到各个媒资对应的预测概率，基于预设损失函数进行训练，得到目标媒资推荐模型
。5.

【专利技术属性】
技术研发人员：陈将浩，
申请(专利权)人：聚好看科技股份有限公司，
类型：发明
国别省市：