[發(fā)明專利]多媒體文件推薦方法、裝置、電子設(shè)備及可讀存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202110336117.7
• 申請日: 2021-03-29
• 公開（公告）號: CN113032589A
• 公開（公告）日: 2021-06-25
• 發(fā)明（設(shè)計）人: 查強(qiáng)
• 申請（專利權(quán)）人: 北京奇藝世紀(jì)科技有限公司
• 主分類號: G06F16/435
• 分類號: G06F16/435;G06F16/48;G06F16/33
• 代理公司: 北京柏杉松知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11413
• 代理人: 高鶯然;馬敬

1.一種多媒體文件推薦方法，其特征在于，包括：

獲取待推薦用戶的歷史訪問記錄，所述歷史訪問記錄為所述待推薦用戶在指定時間段內(nèi)訪問過的多媒體文件；

基于所述歷史訪問記錄包括的多媒體文件，生成所述待推薦用戶的歷史訪問標(biāo)簽集合；

獲取每個待推薦多媒體文件的標(biāo)簽集合；

基于預(yù)設(shè)深度語義匹配模型，確定所述歷史訪問標(biāo)簽集合對應(yīng)的語義向量與每個待推薦多媒體文件的標(biāo)簽集合對應(yīng)的語義向量之間的相似度；其中，所述預(yù)設(shè)深度語義匹配模型為基于樣本訓(xùn)練集對初始深度語義匹配模型訓(xùn)練得到的模型，所述樣本訓(xùn)練集包括每個樣本用戶的樣本歷史訪問標(biāo)簽集合、正樣本標(biāo)簽集合和負(fù)樣本標(biāo)簽集合；針對每個樣本用戶，該樣本用戶的樣本歷史訪問標(biāo)簽集合包括：該樣本用戶在歷史時間段內(nèi)訪問過的多媒體文件對應(yīng)的標(biāo)簽；該樣本用戶的正樣本標(biāo)簽集合包括：該樣本用戶最近一次訪問的多媒體文件對應(yīng)的標(biāo)簽；該樣本用戶的負(fù)樣本標(biāo)簽集合包括：預(yù)設(shè)數(shù)量的其他樣本用戶在所述歷史時間段內(nèi)訪問過的多媒體文件對應(yīng)的標(biāo)簽；

根據(jù)所述歷史訪問標(biāo)簽集合對應(yīng)的語義向量與每個待推薦多媒體文件的標(biāo)簽集合對應(yīng)的語義向量之間的相似度，選擇為所述待推薦用戶推薦的待推薦文件。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述預(yù)設(shè)深度語義匹配模型通過以下步驟訓(xùn)練獲得：

構(gòu)建所述樣本訓(xùn)練集；

將所述樣本訓(xùn)練集包括的一個樣本用戶的樣本歷史訪問標(biāo)簽集合、正樣本標(biāo)簽集合和負(fù)樣本標(biāo)簽集合輸入所述初始深度語義匹配模型，獲取所述初始深度語義模型輸出的第一相似度和第二相似度，所述第一相似度為樣本用戶的樣本歷史訪問標(biāo)簽集合與正樣本標(biāo)簽集合之間的語義相似度，所述第二相似度為樣本用戶的樣本歷史訪問標(biāo)簽集合與負(fù)樣本標(biāo)簽之間的語義相似度；

基于所述第一相似度和所述第二相似度計算損失函數(shù)值，根據(jù)所述損失函數(shù)值，判斷所述初始深度語義匹配模型是否收斂；

如果所述初始深度語義匹配模型未收斂，則根據(jù)所述損失函數(shù)值調(diào)整所述初始深度語義匹配模型的網(wǎng)絡(luò)參數(shù)，并返回將所述樣本訓(xùn)練集包括的一個樣本用戶的樣本歷史訪問標(biāo)簽集合、正樣本標(biāo)簽集合和負(fù)樣本標(biāo)簽集合輸入所述初始深度語義匹配模型的步驟；

如果所述初始深度語義匹配模型收斂，則將當(dāng)前的初始深度語義匹配模型作為所述預(yù)設(shè)深度語義匹配模型。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述構(gòu)建所述樣本訓(xùn)練集，包括：

針對每個樣本用戶，獲取該樣本用戶在所述歷史時間段內(nèi)訪問過的多媒體文件；

對獲取到的多媒體文件的屬性信息進(jìn)行分詞，得到該樣本用戶的樣本歷史訪問標(biāo)簽集合；

對該樣本用戶最近一次訪問的多媒體文件的屬性信息進(jìn)行分詞，得到該樣本用戶的正樣本標(biāo)簽集合；

對所有樣本用戶中，除該樣本用戶之外的其他樣本用戶進(jìn)行隨機(jī)負(fù)采樣，獲取預(yù)設(shè)數(shù)量的其他樣本用戶的樣本歷史訪問標(biāo)簽集合，作為該樣本用戶的負(fù)樣本標(biāo)簽集合；

將多個樣本用戶的樣本歷史訪問標(biāo)簽集合、正樣本標(biāo)簽集合和負(fù)樣本標(biāo)簽集合構(gòu)建為所述樣本訓(xùn)練集。

4.根據(jù)權(quán)利要求1-3任一項所述的方法，其特征在于，所述基于預(yù)設(shè)深度語義匹配模型，確定所述歷史訪問標(biāo)簽集合對應(yīng)的語義向量與每個待推薦多媒體文件的標(biāo)簽集合對應(yīng)的語義向量之間的相似度，包括：

針對每個待推薦多媒體文件，將該待推薦多媒體文件的標(biāo)簽集合和所述待推薦用戶的歷史訪問標(biāo)簽集合輸入所述預(yù)設(shè)深度語義匹配模型，獲取所述預(yù)設(shè)深度語義匹配模型輸出的該待推薦多媒體文件的標(biāo)簽集合對應(yīng)的語義向量與所述歷史訪問標(biāo)簽集合對應(yīng)的語義向量之間的相似度。

5.根據(jù)權(quán)利要求1-3任一項所述的方法，其特征在于，所述基于預(yù)設(shè)深度語義匹配模型，確定所述歷史訪問標(biāo)簽集合對應(yīng)的語義向量與每個待推薦多媒體文件的標(biāo)簽集合對應(yīng)的語義向量之間的相似度，包括：

針對每個待推薦多媒體文件，將該多媒體文件的標(biāo)簽集合和所述待推薦用戶的歷史訪問標(biāo)簽集合輸入所述預(yù)設(shè)深度語義模型，獲取所述預(yù)設(shè)深度語義匹配模型輸出的該待推薦多媒體文件的標(biāo)簽集合對應(yīng)的第一語義向量，以及所述歷史訪問標(biāo)簽集合對應(yīng)的第二語義向量；基于預(yù)設(shè)相似度算法，計算所述第一語義向量與所述第二語義向量之間的相似度。