【技术实现步骤摘要】
本申请涉及互联网，尤其涉及一种多媒体资源推荐模型训练方法、装置和推荐系统。
技术介绍
1、在用户驾驶过程中，车载车机(in-vehicle infotainment，ivi)，又可称为车载信息娱乐系统，不仅可为用户提供音乐、视频、游戏等多样化的娱乐服务，而且可通过与车辆系统的智能融合，向用户提供实时车况信息、导航路线规划等服务，极大地提升了整个驾驶过程的便捷性、安全性和乐趣性。在此背景下，如何为用户提供更为准确和个性化的推荐服务，以提升用户的驾驶体验、满足用户多样化的娱乐需求一直以来都是行内的研发热点和焦点之一。
2、相关技术中，大多数基于机器学习的推荐模型更注重于单个用户行为之间的关系，而忽略了用户行为随时间变化而发展和演变的动态过程，且难以捕捉用户行为之间的时序信息，故无法利用这些时序信息来充分挖掘用户兴趣随时间的变化而变化的规律，并基于此为用户提供更加精准、实时性好的推荐服务，以满足用户多样化和个性化的推荐服务需求。此外，现有的推荐模型局限于单一领域，即仅在单一领域内挖掘用户兴趣，并基于此向用户提供相关的推荐服务，例如，仅根据用户对音乐的喜好来进行音乐的推荐，而实际上用户对于音乐的喜好很可能还会受到其他不同领域的影响而转变喜好音乐的风格，即忽略了用户兴趣可能会因受到不同领域的影响而发生转变，从而影响到推荐的精准性。
技术实现思路
1、有鉴于此，本申请实施例提供了一种推荐精准度更高、实时性更好，且能够更好地满足用户多样化、个性化的推荐服务需求的多媒体资源推荐模型训练
2、本申请实施例的第一方面，提供了一种多媒体资源推荐模型训练方法，包括：
3、获取由车端提供的用户在车内的实时多媒体行为数据，实时多媒体行为数据包括至少两个媒体领域，与各个媒体领域对应的媒体资源偏好标签和行为时间戳；
4、使用实时多媒体行为数据对待训练资源推荐模型进行训练直至达到收敛条件，得到已训练多媒体资源推荐模型，其中，待训练资源推荐模型包括编码网络层、序列内注意力网络层、序列间注意力网络层和多层神经网络层；
5、使用实时多媒体行为数据对待训练资源推荐模型进行训练，包括：
6、通过编码网络层对实时多媒体行为数据进行向量化和编码处理，得到用户的多媒体领域交叉序列，多媒体领域交叉序列包括一系列特征向量组合，每个特征向量组合均包括行为时间特征向量、媒体领域特征向量和媒体资源偏好特征向量；
7、通过序列内注意力网络层对多媒体领域交叉序列进行计算，得到用户在同一个媒体领域内的第一兴趣表达向量；
8、通过序列间注意力网络层对多媒体领域交叉时间序列进行计算，得到用户在不同媒体领域间的第二兴趣表达向量；
9、将第一兴趣表达向量和第二兴趣表达向量输入多层神经网络层，生成多媒体资源推荐结果。
10、本申请实施例的第二方面，提供了一种多媒体资源推荐模型训练装置，包括：
11、获取模块，被配置为获取由车端提供的用户在车内的实时多媒体行为数据，实时多媒体行为数据包括至少两个媒体领域，与各个媒体领域对应的媒体资源偏好标签和行为时间戳；
12、训练模块，被配置为使用实时多媒体行为数据对待训练资源推荐模型进行训练直至达到收敛条件，得到已训练多媒体资源推荐模型，其中，待训练资源推荐模型包括编码网络层、序列内注意力网络层、序列间注意力网络层和多层神经网络层；
13、使用实时多媒体行为数据对待训练资源推荐模型进行训练，包括：
14、通过编码网络层对实时多媒体行为数据进行向量化和编码处理，得到用户的多媒体领域交叉序列，多媒体领域交叉序列包括一系列特征向量组合，每个特征向量组合均包括行为时间特征向量、媒体领域特征向量和媒体资源偏好特征向量；
15、通过序列内注意力网络层对多媒体领域交叉序列进行计算，得到用户在同一个媒体领域内的第一兴趣表达向量；
16、通过序列间注意力网络层对多媒体领域交叉时间序列进行计算，得到用户在不同媒体领域间的第二兴趣表达向量；
17、将第一兴趣表达向量和第二兴趣表达向量输入多层神经网络层，生成多媒体资源推荐结果。
18、本申请实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
19、本申请实施例的第四方面，提供了一种可读存储介质，该可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
20、本申请实施例与现有技术相比，其有益效果至少包括：通过获取由车端提供的用户在驾驶场景下的实时多媒体行为数据，该实时多媒体行为数据包括至少两个媒体领域，与各个媒体领域对应的媒体资源偏好标签和行为时间戳；然后使用实时多媒体行为数据对待训练资源推荐模型进行训练；其中，待训练资源推荐模型中包括引入了基于intra-sequence(序列内)的注意力机制的序列内注意力网络层，以及基于inter-sequence(序列间)的注意力机制的序列间注意力网络层；通过序列内注意力网络层捕捉和充分挖掘出用户在同一个媒体领域内的第一兴趣表达向量，通过序列间注意力网络层捕捉和充分挖掘出用户在不同媒体领域间的第二兴趣表达向量，如此，不仅可充分利用多媒体行为之间的时序信息来充分挖掘用户兴趣随时间的变化而变化的规律，有利于为用户提供更加精准、实时性好的推荐服务，从而更好地满足用户多样化和个性化的推荐服务需求；同时打破了传统推荐系统局限于单一领域而忽略了用户兴趣可能会因受到不同领域的影响而发生转变，从而影响到推荐的精准性的限制，进一步提高了推荐的精准性。
本文档来自技高网...【技术保护点】
1.一种多媒体资源推荐模型训练方法，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，通过所述序列内注意力网络层对所述多媒体领域交叉序列进行计算，得到所述用户在同一个媒体领域内的第一兴趣表达向量，包括：
3.根据权利要求1或2所述的方法，其特征在于，通过所述序列间注意力网络层对所述多媒体领域交叉时间序列进行计算，得到所述用户在不同媒体领域间的第二兴趣表达向量，包括：
4.根据权利要求1所述的方法，其特征在于，所述多层神经网络层包括特征连接层、第一激活函数层、第二激活函数层、第三激活函数层和第四激活函数层；
5.根据权利要求1所述的方法，其特征在于，所述方法，还包括：
6.根据权利要求5所述的方法，其特征在于，将所述多媒体资源推荐结果推送至所述车端，以使所述车端向所述用户展示所述多媒体资源推荐结果，包括：
7.根据权利要求1所述的方法，其特征在于，使用所述实时多媒体行为数据对待训练资源推荐模型进行训练直至达到收敛条件，得到已训练多媒体资源推荐模型，包括：
8.一种多媒体资源推荐模型训练装
9.一种多媒体资源推荐系统，其特征在于，包括：
10.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种多媒体资源推荐模型训练方法，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，通过所述序列内注意力网络层对所述多媒体领域交叉序列进行计算，得到所述用户在同一个媒体领域内的第一兴趣表达向量，包括：
3.根据权利要求1或2所述的方法，其特征在于，通过所述序列间注意力网络层对所述多媒体领域交叉时间序列进行计算，得到所述用户在不同媒体领域间的第二兴趣表达向量，包括：
4.根据权利要求1所述的方法，其特征在于，所述多层神经网络层包括特征连接层、第一激活函数层、第二激活函数层、第三激活函数层和第四激活函数层；
5.根据权利要求1所述的方法，其特征在于，所述方法，还包括：
【专利技术属性】
技术研发人员：邓力，刘贤杰，罗宇兴，牟冠男，苏星溢，李杨，曾成，
申请(专利权)人：重庆赛力斯凤凰智创科技有限公司，
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。