训练媒体内容推荐网络的方法、以及推荐媒体内容的方法与流程

本技术实施例涉及计算机，尤其涉及训练媒体内容推荐网络的方法、以及推荐媒体内容的方法。

背景技术：

1、相关技术中的许多应用都推出了个性化媒体内容推荐服务，从而满足使用者多场景下的媒体内容推荐需求，并且支持使用者对媒体内容实施预设操作。多场景体现在多样的使用者，多类型的媒体内容、媒体内容对应不同的预设操作，推荐媒体内容时不同的上下文信息。多场景一方面充分满足了使用者对媒体内容的推荐需求，提升了媒体内容的预设操作的发生率，但是一方面又增加了推荐难度。目前，相关技术对于媒体内容推荐在多场景的表现波动较大，稳定性稍显不足。

技术实现思路

1、为了解决上述至少一个技术问题，本技术实施例提供训练媒体内容推荐网络的方法、以及推荐媒体内容的方法，以解决相关技术中媒体内容推荐效果不佳，并且针对各场景适应力和稳定性不足的问题。

2、一方面，本技术实施例提供了一种训练媒体内容推荐网络的方法，所述媒体内容推荐网络包括信息筛选网络、深度神经网络和共现预测网络，所述深度神经网络包括至少一个残差门控网络以及与各所述残差门控网络连接的稀疏因子分解层，所述方法包括：

3、获取样本媒体内容和所述样本媒体内容对应的标注信息，所述标注信息表征所述样本媒体内容触发样本账户执行预设操作的执行情况；

4、根据所述样本媒体内容和所述样本账户，确定样本初始信息和样本共现信息，所述样本共现信息包括允许存在共现情况的样本子信息；

5、将所述样本初始信息输入信息筛选网络进行特征筛选处理，得到样本筛选特征，所述信息筛选网络包括依次连接的第一嵌入层、信息筛选层和第二嵌入层，所述第二嵌入层与所述稀疏因子分解层连接；

6、将所述样本筛选特征输入深度神经网络进行操作预测处理，得到第一预测结果，所述深度神经网络中的稀疏因子分解层以所述样本筛选特征为输入，并经由各残差门控网络输出各自对应的门控值；

7、将所述样本共现信息输入共现预测网络进行操作预测处理，得到第二预测结果；

8、对所述第一预测结果和所述第二预测结果进行融合，得到样本预测结果；

9、基于所述样本预测结果和所述标注信息之间的差异，调整所述媒体内容推荐网络的各参数，得到媒体内容推荐模型。

10、另一方面，本技术实施例提供一种推荐媒体内容的方法，所述方法包括：

11、获取待推荐的第一媒体内容和目标账户；

12、将所述第一媒体内容输入媒体内容推荐模型，得到所述第一媒体内容对应的第一预测结果，所述第一预测结果表征所述目标账户对所述第一媒体内容执行预设操作的概率，所述媒体内容推荐模型基于上述的训练媒体内容推荐网络的方法训练得到；

13、在所述第一预测结果满足预设推荐要求的情况下，向所述目标账户推荐所述第一媒体内容。

14、另一方面，本技术实施例提供一种训练媒体内容推荐网络的装置，所述媒体内容推荐网络包括信息筛选网络、深度神经网络和共现预测网络，所述深度神经网络包括至少一个残差门控网络以及与各所述残差门控网络连接的稀疏因子分解层，所述装置包括：

15、样本获取模块，用于获取样本媒体内容和所述样本媒体内容对应的标注信息，所述标注信息表征所述样本媒体内容触发样本账户执行预设操作的执行情况；

16、信息确定模块，用于根据所述样本媒体内容和所述样本账户，确定样本初始信息和样本共现信息，所述样本共现信息包括允许存在共现情况的样本子信息；

17、网络处理模块，用于将所述样本初始信息输入信息筛选网络进行特征筛选处理，得到样本筛选特征，所述信息筛选网络包括依次连接的第一嵌入层、信息筛选层和第二嵌入层，所述第二嵌入层与所述稀疏因子分解层连接；将所述样本筛选特征输入深度神经网络进行操作预测处理，得到第一预测结果，所述深度神经网络中的稀疏因子分解层以所述样本筛选特征为输入，并经由各残差门控网络输出各自对应的门控值；将所述样本共现信息输入共现预测网络进行操作预测处理，得到第二预测结果；对所述第一预测结果和所述第二预测结果进行融合，得到样本预测结果；

18、参数调整模块，用于基于所述样本预测结果和所述标注信息之间的差异，调整所述媒体内容推荐网络的各参数，得到媒体内容推荐模型。

19、另一方面，本技术实施例提供一种推荐媒体内容的装置，所述装置包括：

20、媒体内容获取模块，用于获取待推荐的第一媒体内容和目标账户；

21、推荐模块，用于将所述第一媒体内容输入媒体内容推荐模型，得到所述第一媒体内容对应的第一预测结果，所述第一预测结果表征所述目标账户对所述第一媒体内容执行预设操作的概率，所述媒体内容推荐模型基于上述的训练媒体内容推荐网络的方法训练得到；以及，在所述第一预测结果满足预设推荐要求的情况下，向所述目标账户推荐所述第一媒体内容。

22、另一方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现上述的一种训练媒体内容推荐网络的方法或推荐媒体内容的方法。

23、另一方面，本技术实施例提供了一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现上述的一种训练媒体内容推荐网络的方法或推荐媒体内容的方法。

24、另一方面，本技术实施例提供了一种计算机程序产品，包括计算机程序或指令，该计算机程序或指令被处理器执行时实现上述的一种训练媒体内容推荐网络的方法或推荐媒体内容的方法。

25、本技术实施例提供训练媒体内容推荐网络的方法、以及推荐媒体内容的方法。该训练方法设计了全新的媒体内容推荐模型的模型结构，具体来说，该模型结构包括信息筛选网络、深度神经网络和共现预测网络，所述深度神经网络包括至少一个残差门控网络以及与各所述残差门控网络连接的稀疏因子分解层。信息筛选网络可以对输入模型的信息进行有效筛选，深度神经网络根据有效筛选结果来预测媒体内容对应的预设操作发生概率，可以提升预测准确度。共现预测网络可以基于共现信息预测媒体内容对应的预设操作发生概率，深度神经网络和共现预测网络的预测结果相融合即可得到准确的预设操作发生概率。这一模型结构使得该媒体内容推荐模型的训练过程中，可以充分考虑到有效筛选出来的信息和共现信息，使得该媒体内容推荐模型可以充分学习到与媒体内容有关的各方各面的特征，结合全面的特征信息进行准确的预设操作发生概率的预测，共现信息本身还体现了模型对于与该媒体内容有关的历史共现情况的记忆能力，具备该记忆能力的媒体内容推荐模型具备更好的预设操作发生概率的预测能力，预测能力强。

26、并且，本技术实施例还设计了至少一个残差门控网络，残差门控网络可以以信息筛选网络输出的筛选结果为输入，通过残差处理和门控值输出的方式对深度神经网络中的门控层的输出值进行放缩，加深深度神经网络中门控层的门控作用，使得模型强化对于不同场景中的信息的学习能力，更加优化信息从底层向顶层的传递效果，从而让神经网络更好地学习个性化特征，提升神经网络学习到的信息质量，从而不仅能够提升神经网络对于媒体内容关联的预设操作的触发概率的预测能力，还能够提升训练得到的模型对于个性化差异的敏感度，使得该模型对各种场景都可以适应性地提供准确的预测结果，具备多场景适应能力，自身也具备更好的鲁棒性。当然，基于该模型所实施的对媒体内容进行推荐的方法也具备更好的推荐效果，可以帮助媒体内容提供者使用更少的成本达到更好的推荐目标。