媒体信息处理方法技术

本公开关于一种媒体信息处理方法

【技术实现步骤摘要】
媒体信息处理方法、装置、设备及存储介质


[0001]本公开涉及计算机
，尤其涉及一种媒体信息处理方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]随着深度学习的迅猛发展，深度神经网络在搜索
、
推荐等领域取得了很大成就
。
为了提高模型精度，各种深度神经网络模型都需要大量的用户和商品的特征作为输入进行预测
。
然而，越来越多的输入特征不仅增加了模型的计算量，也加重了对计算机存储资源的消耗
。
[0003]相关技术中，在图片处理领域，通过先确定每个输入图片特征的权值，再筛选出权值大于预设权值阈值的输入特征作为目标图片特征，以降低输入图片特征的数量
。
该方法虽然减少了模型计算量和存储资源占用，但是所确定的权值大小并不能准确代表该目标图片特征的重要性高低，从而在一定程度上降低了模型精度
。

技术实现思路

[0004]本公开提供一种媒体信息处理方法
、
装置
、...

【技术保护点】

【技术特征摘要】
1.
一种媒体信息处理方法，其特征在于，包括：获取针对目标任务的第一训练样本，所述第一训练样本包括媒体信息的初始特征集以及对应的任务处理标签；将所述初始特征集输入媒体特征确定网络进行处理，获得所述第一训练样本对应的中间媒体特征向量；所述媒体特征确定网络包括由用于执行特征确定操作的门向量所构成的媒体特征筛选模块，所述门向量中每个门控元素是基于衰减参数和门控可调参数构成的预设参数所确定，所述门向量的维度与所述初始特征集对应的向量维度相同，所述中间媒体特征向量与所述门向量相关联；将所述中间媒体特征向量输入任务处理网络进行任务处理，获得所述第一训练样本对应的预测任务处理结果；基于所述任务处理标签与所述预测任务处理结果
、
以及所述门控可调参数，确定目标损失，以基于所述目标损失对所述媒体特征确定网络和所述任务处理网络的模型参数进行训练，获得训练后的媒体特征确定网络；基于所述训练后的媒体特征确定网络中的目标门向量对所述初始特征集进行特征筛选，获得所述媒体信息对应的目标媒体特征；所述目标门向量中除所述目标媒体特征之外的特征对应的目标门控元素值均为第一预设值，所述目标门控向量中所述目标媒体特征对应的目标门控元素与第二预设值的差值小于等于预设阈值
。2.
根据权利要求1所述的方法，其特征在于，在所述预设参数中的衰减参数满足预设衰减条件的情况下，若所述预设参数中的门控可调参数为零时，所述预设参数的函数值为所述第一预设值
。3.
根据权利要求1所述的方法，其特征在于，所述预设参数项包括第一参数项和第二参数项；所述第一参数项和第二参数项均分别由衰减参数和门控可调参数所构成；在所述预设参数项中的门控可调参数为零时，所述预设参数项的导函数与所述衰减参数呈正相关
。4.
根据权利要求1‑3任一所述的方法，其特征在于，所述将所述初始特征集输入媒体特征确定网络进行处理，获得所述第一训练样本对应的中间媒体特征向量包括：将所述初始特征集输入媒体特征确定网络中进行映射处理，获得初始媒体特征向量；基于所述初始媒体特征向量与所述媒体特征筛选模块中门向量，确定所述第一训练样本对应的中间媒体特征向量
。5.
根据权利要求1‑3任一所述的方法，其特征在于，所述基于所述任务处理标签与所述预测任务处理结果
、
以及所述门控可调参数，确定目标媒体损失包括：基于所述任务处理标签与所述预测任务处理结果，确定初始损失；基于所述门向量中各门控元素对应的门控可调参数，确定损失调整值；基于所述初始损失和所述参数调整值，确定目标损失
。6.
根据权利要求1‑3任一所述的方法，其特征在于，所述基于所述训练后的媒体特征确定网络中的目标门向量对所述初始特征集进行特征筛选，获得目标媒体特征包括：从所述训练后的媒体特征确定网络中的目标门向量中筛选出目标门控元素，所述目...

【专利技术属性】
技术研发人员：郭义，刘昭呈，谈建超，廖超，常大庆，孔东营，宋成儒，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：