推荐方法、介质、装置和计算设备制造方法及图纸

本公开的实施方式提供了一种推荐方法、介质、装置和计算设备。该方法包括：获取多个对象的属性信息；根据爆款潜力预估模型对各所述对象的属性信息进行处理，得到各所述对象的潜力预估值，所述潜力预估值用于指示所述对象的爆款潜力；根据所述潜力预估值，在所述多个对象中确定在全站推荐的目标对象。本公开实施例的方案，是通过获取对象的属性信息，并基于属性信息筛选出目标对象的，由于属性信息指示的是对象本身的特征，因此，能有效减少由于初期播放率等外部数据对于对象的筛选的影响，提高对象筛选的准确性，使得优质的对象最终能作为目标对象在全站进行推荐。标对象在全站进行推荐。标对象在全站进行推荐。

【技术实现步骤摘要】
推荐方法、介质、装置和计算设备


[0001]本公开的实施方式涉及互联网
，更具体地，本公开的实施方式涉及一种推荐方法、介质、装置和计算设备。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]音视频应用能够为用户提供歌曲收听、视频观看等服务。在音视频应用中，如果能在海量的歌曲或视频中有效筛选出能够获得大量用户喜爱的爆款内容，就能够提高音视频应用的使用率，并能为音视频应用带来大量的新用户。
[0004]目前进行爆款内容筛选的方案，主要是在平台上小范围的展示内容，用户可以在平台上观看、点赞或分享。然后系统根据内容的有效播放率、点赞率等进行判断，从而在海量内容中确定有潜力成为爆款内容。
[0005]上述方式可能会导致一些优质内容在初期因为有效播放率低、点赞率低等原因被淘汰，使得爆款内容筛选的准确性较低，从而对音视频应用的使用率和拉新产生不利影响。

技术实现思路

[0006]本公开实施例提供一种推荐方法、介质、装置和计算设备，以解决部分优质内容由于播放率和点赞率低等外部原因无法成为被推荐的爆款内容，不利于音视频应用的使用率提升和拉新的问题。
[0007]第一方面，本公开实施例提供一种推荐方法，包括：
[0008]获取多个对象的属性信息；
[0009]根据爆款潜力预估模型对各所述对象的属性信息进行处理，得到各所述对象的潜力预估值，所述潜力预估值用于指示所述对象的爆款潜力；
[0010]根据所述潜力预估值，在所述多个对象中确定在全站推荐的目标对象。
[0011]在一种可能的实施方式中，所述爆款潜力预估模型包括预处理模块和全连接模块；针对所述多个对象中的任意一个对象，根据爆款潜力预估模型对所述对象的属性信息进行处理，得到所述对象的潜力预估值，包括：
[0012]根据各所述属性信息对应的预处理模块，对所述对象的属性信息进行特征提取，获取所述对象的各属性信息对应的特征向量；
[0013]对所述对象的各属性信息对应的特征向量进行合并处理，得到所述对象的合成特征向量；
[0014]根据所述全连接模块对所述合成特征向量进行处理，得到所述对象的潜力预估值。
[0015]在一种可能的实施方式中，所述属性信息包括音频；所述音频对应的预处理模块包括音频抽取层和音频特征提取层；所述根据各所述属性信息对应的预处理模块，对所述
对象的属性信息进行特征提取，获取所述对象的各属性信息对应的特征向量，包括：
[0016]根据音频抽取层对所述音频进行抽取操作，获取多个音频关键帧；
[0017]根据音频特征提取层对所述多个音频关键帧处理，得到所述音频对应的特征向量。
[0018]在一种可能的实施方式中，所述属性信息包括视频帧；所述视频帧对应的预处理模块包括卷积神经网络和长短期记忆人工神经网络；所述根据各所述属性信息对应的预处理模块，对所述对象的属性信息进行特征提取，获取所述对象的各属性信息对应的特征向量，包括：
[0019]根据所述卷积神经网络获取所述视频帧的图像特征；
[0020]根据所述长短期记忆人工神经网络对所述视频帧的图像特征进行处理，得到所述视频帧对应的特征向量。
[0021]在一种可能的实施方式中，所述属性信息包括文本；所述文本对应的预处理模块包括分词层和词向量提取层；所述根据各所述属性信息对应的预处理模块，对所述对象的属性信息进行特征提取，获取所述对象的各属性信息对应的特征向量，包括：
[0022]根据所述分词层对所述文本进行分词处理，得到多个分词；
[0023]根据所述词向量提取层，获取所述多个分词的词向量；
[0024]对所述多个分词的词向量进行融合，得到所述文本对应的特征向量。
[0025]在一种可能的实施方式中，所述属性信息包括封面图像；所述封面图像对应的预处理模块包括残差网络模型；所述根据各所述属性信息对应的预处理模块，对所述对象的属性信息进行特征提取，获取所述对象的各属性信息对应的特征向量，包括：
[0026]根据所述残差网络模型对所述封面图像进行特征提取，得到所述封面图像对应的特征向量。
[0027]在一种可能的实施方式中，所述全连接模块中包括多个全连接层；所述根据所述全连接模块对所述合成特征向量进行处理，得到所述对象的潜力预估值，包括：
[0028]针对任意一个全连接层，根据所述全连接层的参数对所述全连接层的输入进行加权求和处理，并根据激活函数对加权求和处理后的结果进行映射处理，得到所述全连接层的输出；
[0029]根据所述全连接模块中的最后一个全连接层的输出，得到多个分值，所述多个分值包括播放分值、点赞分值、分享分值、流行持久度分值和流行爆发度分值中的至少一个；
[0030]根据所述分值和每个分值的权重值，获取所述对象的潜力预估值。
[0031]在一种可能的实施方式中，所述根据所述潜力预估值，在所述多个对象中确定在全站推荐的目标对象，包括：
[0032]根据所述潜力预估值，对所述多个对象进行筛选，确定初级流量池中的对象；
[0033]对所述初级流量池中的对象进行多级流量分发，确定各流量池的下一级流量池中的对象；
[0034]在最后一级流量分发结束后的剩余的对象中计算剩余的对象对应的推曝价值；
[0035]根据所述推曝价值，在所述剩余的对象中确定在全站待推荐的所述目标对象。
[0036]在一种可能的实施方式中，所述对所述初级流量池中的对象进行多级流量分发，确定各流量池的下一级流量池中的对象，包括：
[0037]在每一级的流量池中，获取用户特征向量；
[0038]将所述用户特征向量、对应的流量池中的各对象的潜力预估值和合成特征向量进行融合处理，得到各对象对应的融合值；
[0039]根据所述融合值对对应的流量池中的各所述对象进行排序，并根据所述排序结果对各所述对象进行分发；
[0040]根据分发后获得的反馈数据，对各所述对象进行筛选，确定对应的流量池的下一级流量池中的对象。
[0041]在一种可能的实施方式中，所述根据分发后获得的反馈数据，对各所述对象进行筛选，确定对应的流量池的下一级流量池中的对象，包括：
[0042]获取预设时间段内各所述对象对应的内容实时点赞率和完播率；
[0043]将实时点赞率大于或等于第一阈值、完播率大于或等于第二阈值以及潜力预估值大于或等于第三阈值的对象，确定为所述下一级流量池中的对象。
[0044]在一种可能的实施方式中，所述在最后一级流量分发结束后的剩余的对象中计算剩余的对象对应的推曝价值，包括：
[0045]确定处于最后一级流量池中的各第一对象；
[0046]获取各第一对象对应的推曝参数；
[0047]根据所述推曝参数计算所述各第一对象对应的推曝价值。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种推荐方法，其特征在于，包括：获取多个对象的属性信息；根据爆款潜力预估模型对各所述对象的属性信息进行处理，得到各所述对象的潜力预估值，所述潜力预估值用于指示所述对象的爆款潜力；根据所述潜力预估值，在所述多个对象中确定在全站推荐的目标对象。2.根据权利要求1所述的推荐方法，其特征在于，所述爆款潜力预估模型包括预处理模块和全连接模块；针对所述多个对象中的任意一个对象，根据爆款潜力预估模型对所述对象的属性信息进行处理，得到所述对象的潜力预估值，包括：根据各所述属性信息对应的预处理模块，对所述对象的属性信息进行特征提取，获取所述对象的各属性信息对应的特征向量；对所述对象的各属性信息对应的特征向量进行合并处理，得到所述对象的合成特征向量；根据所述全连接模块对所述合成特征向量进行处理，得到所述对象的潜力预估值。3.根据权利要求2所述的推荐方法，其特征在于，所述全连接模块中包括多个全连接层；所述根据所述全连接模块对所述合成特征向量进行处理，得到所述对象的潜力预估值，包括：针对任意一个全连接层，根据所述全连接层的参数对所述全连接层的输入进行加权求和处理，并根据激活函数对加权求和处理后的结果进行映射处理，得到所述全连接层的输出；根据所述全连接模块中的最后一个全连接层的输出，得到多个分值，所述多个分值包括播放分值、点赞分值、分享分值、流行持久度分值和流行爆发度分值中的至少一个；根据所述分值和每个分值的权重值，获取所述对象的潜力预估值。4.根据权利要求1
‑
3任一项所述的推荐方法，其特征在于，所述根据所述潜力预估值，在所述多个对象中确定在全站推荐的目标对象，包括：根据所述潜力预估值，对所述多个对象进行筛选，确定初级流量池中的对象；对所述初级流量池中的对象进行多级流量分发，确定各流量池的下一级流量池中的对象；在最后一级流量分发结束后的剩余的对象中计算剩余的对象对应的推曝价值；根据所述推曝价值，在所述剩余的对象中确定在全站待推荐的所述目标对象。5.根据权利要求4所述的推荐方法，其特征在...

【专利技术属性】
技术研发人员：刘琳，章莺，李文杰，马振峰，吴玉想，李双江，刘森茂，肖强，
申请(专利权)人：杭州网易云音乐科技有限公司，
类型：发明
国别省市：