【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 ...
【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...
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。