System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本公开涉及大数据领域,特别是涉及一种推送处理方法、相关装置和介质。
技术介绍
1、目前,互联网应用为对象推荐内容(视频、文章等)时,一般采用多任务推送模型。多任务例如点赞、评论、完播、关注等。多任务推送模型能够预测目标对象对于每个待推荐视频完成每种任务(点赞、评论等)的概率,并根据这些概率决定给目标对象推荐哪些待推荐视频。在训练多任务推送模型时,一般将各个任务得到的子损失函数加和,得到损失函数,并按照损失函数训练模型。由于是简单的加和,损失函数容易被子损失函数较大的任务主导,导致对其它任务进行不充分。另外,多任务推送模型的训练过程可能有误差。例如,样本是一个对象点赞的样本,但该点赞是手滑造成的,因此,该样本为训练时的噪声样本。如果噪声大的任务恰好子损失函数占据了主导地位,则会大大影响训练效果。
2、为了减少这种影响,现有技术中出现了按照任务的噪声大小,来设置任务的权重,最后根据加权和计算总损失函数的技术。任务的噪声小,则可以分配较大的权重,在计算总损失函数时可以比较依赖,以通过这种方式提升训练效果。但是,分配的权重往往是对所有对象固定的。出于对象自身的偏好,其对多个任务的反馈具有个性化差异,例如,某对象经常因手滑而点赞,但却不会因为手滑而评论。因此,任务的噪声是与对象偏好有关的。现有技术采用固定权重的方式,训练准确度仍然较低,且容易导致推送内容的个性化较低。
技术实现思路
1、本公开实施例提供了一种推送处理方法、相关装置和介质,它能够提高内容推送的个性化和准确性。
>2、根据本公开的一方面,提供了一种推送处理方法,包括:
3、获取目标推送基础特征,所述目标推送基础特征包括目标对象特征和待推送内容特征;
4、将所述目标推送基础特征输入任务完成概率预测模型,得到所述目标对象对所述待推送内容完成多个任务的多个第一概率;
5、基于多个所述第一概率,确定为所述目标对象推送所述待推送内容;
6、其中,所述任务完成概率预测模型、和与所述任务完成概率预测模型并联的辅助模型构成总体模型,所述总体模型基于损失函数训练,所述损失函数为所述任务完成概率预测模型中多个所述任务的子损失函数按照所述任务的第一权重加权的加权和,所述第一权重基于所述辅助模型针对所述任务的第一输出确定,所述任务完成概率预测模型输入样本对象特征和样本推送内容特征,所述辅助模型输入所述样本对象特征。
7、根据本公开的一方面,提供了一种推送处理装置,包括:
8、获取单元,用于获取目标推送基础特征,所述目标推送基础特征包括目标对象特征和待推送内容特征;
9、第一输入单元,用于将所述目标推送基础特征输入任务完成概率预测模型,得到所述目标对象对所述待推送内容完成多个任务的多个第一概率;
10、第一确定单元,用于基于多个所述第一概率,确定为所述目标对象推送所述待推送内容;
11、其中,所述任务完成概率预测模型、和与所述任务完成概率预测模型并联的辅助模型构成总体模型,所述总体模型基于损失函数训练,所述损失函数为所述任务完成概率预测模型中多个所述任务的子损失函数按照所述任务的第一权重加权的加权和,所述第一权重基于所述辅助模型针对所述任务的第一输出确定,所述任务完成概率预测模型输入样本对象特征和样本推送内容特征,所述辅助模型输入所述样本对象特征。
12、可选地,所述第一输入单元具体用于:
13、将多个所述目标推送基础特征向量化为多个目标推送基础特征向量;
14、将多个所述目标推送基础特征向量级联成第一级联推送基础特征向量;
15、将所述第一级联推送基础特征向量输入所述任务完成概率预测模型,得到多个所述第一概率。
16、可选地,在将多个所述目标推送基础特征向量化为多个目标推送基础特征向量之后,所述推送处理装置还包括:
17、第二确定单元,用于确定所述目标推送基础特征向量的维度大于第一阈值;
18、处理单元,用于对所述目标推送基础特征向量进行池化处理,使池化后的所述目标推送基础特征向量的维度等于所述第一阈值。
19、可选地,所述任务完成概率预测模型包括多个第一专家模型、与多个所述任务对应的多个第一门控节点和多个第一预测模型,每个所述第一门控节点连接多个所述第一专家模型,所述任务对应的所述第一门控节点连接所述任务对应的第一预测模型,所述第一预测模型输出所述任务对应的所述第一概率;
20、所述第一输入单元还具体用于:
21、将所述第一级联推送基础特征向量分别输入多个所述第一专家模型,得到多个第二输出;
22、通过所述任务对应的所述第一门控节点,用多个所述第一专家模型的第一门控权重,对多个所述第一专家模型的所述第二输出求加权和,得到所述任务对应的第一门控输出;
23、将所述第一门控输出输入到所述任务对应的所述第一预测模型,得到所述任务对应的所述第一概率。
24、可选地,所述第一门控节点包含第一矩阵,所述第一矩阵的行数等于所述第一专家模型的数目,所述第一矩阵的列数等于所述第一级联推送基础特征向量的维数;
25、所述第一输入单元还具体用于:
26、通过所述第一门控节点,确定所述第一矩阵、与所述第一级联推送基础特征向量的转置的第一积向量;
27、对所述第一积向量进行指数归一化,得到第一门控权重向量,所述第一门控权重向量包含多个所述第一专家模型的所述第一门控权重;
28、用所述第一门控权重向量中多个所述第一专家模型的第一门控权重,对多个所述第一专家模型的所述第二输出求加权和,得到所述任务对应的第一门控输出。
29、可选地,所述第一输入单元还具体用于:
30、将所述第一门控输出输入到所述任务对应的所述第一预测模型,得到所述任务对应的第三输出;
31、对所述第三输出应用非线性激活函数,得到所述第一概率。
32、可选地,所述总体模型通过以下过程进行训练:
33、获取样本推送基础特征,所述样本推送基础特征包括样本对象特征和样本推送内容特征;
34、将所述样本推送基础特征输入所述任务完成概率预测模型,得到所述样本对象对所述样本推送内容完成多个所述任务的多个第二概率,并基于所述第二概率,确定所述任务的所述子损失函数;
35、将所述样本对象特征输入所述辅助模型,得到针对所述任务的所述第一输出;
36、基于所述第一输出,确定所述任务的所述第一权重;
37、用多个所述任务的所述第一权重对多个所述任务的所述子损失函数求加权和,得到所述损失函数,并基于所述损失函数训练所述总体模型。
38、可选地,所述样本推送基础特征具有第一标签,所述第一标签表示是否为所述样本对象推送了所述样本推送内容;
39、所述基于所述第二概率,确定所述任务的所述子损失函数,包括:基于所述第本文档来自技高网...
【技术保护点】
1.一种推送处理方法,其特征在于,包括:
2.根据权利要求1所述的推送处理方法,其特征在于,所述将所述目标推送基础特征输入任务完成概率预测模型,得到所述目标对象对所述待推送内容完成多个任务的多个第一概率,包括:
3.根据权利要求2所述的推送处理方法,其特征在于,在将多个所述目标推送基础特征向量化为多个目标推送基础特征向量之后,所述推送处理方法还包括:
4.根据权利要求2所述的推送处理方法,其特征在于,所述任务完成概率预测模型包括多个第一专家模型、与多个所述任务对应的多个第一门控节点和多个第一预测模型,每个所述第一门控节点连接多个所述第一专家模型,所述任务对应的所述第一门控节点连接所述任务对应的第一预测模型,所述第一预测模型输出所述任务对应的所述第一概率;
5.根据权利要求4所述的推送处理方法,其特征在于,所述第一门控节点包含第一矩阵,所述第一矩阵的行数等于所述第一专家模型的数目,所述第一矩阵的列数等于所述第一级联推送基础特征向量的维数;
6.根据权利要求4所述的推送处理方法,其特征在于,所述将所述第一门控输出输入到所述任
7.根据权利要求1所述的推送处理方法,其特征在于,所述总体模型通过以下过程进行训练:
8.根据权利要求7所述的推送处理方法,其特征在于,所述样本推送基础特征具有第一标签,所述第一标签表示是否为所述样本对象推送了所述样本推送内容;
9.根据权利要求7所述的推送处理方法,其特征在于,所述基于所述第一输出,确定所述任务的所述第一权重,包括:
10.根据权利要求7所述的推送处理方法,其特征在于,所述用多个所述任务的所述第一权重对多个所述任务的所述子损失函数求加权和,包括:
11.根据权利要求7所述的推送处理方法,其特征在于,所述将所述样本对象特征输入所述辅助模型,得到针对所述任务的所述第一输出,包括:
12.根据权利要求11所述的推送处理方法,其特征在于,在将多个所述样本对象特征向量化为多个样本对象特征向量之后,所述总体模型的训练过程还包括:
13.根据权利要求11所述的推送处理方法,其特征在于,所述辅助模型包括多个第二专家模型、与多个所述任务对应的多个第二门控节点和多个第二预测模型,每个所述第二门控节点连接多个所述第二专家模型,所述任务对应的所述第二门控节点连接所述任务对应的第二预测模型,所述第二预测模型输出针对所述任务的所述第一输出;
14.根据权利要求13所述的推送处理方法,其特征在于,所述第二门控节点包含第二矩阵,所述第二矩阵的行数等于所述第二专家模型的数目,所述第二矩阵的列数等于所述级联样本对象特征向量的维数;
15.根据权利要求7所述的推送处理方法,其特征在于,所述样本推送基础特征为多个样本的所述样本推送基础特征;
16.根据权利要求15所述的推送处理方法,其特征在于,所述基于多个所述样本对应的所述损失函数,确定总损失函数,包括:
17.一种推送处理装置,其特征在于,包括:
18.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现根据权利要求1至16任意一项所述的推送处理方法。
19.一种计算机可读存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现根据权利要求1至16任意一项所述的推送处理方法。
20.一种计算机程序产品,该计算机程序产品包括计算机程序,所述计算机程序被计算机设备的处理器读取并执行,使得该计算机设备执行根据权利要求1至16任意一项所述的推送处理方法。
...【技术特征摘要】
1.一种推送处理方法,其特征在于,包括:
2.根据权利要求1所述的推送处理方法,其特征在于,所述将所述目标推送基础特征输入任务完成概率预测模型,得到所述目标对象对所述待推送内容完成多个任务的多个第一概率,包括:
3.根据权利要求2所述的推送处理方法,其特征在于,在将多个所述目标推送基础特征向量化为多个目标推送基础特征向量之后,所述推送处理方法还包括:
4.根据权利要求2所述的推送处理方法,其特征在于,所述任务完成概率预测模型包括多个第一专家模型、与多个所述任务对应的多个第一门控节点和多个第一预测模型,每个所述第一门控节点连接多个所述第一专家模型,所述任务对应的所述第一门控节点连接所述任务对应的第一预测模型,所述第一预测模型输出所述任务对应的所述第一概率;
5.根据权利要求4所述的推送处理方法,其特征在于,所述第一门控节点包含第一矩阵,所述第一矩阵的行数等于所述第一专家模型的数目,所述第一矩阵的列数等于所述第一级联推送基础特征向量的维数;
6.根据权利要求4所述的推送处理方法,其特征在于,所述将所述第一门控输出输入到所述任务对应的所述第一预测模型,得到所述任务对应的所述第一概率,包括:
7.根据权利要求1所述的推送处理方法,其特征在于,所述总体模型通过以下过程进行训练:
8.根据权利要求7所述的推送处理方法,其特征在于,所述样本推送基础特征具有第一标签,所述第一标签表示是否为所述样本对象推送了所述样本推送内容;
9.根据权利要求7所述的推送处理方法,其特征在于,所述基于所述第一输出,确定所述任务的所述第一权重,包括:
10.根据权利要求7所述的推送处理方法,其特征在于,所述用多个所述任务的所述第一权重对多个所述任务的所述子损失函数求加权和,包括:
11.根据权利要求7所...
【专利技术属性】
技术研发人员:赵光耀,
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。