媒体资源推荐方法、装置、设备及存储介质制造方法及图纸

本申请提供一种媒体资源推荐方法、装置、设备及存储介质，可应用于人工智能、媒体资源推荐等场景。该方法包括：获取目标对象对应的候选媒体资源推荐数据的M个特征域的特征值；获取特征选择模型输出的特征选取参考值，并基于特征选取参考值，确定M个特征域中被选中的R个特征域；从候选媒体资源推荐数据的M个特征域的特征值中，选出R个特征域的特征值，并基于R个特征域的特征值，从候选媒体资源数据中筛选目标媒体资源数据推荐给目标对象。本申请的特征选择模型直接对特征子集进行评估，能够有效的解决特征共线性带来的效果影响，提升了特征选择的准确性，进而提高了媒体资源的推荐准确性。确性。确性。

【技术实现步骤摘要】
媒体资源推荐方法、装置、设备及存储介质


[0001]本申请实施例涉及计算机
，具体涉及一种媒体资源推荐方法、装置、设备及存储介质。

技术介绍

[0002]随着神经网络技术的快速发展，以及数据处理需求的增长，各种数据处理模型，例如推荐模型随之产生。
[0003]以推荐模型为例，在目前的推荐系统中，往往包括成千上万的原始特征，例如覆盖了对象、资源、场景等信息。这些成千上万的原始特征中存在区分度较差的特征，若将所有的原始特征用于资源推荐时，不仅给模型带来一些噪声，并且浪费计算资源。因此，需要对原始特征进行筛选。
[0004]目前通过对原始特征中的每一个特征进行打分，进而基于每一个特征的分值，筛选特征。但是，该方法选出的特征相关性较高，即选出的特征可能比较相似，基于相似的特征进行广告等资源推送时，使得资源的推送准确率降低。

技术实现思路

[0005]本申请提供一种媒体资源推荐方法、装置、设备及存储介质，可以提升媒体资源的推荐速度和准确性。
[0006]第一方面，本申请提供一种媒体资源推荐方法，包括：
[0007]获取目标对象对应的候选媒体资源推荐数据，并提取所述候选媒体资源推荐数据的M个特征域的特征值，所述候选媒体资源推荐数据包括所述目标对象的对象数据以及待推荐的候选媒体资源数据，所述M为大于1的正整数；
[0008]获取特征选择模型输出的特征选取参考值，并基于所述特征选取参考值，确定所述M个特征域中被选中的R个特征域，其中所述特征选择模型是基于超网训练得到的，所述超网包括多个子网络，所述多个子网络中的每一个子网络对应一个候选特征子集，所述候选特征子集由历史媒体资源推荐数据所包括的所述M个特征域中的至少一个特征域组成，所述R为小于M的正整数；
[0009]从所述候选媒体资源推荐数据的M个特征域的特征值中，选出所述R个特征域的特征值；
[0010]基于所述R个特征域的特征值从所述候选媒体资源数据中筛选目标媒体资源数据，向所述目标对象推荐所述目标媒体资源数据。
[0011]第二方面，本申请提供一种模型训练装置，包括：
[0012]数据获取单元，用于获取目标对象对应的候选媒体资源推荐数据，并提取所述候选媒体资源推荐数据的M个特征域的特征值，所述候选媒体资源推荐数据包括所述目标对象的对象数据以及待推荐的候选媒体资源数据，所述M为大于1的正整数；
[0013]特征域选择单元，用于获取特征选择模型输出的特征选取参考值，并基于所述特
征选取参考值，确定所述M个特征域中被选中的R个特征域，其中所述特征选择模型是基于超网训练得到的，所述超网包括多个子网络，所述多个子网络中的每一个子网络对应一个候选特征子集，所述候选特征子集由历史媒体资源推荐数据所包括的所述M个特征域中的至少一个特征域组成，所述R为小于M的正整数；
[0014]特征值选择单元，用于从所述候选媒体资源推荐数据的M个特征域的特征值中，选出所述R个特征域的特征值；
[0015]媒体推荐单元，用于基于所述R个特征域的特征值从所述候选媒体资源数据中筛选目标媒体资源数据，向所述目标对象推荐所述目标媒体资源数据。
[0016]第三方面，本申请提供了一种计算设备，包括处理器和存储器。所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，以执行上述第一方面任一方面的方法。
[0017]第四方面，提供了一种芯片，用于实现上述第一方面至第四方面中任一方面或其各实现方式中的方法。具体地，所述芯片包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行如上述第一方面的方法。
[0018]第五方面，提供了一种计算机可读存储介质，用于存储计算机程序，所述计算机程序使得计算机执行上述第一方面的方法。
[0019]第六方面，提供了一种计算机程序产品，包括计算机程序指令，所述计算机程序指令使得计算机执行上述第一方面的方法。
[0020]第七方面，提供了一种计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面的方法。
[0021]综上，本申请通过获取目标对象对应的候选媒体资源推荐数据，并提取候选媒体资源推荐数据的M个特征域的特征值，该候选媒体资源推荐数据包括目标对象的对象数据以及待推荐的候选媒体资源数据，M为大于1的正整数；获取特征选择模型输出的特征选取参考值，并基于特征选取参考值，确定M个特征域中被选中的R个特征域；从候选媒体资源推荐数据的M个特征域的特征值中，选出R个特征域的特征值，并基于R个特征域的特征值，从候选媒体资源数据中筛选目标媒体资源数据，向目标对象推荐目标媒体资源数据。在本申请实施例中，特征选择模型是基于超网训练得到的，超网中的每一个子网络对应M个特征域的一个候选特征子集，使得特征选择模型直接对特征子集进行评估而不是对特征进行打分排序，能够有效的解决特征共线性带来的效果影响，提升了特征选择的准确性，基于准确选择的特征进行媒体资源推荐时，可以提高媒体资源的推荐准确性。
附图说明
[0022]为了更清楚地说明本专利技术实施例中的技术方案，下面将对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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0023]图1为本申请实施例涉及的广告推荐示意图；
[0024]图2为广告推荐场景中数据处理流程示意图；
[0025]图3为本申请实施例涉及的一种应用场景示意图；
[0026]图4为本申请一实施例提供的模型训练方法的流程示意图；
[0027]图5为本申请实施例的特征选择框架示意图；
[0028]图6为本申请实施例涉及的超网示意图；
[0029]图7为本申请实施例涉及的超网的模型示意图；
[0030]图8为本申请实施例涉及的超网的训练框架示意图；
[0031]图9为超网的一种训练过程示意图；
[0032]图10为特征选择模型的一种网络结构示意图；
[0033]图11为本申请实施例涉及的特征选择模型的一种训练框架示意图；
[0034]图12为特征选择模型的一种训练过程示意图；
[0035]图13为本申请一实施例提供的一种媒体资源推荐方法流程示意图；
[0036]图14为本申请实施例涉及的广告推荐流程示意图；
[0037]图15是本申请一实施例提供的媒体资源推荐装置的示意性框图；
[0038]图16是本申请实施例提供的计算设备的示意性框图。
具体实施方式
[0039]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描述。
[0040]应理解，在本专利技术实施例中，“与A对应的B”表示B与A相关联。在一种实现方式中，可以根据A确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定本文档来自技高网...

【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，包括：获取目标对象对应的候选媒体资源推荐数据，并提取所述候选媒体资源推荐数据的M个特征域的特征值，所述候选媒体资源推荐数据包括所述目标对象的对象数据以及待推荐的候选媒体资源数据，所述M为大于1的正整数；获取特征选择模型输出的特征选取参考值，并基于所述特征选取参考值，确定所述M个特征域中被选中的R个特征域，其中所述特征选择模型是基于超网训练得到的，所述超网包括多个子网络，所述多个子网络中的每一个子网络对应一个候选特征子集，所述候选特征子集由历史媒体资源推荐数据所包括的所述M个特征域中的至少一个特征域组成，所述R为小于M的正整数；从所述候选媒体资源推荐数据的M个特征域的特征值中，选出所述R个特征域的特征值；基于所述R个特征域的特征值从所述候选媒体资源数据中筛选目标媒体资源数据，向所述目标对象推荐所述目标媒体资源数据。2.根据权利要求1所述的方法，其特征在于，所述基于所述R个特征域的特征值从所述候选媒体资源数据中筛选目标媒体资源数据，包括：基于所述R个特征域的特征值，确定所述候选媒体资源数据中候选媒体资源的推荐概率；基于所述推荐概率，从所述候选媒体资源数据中筛选所述目标媒体资源数据。3.根据权利要求1所述的方法，其特征在于，所述获取特征选择模型输出的特征选取参考值之前，所述方法还包括：获取所述历史媒体资源推荐数据，并将所述历史媒体资源推荐数据划分为训练样本集和验证样本集，所述历史媒体资源推荐数据包括历史对象的对象数据，以及向所述历史对象所推荐的媒体资源数据，所述训练样本集和所述验证样本集中的样本均包括M个特征域，所述M为大于1的正整数；通过所述训练样本集对所述超网进行训练，得到训练后的超网；对于所述验证样本集中的每一个验证样本，通过所述特征选择模型对所述验证样本进行处理，得到所述验证样本的M个特征域的特征选取参考值；通过所述训练后的超网，对所述验证样本和所述验证样本的M个特征域的特征选取参考值进行处理，得到奖励值，并基于所述奖励值对所述特征选择模型的模型参数进行更新，得到训练后的特征选择型模型。4.根据权利要求3所述的方法，其特征在于，所述通过所述训练样本集对所述超网进行训练，得到训练后的超网，包括：对于所述训练样本集中的每一个训练样本，确定所述训练样本的M个特征域的第一特征值，并通过所述超网中的特征嵌入层，将所述M个特征域的第一特征值转换为所述M个特征域的第一特征向量；确定所述训练样本的M个特征域中每一个特征域的采样概率；基于所述M个特征域中每一个特征域的采样概率，对所述M个特征域的第一特征向量进行采样，得到P个特征域的第一特征向量，所述P为小于M的正整数；基于所述P个特征域的第一特征向量，对所述超网进行训练。
5.根据权利要求4所述的方法，其特征在于，所述确定所述训练样本的M个特征域中每一个特征域的采样概率，包括：针对所述M个特征域中的第i个特征域，基于预设样本集中所述第i个特征域所包括的各特征值，在所述预设样本集中的出现频次，确定所述第i个特征域的采样概率，其中，所述i为小于或等于M的正整数，所述预设样本集为全部训练样本集，或者为当前批训练样本集。6.根据权利要求5所述的方法，其特征在于，所述基于预设样本集中所述第i个特征域所包括的各特征值，在所述预设样本集中的出现频次，确定所述第i个特征域的采样概率，包括：基于所述预设样本集中所述第i个特征域所包括的各特征值，在所述预设样本集中的出现频次，确定所述第i个特征域的信息熵；基于所述第i个特征域的信息熵，确定所述第i个特征域的采样概率。7.根据权利要求6所述的方法，其特征在于，所述基于所述预设样本集中所述第i个特征域所包括的各特征值，在所述预设样本集中的出现频次，确定所述第i个特征域的信息熵，包括：针对所述第i个特征域中的第j个特征值，基于所述第j个特征值在所述预设样本集中的出现频次，确定所述第j个特征值对应的第一值，所述j为正整数；将所述第i个特征域所包括的各特征值对应的第一值进行相加，得到所述第i个特征域的信息熵。8.根据权利要求7所述的方法，其特征在于，所述基于所述第j个特征值在所述预设样本集中的出现频次，确定所述第j个特征值对应的第一值，包括：对所述第j个特征值在所述预设样本集中的出现频次进行对数运算，得到第二值；将所述第j个特征值在所述预设样本集中的出现频次，与所述第二值的乘积，确定为所述第j个特征值对应的第一值。9.根据权利要...

【专利技术属性】
技术研发人员：杨月奎，伍海洋，唐洋洋，张敏，
申请(专利权)人：清华大学，
类型：发明
国别省市：