【技术实现步骤摘要】
本申请涉及计算机，具体而言，涉及一种媒体资源的召回方法和装置、存储介质及电子设备。
技术介绍
1、在媒体资源的推荐系统中，为了减少计算量，通常是先从媒体资源池中快速召回部分候选媒体资源，然后对这些候选媒体资源进行排序过滤，得到将要推荐给用户的目标媒体资源。
2、其中，上述快速召回候选媒体资源的基本过程为：获取用户的行为日志，通过用户的行为日志得到用户的历史行为(历史周期内用户对媒体资源的感兴趣程度的反馈信息，例如，频繁访问的资讯)，将用户的历史行为数据作为样本数据，并用召回模型得到召回结果。
3、然而，按照上述召回方法所召回的媒体资源与用户兴趣最为相关，而在实际应用场景中，不同用户的兴趣不同，不同用户的活跃度也不同，因此，在上述召回模型的训练过程中受到活跃度较高的用户的影响，仅能对活跃度较高的用户所对应的热度较高的媒体资源与活跃度较高的用户进行训练，但无法对长尾的资讯(媒体资源的一种)与用户进行充分训练，从而使得召回的媒体资源(或者资讯)倾向于热度较高的媒体资源。换句话说，相关技术中的媒体资源的召回方法所召回的媒体资源与用户实际想要访问的媒体资源之间存在较大偏差，从而造成了媒体资源的召回方法存在召回结果的准确性较低的技术问题。
4、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本申请实施例提供了一种媒体资源的召回方法和装置、存储介质及电子设备，以至少解决在媒体资源的召回过程中出现的准确性较低的技术问题。
2、根据本申
3、可选地，上将第一帐号向量中的第一部分取值设置为预设值，得到第二帐号向量，包括：在第一帐号向量中随机确定第一部分取值，并将第一帐号向量中的第一部分取值设置为0，得到第二帐号向量；将第一媒体资源向量中的第二部分取值设置为预设值，得到第二媒体资源向量，包括：在第一媒体资源向量中随机确定第二部分取值，并将第一媒体资源向量中的第二部分取值设置为0，得到第二媒体资源向量。
4、可选地，在获取目标帐号的目标帐号特征以及目标媒体资源的目标媒体资源特征之前，上述方法还包括：获取训练样本集合，其中，训练样本集合中的每个训练样本包括样本帐号的样本帐号特征、样本媒体资源的样本媒体资源特征以及样本实际操作结果，样本实际操作结果用于表示样本帐号是否对样本媒体资源执行预设操作；在待训练的预测神经网络模型中包括待训练的帐号向量生成模型和待训练的媒体资源向量生成模型的情况下，使用训练样本集合对预测神经网络模型进行训练，得到目标帐号向量生成模型和目标媒体资源向量生成模型；其中，预测神经网络模型用于确定样本预测操作结果，样本预测操作结果用于表示样本帐号对样本媒体资源执行预设操作的概率，在训练过程中预测神经网络模型对应的目标损失值是根据第一损失值和第二损失值中的至少一个以及第三损失值确定得到的损失值，第一损失值是根据多个样本帐号的样本帐号特征确定的损失值，第二损失值是根据多个样本媒体资源的样本媒体资源确定的损失值，第三损失值是样本预测操作结果与样本实际操作结果之间的损失值。
5、可选地，上述使用训练样本集合对预测神经网络模型进行训练，包括：通过以下步骤对预测神经网络模型进行一轮训练：将一批训练样本输入到预测神经网络模型，其中，一批训练样本包括n个训练样本，n个训练样本包括n个样本帐号的样本帐号特征、n个样本媒体资源的样本媒体资源特征以及n个样本实际操作结果，n为大于或等于2的正整数；通过待训练的帐号向量生成模型根据n个样本帐号的样本帐号特征生成n个第一样本帐号向量，并对n个第一样本帐号向量中的每个第一样本帐号向量执行p次第一操作，得到n组第二样本帐号向量，其中，p为大于或等于2的正整数，第一操作是用于将第一样本帐号向量中的第一样本部分取值设置为预设值；通过待训练的媒体资源向量生成模型根据n个样本媒体资源特征生成n个第一样本媒体资源向量，并对n个第一样本媒体资源向量中的每个第一样本媒体资源向量执行p次第二操作，得到n组第二样本媒体资源向量，其中，第二操作是用于将第一样本媒体资源向量中的第二样本部分取值设置为预设值；通过预测神经网络模型根据n组第二样本帐号向量和n组第二样本媒体资源向量，确定n个样本预测操作结果；根据第一损失值和第二损失值中的至少一个以及第三损失值，确定目标损失值，其中，第一损失值是根据n组第二样本帐号向量确定的损失值，第二损失值是根据n组第二样本媒体资源向量确定的损失值，第三损失值是根据n个样本预测操作结果和n个样本实际操作结果确定的损失值；在目标损失值满足预设的训练结束条件，结束训练。
6、可选地，上述对n个第一样本帐号向量中的每个第一样本帐号向量执行p次第一操作，得到n组第二样本帐号向量，包括：通过以下步骤得到n组第二样本帐号向量中的第i组第二样本帐号向量，其中，i为大于或等于1、且小于或等于n的正整数：在n个第一样本帐号向量中的第i个第一样本帐号向量中分别p次随机确定不同的p个第一样本部分取值，并将p个第一样本部分取值均设置为0，得到p个第二样本帐号向量；上述对n个第一样本媒体资源向量中的每个第一样本媒体资源向量执行p次第二操作，得到n组第二样本媒体资源向量，包括：通过以下步骤得到n组第二样本媒体资源向量中的第i组第二样本媒体资源向量：在n个第一样本媒体资源向量中的第i个样本媒体资源向量中分别p次随机确定不同的p个第二样本部分取值，并将p个第二样本部分取值均设置为0，得到p个第二样本媒体资源向量。
7、可选地，上述方法还包括：通过以下步骤确定n个帐号对比损失中的第i个帐号对比损失值，并根据n个帐号对比损失确定第k轮训练的第一损失值，其中，i为大于或等于1、且小于或等于n的正整数：根据n组第二样本帐号向量中的第i组第二样本帐号向量，确定n个样本帐号中的第i个样本帐号与第i个样本帐号的目标对比值；根据第i组第二样本帐号向量与n组第二样本帐号向量中的每组第二样本帐号向量，确定第i个样本帐号与n个样本帐号中的每个样本帐号的对比值，共得到n个对比值；根据目标对比值除以n个对比值之和所得到的比值，确定第i个帐号对比损失值。
8、可选地，上述方法还包括：通过以下步骤确定n个媒体资源对比损失中的第i本文档来自技高网...
【技术保护点】
1.一种媒体资源的召回方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求1所述的方法，其特征在于，在所述获取目标帐号的目标帐号特征以及目标媒体资源的目标媒体资源特征之前，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述使用所述训练样本集合对所述预测神经网络模型进行训练，包括：
5.根据权利要求4所述的方法，其特征在于，
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
7.根据权利要求4所述的方法，其特征在于，所述方法还包括：
8.根据权利要求4所述的方法，其特征在于，所述第k轮训练的第三损失值是根据所述N个样本预测操作结果和所述N个样本实际操作结果确定的损失值，包括：
9.根据权利要求4所述的方法，其特征在于，所述根据所述第k轮训练的第一损失值和所述第k轮训练的第二损失值中的至少一个以及所述第k轮训练的第三损失值，确定所述第k轮训练的目标损失值，包括：
10.根据权利要求1至9中任一项所述的方法，其特征在于，在
11.一种预测神经网络模型的训练方法，其特征在于，包括：
12.根据权利要求11所述的方法，其特征在于，所述使用所述训练样本集合对所述预测神经网络模型进行训练，包括：
13.一种媒体资源的召回装置，其特征在于，包括：
14.一种预测神经网络模型的训练装置，其特征在于，包括：
15.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序可被终端设备或计算机运行时执行所述权利要求1至10任一项中所述的方法、或者执行权利要求11-12任一项中所述的方法。
16.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至10任一项中所述方法的步骤、或者执行权利要求11-12任一项中所述方法的步骤。
17.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至10任一项中所述的方法、或者执行权利要求11-12任一项中所述的方法。
...【技术特征摘要】
1.一种媒体资源的召回方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求1所述的方法，其特征在于，在所述获取目标帐号的目标帐号特征以及目标媒体资源的目标媒体资源特征之前，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述使用所述训练样本集合对所述预测神经网络模型进行训练，包括：
5.根据权利要求4所述的方法，其特征在于，
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
7.根据权利要求4所述的方法，其特征在于，所述方法还包括：
8.根据权利要求4所述的方法，其特征在于，所述第k轮训练的第三损失值是根据所述n个样本预测操作结果和所述n个样本实际操作结果确定的损失值，包括：
9.根据权利要求4所述的方法，其特征在于，所述根据所述第k轮训练的第一损失值和所述第k轮训练的第二损失值中的至少一个以及所述第k轮训练的第三损失值，确定所述第k轮训练的目标损失值，包括：
10.根据权利要求1至9中任一项所述的方法，其特征在于，在所述将所述目标媒体资源确定为向所...
【专利技术属性】
技术研发人员：骆顺昌，
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。