内容推送方法、装置、设备和介质
文献发布时间:2024-04-18 20:01:23
技术领域
本申请涉及人工智能技术,更涉及信息处理技术领域,特别是涉及一种内容推送方法、装置、设备和介质。
背景技术
随着信息技术的发展,现有业务中通常需要对内容进行排序,进而再基于排序得到的结果进行相应的业务处理。比如,在广告推送场景中,通常需要先对大量满足推送要求的广告进行排序,从而再根据排序的结果确定出最终要推送给用户的广告。
传统技术中,通过对各个按约定推送的内容进行离线状态下的虚拟资源投入量预估,以及获取按资源投入量推送的内容在离线状态下的资源投入量。当请求到来时,根据按约定推送的内容的虚拟资源投入量与按资源投入量推送的内容的资源投入量,对按约定推送的内容和按资源投入量推送的内容进行统一排序。但是,由于按约定推送的内容的虚拟资源投入量没有考虑实时请求所对应的对象特征,而且按资源投入量推送的内容的资源投入量通常也是随时间动态变化的,因此,当请求到来时,直接根据预先估算的按约定推送的内容的虚拟资源投入量与按资源投入量推送的内容的资源投入量,对按约定推送的内容和按资源投入量推送的内容进行排序,会导致排序结果不准确,进而在基于排序结果进行内容推送时,会导致推送的内容不够准确,从而导致内容推送准确率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升内容推送准确率的内容推送方法、装置、设备和介质。
第一方面,本申请提供了一种内容推送方法,所述方法包括:
响应对象对应的终端发送的内容推送请求,确定候选的混合内容;所述混合内容包括第一类型内容和第二类型内容;所述第一类型内容是参考资源动态投入量推送的内容;所述第二类型内容是按约定推送的内容;
确定第一类型内容的资源动态投入信息和第二类型内容的内容特征;
根据各所述第二类型内容的内容特征,确定整体内容特征;
根据所述对象属性信息、所述整体内容特征和所述资源动态投入信息对应的资源动态投入特征,确定所述第一类型内容的第一优先推送概率;
分析各所述第二类型内容的内容特征之间的优先推送关系,得到内部优先推送特征,并根据所述对象属性信息、所述内部优先推送特征和所述资源动态投入特征进行类型间的优先推送关系分析,确定各个所述第二类型内容对应的第二优先推送概率;
基于所述第一优先推送概率和所述第二优先推送概率,对所述混合内容进行内容推送。
第二方面,本申请提供了一种内容推送装置,所述装置包括:
确定模块,用于响应对象对应的终端发送的内容推送请求,确定候选的混合内容;所述混合内容包括第一类型内容和第二类型内容;所述第一类型内容是参考资源动态投入量推送的内容;所述第二类型内容是按约定推送的内容;
所述确定模块还用于确定第一类型内容的资源动态投入信息和第二类型内容的内容特征;
分析模块,用于根据各所述第二类型内容的内容特征,确定整体内容特征;根据所述对象属性信息、所述整体内容特征和所述资源动态投入信息对应的资源动态投入特征,确定所述第一类型内容的第一优先推送概率;分析各所述第二类型内容的内容特征之间的优先推送关系,得到内部优先推送特征,并根据所述对象属性信息、所述内部优先推送特征和所述资源动态投入特征进行类型间的优先推送关系分析,确定各个所述第二类型内容对应的第二优先推送概率;
推送模块,用于基于所述第一优先推送概率和所述第二优先推送概率,对所述混合内容进行内容推送。
在一个实施例中,所述分析模块还用于针对每一条第二类型内容,根据所述第二类型内容对应的内容特征和剩余内容对应的内容特征,确定所述剩余内容对所述第二类型内容的威胁系数;所述剩余内容,是各所述第二类型内容中除所述第二类型内容外的第二类型内容;根据各所述第二类型内容分别对应的威胁系数,将各所述第二类型内容分别对应的内容特征进行加权融合,得到内部优先推送特征。
在一个实施例中,所述分析模块还用于将所述对象属性信息对应的对象属性特征、所述内部优先推送特征和所述资源动态投入特征进行拼接,得到拼接特征;根据所述拼接特征,确定各个所述第二类型内容对应的优先推送条件概率;根据所述第一类型内容的第一优先推送概率和各个所述第二类型内容对应的优先推送条件概率,确定各个所述第二类型内容对应的第二优先推送概率。
在一个实施例中,所述分析模块还用于将所述对象属性信息对应的对象属性特征、所述整体内容特征和所述资源动态投入信息对应的资源动态投入特征,输入至预先训练的内容排序模型中的第一概率预测网络,以通过所述第一概率预测网络确定所述第一类型内容的第一优先推送概率;将所述拼接特征输入至预先训练的内容排序模型中的第二概率预测网络,以通过第二概率预测网络确定各个所述第二类型内容对应的优先推送条件概率。
在一个实施例中,所述分析模块还用于根据所述第一类型内容的第一优先推送概率,确定所述第二类型内容相较于所述第一类型内容的相对优先推送概率;根据所述相对优先推送概率和各个所述第二类型内容对应的优先推送条件概率,分别确定各个所述第二类型内容对应的第二优先推送概率。
在一个实施例中,所述对所述混合内容进行内容推送,是基于预先训练的内容排序模型预测得到的排序结果实现的;所述装置还包括:
第一训练模块,用于获取至少一条样本数据;所述样本数据包括第一类型样本内容和第二类型样本内容,以及针对第一类型样本内容和第二类型样本内容的第一标签数据;所述样本数据还包括所述样本数据对应的样本对象的样本对象属性信息、所述第一类型样本内容的样本资源动态投入信息和第二类型样本内容的样本内容特征;将所述样本对象属性信息、样本资源动态投入信息和所述样本内容特征,输入至待训练的内容排序模型,得到第一预测结果数据;通过所述第一预测结果数据和所述第一标签数据之间的差异,对所述待训练的内容排序模型进行迭代训练,得到所述预先训练的内容排序模型。
在一个实施例中,所述第一训练模块还用于获取至少一个样本对象的样本对象属性信息,以及获取至少一条第一类型样本内容的样本资源动态投入信息和至少一条第二类型样本内容的样本内容特征;根据所述样本对象属性信息、所述样本资源动态投入信息和所述样本内容特征,确定与各样本内容推送请求分别对应的内容推送方案;所述样本内容推送请求是所述样本对象对应的终端发送的请求;根据所述内容推送方案,对所述第一类型样本内容和所述第二类型样本内容进行打标签,得到针对第一类型样本内容和第二类型样本内容的第一标签数据。
在一个实施例中,所述第一训练模块还用于根据所述第一预测结果数据和所述第一标签数据之间的差异,确定第一蒸馏损失;通过所述第一蒸馏损失,对所述待训练的内容排序模型进行迭代训练,得到初始内容排序模型;根据第一蒸馏结果数据和第二蒸馏结果数据之间的差异,确定第二蒸馏损失;所述第一蒸馏结果数据是所述待训练的内容排序模型输出的结果数据;所述第二蒸馏结果数据是所述初始内容排序模型输出的结果数据;根据所述第一蒸馏损失和所述第二蒸馏损失,对所述初始内容排序模型进行蒸馏处理,得到所述预先训练的内容排序模型。
在一个实施例中,所述第一蒸馏结果数据包括第一蒸馏目标结果数据和第一蒸馏中间结果数据;所述第二蒸馏结果数据包括第二蒸馏目标结果数据和第二蒸馏中间结果数据;所述第一训练模块还用于根据第一蒸馏目标结果数据和所述第二蒸馏目标结果数据之间的差异,确定目标结果蒸馏损失;根据所述第一蒸馏中间结果数据和所述第二蒸馏中间结果数据之间的差异,确定中间结果蒸馏损失;根据所述目标结果蒸馏损失和所述中间结果蒸馏损失,确定第二蒸馏损失。
在一个实施例中,所述对所述混合内容进行内容推送,是基于预先训练的内容排序模型预测得到的排序结果实现的;所述装置还包括:
第二训练模块,用于针对每一次模型更新周期,获取所述模型更新周期对应的周期样本数据;所述周期样本数据包括第一类型校准内容和第二类型校准内容,以及针对第一类型校准内容和第二类型校准内容的第二标签数据;所述周期样本数据还包括所述周期样本数据对应的校准对象的校准对象属性信息、所述第一类型校准内容的校准资源动态投入信息和第二类型校准内容的校准内容特征;将所述周期样本数据输入至上一次模型更新周期更新得到的内容排序模型,得到本次模型更新周期对应的第二预测结果数据;根据第二预测结果数据和所述第二标签数据之间的差异,确定第一校准损失;根据第一校准结果数据和第二校准结果数据之间的差异,确定第二校准损失;所述第一校准结果数据,是上一次模型更新周期更新得到的内容排序模型输出的结果数据;所述第二校准结果数据,是在先模型更新周期更新得到的内容排序模型输出的结果数据;所述在先模型更新周期,是所述上一次模型更新周期之前的模型更新周期;根据所述第一校准损失和所述第二校准损失,对所述上一次模型更新周期更新得到的内容排序模型进行更新。
在一个实施例中,所述第一校准结果数据包括第一校准目标结果数据和第一校准中间结果数据;所述第二校准结果数据包括第二校准目标结果数据和第二校准中间结果数据;所述第二训练模型用于根据第一校准目标结果数据和所述第二校准目标结果数据之间的差异,确定目标结果校准损失;根据所述第一校准中间结果数据和所述第二校准中间结果数据之间的差异,确定中间结果校准损失;根据所述目标结果校准损失和所述中间结果校准损失,确定第二校准损失。
第三方面,本申请提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现本申请各方法实施例中的步骤。
第四方面,本申请提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现本申请各方法实施例中的步骤。
第五方面,本申请提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现本申请各方法实施例中的步骤。
上述内容推送方法、装置、设备、介质和计算机程序产品,通过响应对象对应的终端发送的内容推送请求,确定候选的混合内容,混合内容包括第一类型内容和第二类型内容,第一类型内容是参考资源动态投入量推送的内容,第二类型内容是按约定推送的内容。确定第一类型内容的资源动态投入信息和第二类型内容的内容特征,并根据各第二类型内容的内容特征,确定整体内容特征;根据对象属性信息、整体内容特征和资源动态投入信息对应的资源动态投入特征,确定第一类型内容的第一优先推送概率;分析各第二类型内容的内容特征之间的优先推送关系,得到内部优先推送特征,并根据对象属性信息、内部优先推送特征和资源动态投入特征进行类型间的优先推送关系分析,确定各个第二类型内容对应的第二优先推送概率。由于第一优先推送概率和第二优先推送概率的计算过程考虑到了该内容推送请求对应的对象属性信息,以及还考虑到了第一类型内容的实时的资源动态投入信息和第二类型内容的内容特征,因此,第一优先推送概率和第二优先推送概率是针对请求级别计算得到的数据。进而,基于第一优先推送概率和第二优先推送概率,对混合内容中的第一类型内容和第二类型内容进行排序,可以提升针对内容的排序准确率,进而,可基于准确率较高的排序结果从候选的混合内容中筛选出目标内容,并将目标内容推送至终端,可以提升内容推送准确率。
附图说明
图1为一个实施例中内容推送方法的应用环境图;
图2为一个实施例中内容推送方法的流程示意图;
图3为一个实施例中第一类型内容和第二类型内容分别对应的资源投入量波动示意图;
图4为一个实施例中第二优先推送概率的计算流程示意图;
图5为一个实施例中内容的推送原理示意图;
图6为一个实施例中内容排序模型的模型框架示意图;
图7为另一个实施例中内容推送方法的流程示意图;
图8为一个实施例中内容推送装置的结构框图;
图9为另一个实施例中内容推送装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的内容推送方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他服务器上。其中,终端102可以但不限于是各种台式计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端102以及服务器104可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
服务器104可响应对象对应的终端发送的内容推送请求,确定候选的混合内容;混合内容包括第一类型内容和第二类型内容;第一类型内容是参考资源动态投入量推送的内容;第二类型内容是按约定推送的内容。服务器104可确定第一类型内容的资源动态投入信息和第二类型内容的内容特征,根据各第二类型内容的内容特征,确定整体内容特征。服务器104可根据对象属性信息、整体内容特征和资源动态投入信息对应的资源动态投入特征,确定第一类型内容的第一优先推送概率。服务器104可分析各第二类型内容的内容特征之间的优先推送关系,得到内部优先推送特征,并根据对象属性信息、内部优先推送特征和资源动态投入特征进行类型间的优先推送关系分析,确定各个第二类型内容对应的第二优先推送概率。服务器104可基于第一优先推送概率和第二优先推送概率,对混合内容进行内容推送。
需要说明的是,本申请一些实施例中的内容推送方法使用到了人工智能技术。比如,第二类型内容的内容特征,则属于使用人工智能技术编码得到的特征,以及,第一类型内容的第一优先推送概率和第二类型内容的第二优先推送概率,也属于使用人工智能技术预测得到的概率。
在一个实施例中,如图2所示,提供了一种内容推送方法,本实施例以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤202,响应对象对应的终端发送的内容推送请求,确定候选的混合内容;混合内容包括第一类型内容和第二类型内容;第一类型内容是参考资源动态投入量推送的内容;第二类型内容是按约定推送的内容。
其中,对象可以是用户,还可以是除用户之外的其他主体对象。内容推送请求是一种请求进行内容推送的指令。内容是指需要进行推送的媒体内容,比如,内容可以是需要进行推送的广告,可以理解,内容还包括文章、视频和图像中的至少一种。混合内容包括至少两种类型的内容。比如,混合内容包括第一类型内容和第二类型内容。第一类型内容是参考资源动态投入量推送的内容,第二类型内容是按约定推送的内容。
具体地,对象可在终端上进行触发操作,以使得对象对应的终端生成内容推送请求,并将内容推送请求发送至服务器。服务器可响应于对象对应的终端发送的内容推送请求,从用于存储混合内容的数据库中确定出候选的混合内容。
举例说明,对象可以是用户,内容推送请求可以是广告推送请求,用户在终端上打开一个视频应用软件,并点击该视频应用软件中所展示的某个视频,此时,用户所使用的终端可生成广告推送请求,并将广告推送请求发送至服务器。服务器可响应于对象对应的终端发送的广告推送请求,确定候选的混合广告。
在一个实施例中,服务器可响应于对象对应的终端发送的内容推送请求,从用于存储混合内容的数据库中,筛选出与该内容推送请求相匹配的那一部分内容,作为候选的混合内容。可以理解,筛选与内容推送请求相匹配的内容,是指从数据库中查询包括对象的对象属性信息的内容。其中,对象属性信息是指对象的属性信息,对象属性信息包括对象的固有属性信息和对象的行为属性信息中的至少一种。对象的固有属性信息,是指对象本身所固有的属性信息。对象的行为属性信息,是指对象执行特定行为之后所产生的属性信息。对象的行为属性信息包括对象对应的终端的设备信息和网络类型等中的至少一种。
在一个实施例中,服务器可响应于对象对应的终端发送的内容推送请求,将用于存储混合内容的数据库中的各个内容,确定为候选的混合内容。
步骤204,确定第一类型内容的资源动态投入信息和第二类型内容的内容特征。
其中,资源动态投入信息,是第一类型内容的内容商所提供的、且用于请求内容推送机会的资源信息,可以理解,资源动态投入信息可以随着资源的投入量而发生动态改变。内容特征,是第二类型内容的约定信息对应的特征。第二类型内容的约定信息可以包括约定推送次数、约定推送时间和约定内容点击数量等中的至少一种。
在一个实施例中,服务器中在数据库中预先存储有第一类型内容的资源动态投入信息和第二类型内容的约定信息。服务器可从数据库中直接获取第一类型内容的资源动态投入信息和第二类型内容的约定信息。进而,服务器可将第二类型内容的约定信息进行特征编码,得到第二类型内容的内容特征。
在一个实施例中,服务器中在数据库中预先存储有第一类型内容的资源动态投入信息和第二类型内容的内容特征。服务器可从数据库中直接获取第一类型内容的资源动态投入信息和第二类型内容的内容特征。
可以理解,第一类型内容的资源动态投入信息可以随时间的变化而动态变化,第二类型内容对应的资源投入量则是基本固定不变的,基本不受时间变化的影响。参考图3,第一类型内容1、第一类型内容2和第一类型内容3的资源动态投入信息在24小时内存在较大的波动变化,而第二类型内容对应的资源投入量在24小时内则基本保持不变。
步骤206,根据各第二类型内容的内容特征,确定整体内容特征。
其中,整体内容特征,是用于表征第二类型内容相较于第一类型内容的整体优先推送关系的特征。
在一个实施例中,服务器可将各第二类型内容分别对应的内容特征进行累加,并将累加后得到的特征作为整体内容特征。
步骤208,根据对象属性信息、整体内容特征和资源动态投入信息对应的资源动态投入特征,确定第一类型内容的第一优先推送概率。
其中,第一优先推送概率,是每一个第一类型内容从候选的混合内容中获得优先推送机会的概率。针对每一个第一类型内容,该第一类型内容的第一优先推送概率越大,其被推送至终端的概率就越大,反之则越小。
具体地,服务器可将对象属性信息进行特征编码,得到对象属性信息对应的对象属性特征。服务器可将资源动态投入信息进行特征编码,得到资源动态投入信息对应的资源动态投入特征。进而,服务器可根据对象属性特征、整体内容特征和资源动态投入信息对应的资源动态投入特征,确定第一类型内容的第一优先推送概率。
在一个实施例中,服务器可将对象属性特征、整体内容特征和资源动态投入信息对应的资源动态投入特征进行特征拼接,并根据拼接后的特征确定第一类型内容的第一优先推送概率。
步骤210,分析各第二类型内容的内容特征之间的优先推送关系,得到内部优先推送特征,并根据对象属性信息、内部优先推送特征和资源动态投入特征进行类型间的优先推送关系分析,确定各个第二类型内容对应的第二优先推送概率。
其中,内部优先推送特征,是用于表征各第二类型内容之间的内部优先推送关系的特征。第二优先推送概率,是每一个第二类型内容从候选的混合内容中获得优先推送机会的概率。针对每一个第二类型内容,该第二类型内容的第二优先推送概率越大,其被推送至终端的概率就越大,反之则越小。
在一个实施例中,服务器可基于各第二类型内容的内容特征进行内部优先推送关系分析,得到各第二类型内容的内容特征分别对应的融合权重。进而,服务器可根据各第二类型内容的内容特征分别对应的融合权重,对各第二类型内容的内容特征进行融合,并将融合后的特征作为内部优先推送特征。
在一个实施例中,服务器可将对象属性信息进行特征编码,得到对象属性信息对应的对象属性特征。服务器可将资源动态投入信息进行特征编码,得到资源动态投入信息对应的资源动态投入特征。进而,服务器可根据对象属性特征、内部优先推送特征和资源动态投入信息对应的资源动态投入特征进行类型间的优先推送关系分析,确定各个第二类型内容对应的第二优先推送概率。
在一个实施例中,服务器可将对象属性特征、内部优先推送特征和资源动态投入信息对应的资源动态投入特征进行特征拼接,并根据拼接后的特征和第一类型内容的第一优先推送概率,确定各个第二类型内容对应的第二优先推送概率。
步骤212,基于第一优先推送概率和第二优先推送概率,对混合内容进行内容推送。
在一个实施例中,服务器可基于各个第一类型内容分对应的第一优先推送概率、以及各个第二类型内容分对应的第二优先推送概率,对混合内容中的第一类型内容和第二类型内容进行混合排序,得到排序后的结果。服务器可根据排序后的结果,从候选的混合内容中筛选出目标内容,并将目标内容推送至终端。终端可接收服务器推送过来的目标内容,并将目标内容在终端的显示界面中进行显示。可以理解,目标内容在终端中被触发后,可以在终端的显示界面上进行播放展示。
在一个实施例中,排序后的结果包括混合排序队列,混合排序队列包括已排序的第一类型内容和第二类型内容。服务器可基于各个第一类型内容分对应的第一优先推送概率、以及各个第二类型内容分对应的第二优先推送概率之间的大小关系,对混合内容中的第一类型内容和第二类型内容进行混合排序,得到混合排序队列。服务器可根据混合排序队列,从候选的混合内容中筛选出目标内容并推送至终端。比如,服务器可选择混合排序队列中排序第一的、且相应优先推送概率最大的内容作为目标内容,并将该目标内容推送至终端。
上述内容推送方法中,通过响应对象对应的终端发送的内容推送请求,确定候选的混合内容,混合内容包括第一类型内容和第二类型内容,第一类型内容是参考资源动态投入量推送的内容,第二类型内容是按约定推送的内容。确定第一类型内容的资源动态投入信息和第二类型内容的内容特征,并根据各第二类型内容的内容特征,确定整体内容特征;根据对象属性信息、整体内容特征和资源动态投入信息对应的资源动态投入特征,确定第一类型内容的第一优先推送概率;分析各第二类型内容的内容特征之间的优先推送关系,得到内部优先推送特征,并根据对象属性信息、内部优先推送特征和资源动态投入特征进行类型间的优先推送关系分析,确定各个第二类型内容对应的第二优先推送概率。由于第一优先推送概率和第二优先推送概率的计算过程考虑到了该内容推送请求对应的对象属性信息,以及还考虑到了第一类型内容的实时的资源动态投入信息和第二类型内容的内容特征,因此,第一优先推送概率和第二优先推送概率是针对请求级别计算得到的数据。进而,基于第一优先推送概率和第二优先推送概率,对混合内容中的第一类型内容和第二类型内容进行排序,可以提升针对内容的排序准确率,进而,可基于准确率较高的排序结果从候选的混合内容中筛选出目标内容,并将目标内容推送至终端,可以提升内容推送准确率。
此外,由于传统的内容推送方法会导致内容推送准确率较低,而推送不准确会引起系统资源的浪费,因此,传统的内容推送方法会导致系统资源的浪费。比如,推送不准确的内容需要耗费系统资源来进行推送,造成系统资源浪费,又比如,推送不准确的内容,还会导致不必要的内容呈现,也会造成不必要的系统交互以及显示资源的浪费。然而,本申请的内容推送方法可以提升内容推送准确率,从而可以节省系统资源。
在一个实施例中,分析各所述第二类型内容的内容特征之间的优先推送关系,得到内部优先推送特征,包括:针对每一条第二类型内容,根据第二类型内容对应的内容特征和剩余内容对应的内容特征,确定剩余内容对第二类型内容的威胁系数;剩余内容,是各第二类型内容中除第二类型内容外的第二类型内容;根据各第二类型内容分别对应的威胁系数,将各第二类型内容分别对应的内容特征进行加权融合,得到内部优先推送特征。
其中,威胁系数是用于表征威胁程度的系数,可以理解,剩余内容对第二类型内容的威胁系数越大,则剩余内容对第二类型内容的威胁程度也越大,该第二类型内容获得优先推送机会的概率就越小。
具体地,针对每一条第二类型内容,服务器可将各第二类型内容中除该第二类型内容外的第二类型内容,作为剩余内容。服务器可根据第二类型内容对应的内容特征和剩余内容对应的内容特征,确定剩余内容对第二类型内容的威胁系数。服务器可根据各第二类型内容分别对应的威胁系数,分别确定各第二类型内容对应的内容特征的融合权重。服务器可根据各第二类型内容的内容特征分别对应的融合权重,对各第二类型内容的内容特征进行融合,并将融合后的特征作为内部优先推送特征。
可以理解,针对每一条第二类型内容,服务器可将剩余内容对该第二类型内容的威胁系数,作为剩余内容对应的内容特征的融合权重。进而,服务器可根据剩余内容对应的内容特征的融合权重,确定该第二类型内容对应的内容特征的融合权重。可以理解,剩余内容对应的内容特征的融合权重与该第二类型内容对应的内容特征的融合权重之和等于1。
上述实施例中,通过各第二类型内容分别对应的威胁系数,将各第二类型内容分别对应的内容特征进行加权融合,可以得到更准确的内部优先推送特征,从而可进一步提升第二优先推送概率的计算准确性。
在一个实施例中,如图4所示,根据对象属性信息、内部优先推送特征和资源动态投入特征进行类型间的优先推送关系分析,确定各个第二类型内容对应的第二优先推送概率,包括:
步骤402,将对象属性信息对应的对象属性特征、内部优先推送特征和资源动态投入特征进行拼接,得到拼接特征。
步骤404,根据拼接特征,确定各个第二类型内容对应的优先推送条件概率。
步骤406,根据第一类型内容的第一优先推送概率和各个第二类型内容对应的优先推送条件概率,确定各个第二类型内容对应的第二优先推送概率。
其中,拼接特征,是将对象属性信息对应的对象属性特征、内部优先推送特征和资源动态投入信息对应的资源动态投入特征进行拼接得到的特征。优先推送条件概率,是在混合内容中各个第二类型内容获得优先推送机会的前提下(即,各个第二类型内容分别对应的第二优先推送概率都大于第一类型内容对应的第一优先推送概率),各个第二类型内容分别对应的条件概率。
具体地,服务器可将对象属性信息对应的对象属性特征、内部优先推送特征和资源动态投入信息对应的资源动态投入特征进行拼接,得到拼接特征。服务器可根据拼接特征,确定各个第二类型内容分别对应的优先推送条件概率。进而,服务器可根据第一类型内容的第一优先推送概率和各个第二类型内容分别对应的优先推送条件概率,分别确定各个第二类型内容对应的第二优先推送概率。
在一个实施例中,服务器可将拼接特征输入至预先训练的内容排序模型中的第二概率预测网络,以通过第二概率预测网络确定各个第二类型内容对应的优先推送条件概率。
上述实施例中,通过第一类型内容的第一优先推送概率和各个第二类型内容对应的优先推送条件概率,可以更准确地确定出各个第二类型内容对应的第二优先推送概率,从而进一步提升第二优先推送概率的计算准确性。
在一个实施例中,根据对象属性信息、整体内容特征和资源动态投入信息对应的资源动态投入特征,确定第一类型内容的第一优先推送概率,包括:将对象属性信息对应的对象属性特征、整体内容特征和资源动态投入信息对应的资源动态投入特征,输入至预先训练的内容排序模型中的第一概率预测网络,以通过第一概率预测网络确定第一类型内容的第一优先推送概率;根据拼接特征,确定各个第二类型内容对应的优先推送条件概率,包括:将拼接特征输入至预先训练的内容排序模型中的第二概率预测网络,以通过第二概率预测网络确定各个第二类型内容对应的优先推送条件概率。
其中,内容排序模型,是用于对混合内容中的第一类型内容和第二类型内容进行混合排序的神经网络模型。第一概率预测网络,是用于预测第一类型内容的第一优先推送概率的神经网络。第二概率预测网络,是用于预测第二类型内容的第二优先推送概率的神经网络。
具体地,内容排序模型中包括第一概率预测网络和第二概率预测网络。服务器可将对象属性信息对应的对象属性特征、整体内容特征和资源动态投入信息对应的资源动态投入特征进行拼接,并将拼接后得到的特征输入至预先训练的内容排序模型中的第一概率预测网络,以通过第一概率预测网络确定第一类型内容对应的第一优先推送概率。服务器可将对象属性信息对应的对象属性特征、内部优先推送特征和资源动态投入信息对应的资源动态投入特征进行拼接,得到拼接特征,并将拼接特征输入至预先训练的内容排序模型中的第二概率预测网络,以通过第二概率预测网络确定各个第二类型内容分别对应的优先推送条件概率。
上述实施例中,通过内容排序模型中的第一概率预测网络,确定第一类型内容的第一优先推送概率,可以提升第一优先推送概率的计算准确率。通过内容排序模型中的第二概率预测网络,确定各个第二类型内容对应的优先推送条件概率,可以提升优先推送条件概率的计算准确率,从而可以提升第二优先推送概率的计算准确率。
在一个实施例中,根据第一类型内容的第一优先推送概率和各个第二类型内容对应的优先推送条件概率,确定各个第二类型内容对应的第二优先推送概率,包括:根据第一类型内容的第一优先推送概率,确定第二类型内容相较于第一类型内容的相对优先推送概率;根据相对优先推送概率和各个第二类型内容对应的优先推送条件概率,分别确定各个第二类型内容对应的第二优先推送概率。
其中,相对优先推送概率,是第二类型内容相较于第一类型内容的优先推送概率。
具体地,服务器可根据第一类型内容的第一优先推送概率,确定第二类型内容相较于第一类型内容的相对优先推送概率,并根据相对优先推送概率和各个第二类型内容对应的优先推送条件概率,分别确定各个第二类型内容对应的第二优先推送概率。
在一个实施例中,针对每一条第二类型内容,服务器可将相对优先推送概率与该第二类型内容对应的优先推送条件概率的乘积,作为该第二类型内容对应的第二优先推送概率。
在一个实施例中,针对每一条第二类型内容,该第二类型内容对应的第二优先推送概率可通过以下全概率公式计算得到:
p(GD
其中,RTB表示第一类型内容,GD表示第二类型内容,p(GD
上述实施例中,通过相对优先推送概率和各个第二类型内容对应的优先推送条件概率,分别确定各个第二类型内容对应的第二优先推送概率,可以进一步提升第二优先推送概率的计算准确率。
在一个实施例中,对混合内容进行内容推送,是基于预先训练的内容排序模型预测得到的排序结果实现的;方法还包括内容排序模型训练步骤;内容排序模型训练步骤,包括:获取至少一条样本数据;样本数据包括第一类型样本内容和第二类型样本内容,以及针对第一类型样本内容和第二类型样本内容的第一标签数据;样本数据还包括样本数据对应的样本对象的样本对象属性信息、第一类型样本内容的样本资源动态投入信息和第二类型样本内容的样本内容特征;将样本对象属性信息、样本资源动态投入信息和样本内容特征,输入至待训练的内容排序模型,得到第一预测结果数据;通过第一预测结果数据和第一标签数据之间的差异,对待训练的内容排序模型进行迭代训练,得到预先训练的内容排序模型。
其中,样本数据,是用于训练内容排序模型的训练数据。第一类型样本内容,是用于训练内容排序模型的第一类型本内容。第二类型样本内容,是用于训练内容排序模型的第二类型本内容。第一标签数据,是针对第一类型样本内容和第二类型样本内容所标注的参考数据。样本对象,是用于训练内容排序模型的对象。样本对象属性信息是样本对象的属性信息。样本资源动态投入信息是样本对象的资源动态投入信息。样本内容特征,是第二类型样本内容的内容特征。第一预测结果数据,是待训练的内容排序模型所预测输出的结果数据。
具体地,服务器可获取至少一条样本数据,该样本数据包括第一类型样本内容和第二类型样本内容,以及针对第一类型样本内容和第二类型样本内容的第一标签数据。此外,该样本数据还包括样本数据对应的样本对象的样本对象属性信息、第一类型样本内容的样本资源动态投入信息和第二类型样本内容的样本内容特征。服务器可将样本对象属性信息进行特征编码,得到样本对象属性信息对应的样本对象属性特征。服务器可将样本资源动态投入信息进行特征编码得到,得到样本资源动态投入信息对应的样本资源动态投入特征。进而,服务器可将样本对象属性特征、样本资源动态投入特征和样本内容特征进行特征拼接,并将拼接后的特征输入至待训练的内容排序模型,得到第一预测结果数据。服务器可通过第一预测结果数据和第一标签数据之间的差异,对待训练的内容排序模型进行迭代训练,得到预先训练的内容排序模型。
在一个实施例中,服务器可根据第一预测结果数据和第一标签数据之间的差异确定损失,并根据损失对待训练的内容排序模型进行迭代训练,得到预先训练的内容排序模型。
上述实施例中,通过将样本对象属性信息、样本资源动态投入信息和样本内容特征,输入至待训练的内容排序模型,得到第一预测结果数据,并朝着使第一预测结果数据和第一标签数据之间的差异越来越小的方向,对待训练的内容排序模型进行迭代训练,得到预先训练的内容排序模型,可以提升最终得到的内容排序模型的排序准确率。
在一个实施例中,获取至少一条样本数据,包括:获取至少一个样本对象的样本对象属性信息,以及获取至少一条第一类型样本内容的样本资源动态投入信息和至少一条第二类型样本内容的样本内容特征;根据样本对象属性信息、样本资源动态投入信息和样本内容特征,确定与各样本内容推送请求分别对应的内容推送方案;样本内容推送请求是样本对象对应的终端发送的请求;根据内容推送方案,对第一类型样本内容和第二类型样本内容进行打标签,得到针对第一类型样本内容和第二类型样本内容的第一标签数据。
其中,内容推送方案,用于表征各样本内容推送请求分别对应的内容推送结果。举例说明,若存在第一类型样本内容b和第二类型样本内容a1、a2和a3,针对某一次样本内容推送请求,服务器确定的与该样本内容推送请求对应的内容推送方案为:将第二类型样本内容a1推送至终端,其他的第一类型样本内容b和第二类型样本内容a2和a3不推送。
具体地,服务器可从数据库中直接获取至少一个样本对象的样本对象属性信息,以及获取至少一条第一类型样本内容的样本资源动态投入信息和至少一条第二类型样本内容的样本内容特征。服务器可根据样本对象属性信息、样本资源动态投入信息和样本内容特征,确定与各样本内容推送请求分别对应的内容推送方案。服务器可根据内容推送方案,对第一类型样本内容和第二类型样本内容进行打标签,得到针对第一类型样本内容和第二类型样本内容的第一标签数据。其中,样本内容推送请求是样本对象对应的终端发送的请求。
在一个实施例中,服务器可获取预先构建的最优化方程,并通过样本对象属性信息、样本资源动态投入信息和样本内容特征,对最优化方程进行求解,得到求解结果。服务器可根据求解结果确定与各样本内容推送请求分别对应的内容推送方案。
在一个实施例中,假设共有I个曝光(也即,I个样本内容推送请求),i表示第i个曝光,K个样本对象,k表示第k个样本对象,J个第二类型样本内容,一个获得优先推送机会的第一类型样本内容。每个第二类型样本内容j以固定单价c
其中,Maximize表示使得平台的收益最大化,s.t.表示业务约束条件,
上述实施例中,通过确定的内容推送方案,对第一类型样本内容和第二类型样本内容进行打标签,可以得到针对第一类型样本内容和第二类型样本内容的第一标签数据,从而实现将内容推送问题转换为有监督的训练方式。
在一个实施例中,通过第一预测结果数据和第一标签数据之间的差异,对待训练的内容排序模型进行迭代训练,得到预先训练的内容排序模型,包括:根据第一预测结果数据和第一标签数据之间的差异,确定第一蒸馏损失;通过第一蒸馏损失,对待训练的内容排序模型进行迭代训练,得到初始内容排序模型;根据第一蒸馏结果数据和第二蒸馏结果数据之间的差异,确定第二蒸馏损失;第一蒸馏结果数据是待训练的内容排序模型输出的结果数据;第二蒸馏结果数据是初始内容排序模型输出的结果数据;根据第一蒸馏损失和第二蒸馏损失,对初始内容排序模型进行蒸馏处理,得到预先训练的内容排序模型。
其中,第一蒸馏损失,是根据第一预测结果数据和第一标签数据之间的差异所确定得到的损失。初始内容排序模型,是对待训练的内容排序模型进行迭代训练所得到的初始的内容排序模型。第二蒸馏损失,是根据第一蒸馏结果数据和第二蒸馏结果数据之间的差异所确定得到的损失。
具体地,服务器可根据第一预测结果数据和第一标签数据之间的差异,确定第一蒸馏损失,并通过第一蒸馏损失,对待训练的内容排序模型进行迭代训练,得到初始内容排序模型。服务器可将待训练的内容排序模型输出的结果数据作为第一蒸馏结果数据,将初始内容排序模型输出的结果数据作为第二蒸馏结果数据。服务器可根据第一蒸馏结果数据和第二蒸馏结果数据之间的差异,确定第二蒸馏损失。进而,服务器可根据第一蒸馏损失和第二蒸馏损失,对初始内容排序模型进行蒸馏处理,得到预先训练的内容排序模型。可以理解,预先训练的内容排序模型的模型复杂度比初始内容排序模型的模型复杂度更低,运行速度更快。
上述实施例中,由于第一蒸馏损失是待训练的内容排序模型自身的损失,第二蒸馏损失是待训练的内容排序模型与初始内容排序模型之间的损失,因此,根据第一蒸馏损失和第二蒸馏损失,对初始内容排序模型进行蒸馏处理,可以在对待训练的内容排序模型进行训练的同时尽可能地保留初始内容排序模型的泛化知识,从而可以进一步提升最终得到的内容排序模型的排序准确性。
在一个实施例中,第一蒸馏结果数据包括第一蒸馏目标结果数据和第一蒸馏中间结果数据;第二蒸馏结果数据包括第二蒸馏目标结果数据和第二蒸馏中间结果数据;根据第一蒸馏结果数据和第二蒸馏结果数据之间的差异,确定第二蒸馏损失,包括:根据第一蒸馏目标结果数据和第二蒸馏目标结果数据之间的差异,确定目标结果蒸馏损失;根据第一蒸馏中间结果数据和第二蒸馏中间结果数据之间的差异,确定中间结果蒸馏损失;根据目标结果蒸馏损失和中间结果蒸馏损失,确定第二蒸馏损失。
其中,第一蒸馏目标结果数据,是待训练的内容排序模型中的最后一个网络层输出的结果数据。第一蒸馏中间结果数据,是待训练的内容排序模型中的各个中间网络层分别输出的结果数据。第二蒸馏目标结果数据,是初始内容排序模型中的最后一个网络层输出的结果数据。第二蒸馏中间结果数据,是初始内容排序模型中的各个中间网络层分别输出的结果数据。
具体地,服务器可根据第一蒸馏目标结果数据和第二蒸馏目标结果数据之间的差异,确定目标结果蒸馏损失。服务器可根据第一蒸馏中间结果数据和第二蒸馏中间结果数据之间的差异,确定中间结果蒸馏损失。进而,服务器可根据目标结果蒸馏损失和中间结果蒸馏损失,确定第二蒸馏损失。
在一个实施例中,第一蒸馏中间结果数据包括第一单样本蒸馏结果数据和第一多样本蒸馏结果数据。第二蒸馏中间结果数据包括第二单样本蒸馏结果数据和第二多样本蒸馏结果数据。服务器可根据第一单样本蒸馏结果数据和第二单样本蒸馏结果数据之间的差异,确定单样本蒸馏损失。服务器可根据第一多样本蒸馏结果数据和第二多样本蒸馏结果数据之间的差异,确定多样本蒸馏损失。进而,服务器可根据单样本蒸馏损失和多样本蒸馏损失,确定中间结果蒸馏损失。其中,第一单样本蒸馏结果数据,是针对单条样本数据得到的第一蒸馏中间结果数据。第一多样本蒸馏结果数据,是针对多条样本数据得到的第一蒸馏中间结果数据。第二单样本蒸馏结果数据,是针对单条样本数据得到的第二蒸馏中间结果数据。第二多样本蒸馏结果数据,是针对多条样本数据得到的第二蒸馏中间结果数据。
在一个实施例中,服务器可根据第一蒸馏损失和第二蒸馏损失,确定目标蒸馏损失,并根据目标蒸馏损失对初始内容排序模型进行蒸馏处理,得到预先训练的内容排序模型。
在一个实施例中,目标蒸馏损失可通过以下损失函数计算得到:
其中,
上述实施例中,由于目标结果蒸馏损失是模型输出的最终结果对应的损失,中间结果蒸馏损失是模型中各个网络层输出的中间结果对应的损失,因此,根据目标结果蒸馏损失和中间结果蒸馏损失,确定第二蒸馏损失,可以提升第二蒸馏损失的准确性,从而进一步提升最终得到的内容排序模型的排序准确性。
在一个实施例中,对混合内容进行内容推送,是基于预先训练的内容排序模型预测得到的排序结果实现的;方法还包括:针对每一次模型更新周期,获取模型更新周期对应的周期样本数据;周期样本数据包括第一类型校准内容和第二类型校准内容,以及针对第一类型校准内容和第二类型校准内容的第二标签数据;周期样本数据还包括周期样本数据对应的校准对象的校准对象属性信息、第一类型校准内容的校准资源动态投入信息和第二类型校准内容的校准内容特征;将周期样本数据输入至上一次模型更新周期更新得到的内容排序模型,得到本次模型更新周期对应的第二预测结果数据;根据第二预测结果数据和第二标签数据之间的差异,确定第一校准损失;根据第一校准结果数据和第二校准结果数据之间的差异,确定第二校准损失;第一校准结果数据,是上一次模型更新周期更新得到的内容排序模型输出的结果数据;第二校准结果数据,是在先模型更新周期更新得到的内容排序模型输出的结果数据;在先模型更新周期,是上一次模型更新周期之前的模型更新周期;根据第一校准损失和第二校准损失,对上一次模型更新周期更新得到的内容排序模型进行更新。
其中,周期样本数据,是用于训练模型更新周期对应的内容排序模型的训练数据。第一类型校准内容,是用于校准内容排序模型的第一类型本内容。第二类型校准内容,是用于校准内容排序模型的第二类型本内容。第二标签数据,是针对第一类型校准内容和第二类型校准内容所标注的参考数据。校准对象,是用于校准内容排序模型的对象。校准对象属性信息是校准对象的属性信息。校准资源动态投入信息是校准对象的资源动态投入信息。校准内容特征,是第二类型校准内容的内容特征。第二预测结果数据,是上一次模型更新周期更新得到的内容排序模型所预测输出的结果数据。第一校准损失,是根据第二预测结果数据和第二标签数据之间的差异确定得到的损失。第二校准损失,是根据第一校准结果数据和第二校准结果数据之间的差异确定得到的损失。
具体地,由于已上线使用的内容排序模型的模型性能会随着时间的增长而下降,因此,为维持内容排序模型的性能稳定,服务器可对内容排序模型进行定期的模型校准更新。针对每一次模型更新周期,服务器可获取模型更新周期对应的周期样本数据,该周期样本数据包括第一类型校准内容和第二类型校准内容,以及针对第一类型校准内容和第二类型校准内容的第二标签数据。该周期样本数据还包括周期样本数据对应的校准对象的校准对象属性信息、第一类型校准内容的校准资源动态投入信息和第二类型校准内容的校准内容特征。服务器可将周期样本数据输入至上一次模型更新周期更新得到的内容排序模型,得到本次模型更新周期对应的第二预测结果数据,并根据第二预测结果数据和第二标签数据之间的差异,确定第一校准损失。服务器可根据第一校准结果数据和第二校准结果数据之间的差异,确定第二校准损失。进而,服务器可根据第一校准损失和第二校准损失,对上一次模型更新周期更新得到的内容排序模型进行更新。
上述实施例中,由于第一校准损失是上一次模型更新周期更新得到的内容排序模型自身的损失,第二校准损失是上一次模型更新周期更新得到的内容排序模型与在先模型更新周期更新得到的内容排序模型之间的损失,因此,根据第一校准损失和第二校准损失,对初始内容排序模型进行校准处理,可以在对上一次模型更新周期更新得到的内容排序模型进行训练的同时尽可能地保留在先模型更新周期更新得到的内容排序模型的泛化知识,从而可以进一步提升最终得到的内容排序模型的排序准确性。
在一个实施例中,第一校准结果数据包括第一校准目标结果数据和第一校准中间结果数据;第二校准结果数据包括第二校准目标结果数据和第二校准中间结果数据;根据第一校准结果数据和第二校准结果数据之间的差异,确定第二校准损失,包括:根据第一校准目标结果数据和第二校准目标结果数据之间的差异,确定目标结果校准损失;根据第一校准中间结果数据和第二校准中间结果数据之间的差异,确定中间结果校准损失;根据目标结果校准损失和中间结果校准损失,确定第二校准损失。
其中,第一校准目标结果数据,是上一次模型更新周期更新得到的内容排序模型中的最后一个网络层输出的结果数据。第一校准中间结果数据,是上一次模型更新周期更新得到的内容排序模型中的各个中间网络层分别输出的结果数据。第二校准目标结果数据,是在先模型更新周期更新得到的内容排序模型中的最后一个网络层输出的结果数据。第二校准中间结果数据,是在先模型更新周期更新得到的内容排序模型中的各个中间网络层分别输出的结果数据。
具体地,服务器可根据第一校准目标结果数据和第二校准目标结果数据之间的差异,确定目标结果校准损失。服务器可根据第一校准中间结果数据和第二校准中间结果数据之间的差异,确定中间结果校准损失。进而,服务器可根据目标结果校准损失和中间结果校准损失,确定第二校准损失。
在一个实施例中,第一校准中间结果数据包括第一单样本校准结果数据和第一多样本校准结果数据。第二校准中间结果数据包括第二单样本校准结果数据和第二多样本校准结果数据。服务器可根据第一单样本校准结果数据和第二单样本校准结果数据之间的差异,确定单样本校准损失。服务器可根据第一多样本校准结果数据和第二多样本校准结果数据之间的差异,确定多样本校准损失。进而,服务器可根据单样本校准损失和多样本校准损失,确定中间结果校准损失。其中,第一单样本校准结果数据,是针对单条样本数据得到的第一校准中间结果数据。第一多样本校准结果数据,是针对多条样本数据得到的第一校准中间结果数据。第二单样本校准结果数据,是针对单条样本数据得到的第二校准中间结果数据。第二多样本校准结果数据,是针对多条样本数据得到的第二校准中间结果数据。
在一个实施例中,服务器可根据第一校准损失和第二校准损失,确定目标校准损失,并根据目标校准损失对上一次模型更新周期更新得到的内容排序模型进行更新。
在一个实施例中,目标校准损失可通过以下损失函数计算得到:
其中,
上述实施例中,由于目标结果校准损失是模型输出的最终结果对应的损失,中间结果校准损失是模型中各个网络层输出的中间结果对应的损失,因此,根据目标结果校准损失和中间结果校准损失,确定第二校准损失,可以提升第二校准损失的准确性,从而进一步提升最终得到的内容排序模型的排序准确性。
在一个实施例中,如图5所示,终端可生成携带对象标识的内容推送请求,并将内容推送请求发送至服务器。服务器在接收到内容推送请求之后,可根据对象标识,从特征服务器中获取与对象标识对应的内容的特征数据1(即,第一类型样本内容的样本资源动态投入信息和第二类型样本内容的样本内容特征)和特征数据2(即,样本对象的固有属性信息),以及从日志服务器中获取与对象标识对应的日志数据(即,样本对象的行为属性信息)。服务器可根据相应的特征数据1、特征数据2和日志数据,从内容库中召回与内容推送请求相匹配的内容,对并召回的内容进行两次排序,以筛选得到候选的混合内容。进而,服务器可通过本申请的内容推送方法对候选的混合内容进行第三次排序,并根据排序后的结果从混合内容中确定目标推送内容,并将目标推送内容推送至终端。其中,样本对象的对象属性信息包括固有属性信息和行为属性信息。
在一个实施例中,如图6所示,参考图6中的区域601,服务器可获取特征1、特征2和特征3,其中,特征1为第一类型样本内容的样本资源动态投入信息和第二类型样本内容的样本内容特征,特征2和特征3为样本对象的对象属性信息。服务器可通过样本对象属性信息、样本资源动态投入信息和样本内容特征,对预先构建的最优化方程进行求解,并根据求解结果确定与各样本内容推送请求分别对应的内容推送方案。服务器可根据内容推送方案,对第一类型样本内容和第二类型样本内容进行打标签,得到针对第一类型样本内容和第二类型样本内容的第一标签数据,从而得到训练内容排序模型的样本数据。
参考图6中的区域602,服务器可对样本对象属性信息1(即,样本对象的固有属性信息)和样本对象属性信息2(即,样本对象的行为属性信息)进行编码处理,并对编码后的特征进行拼接,得到对象属性信息对应的对象属性特征。服务器可将各第二类型内容的内容特征进行累加,得到整体内容特征。针对每一条第二类型内容,服务器可根据所述第二类型内容对应的内容特征(比如,样本内容特征1)和剩余内容对应的内容特征(比如,样本内容特征2-m,其中,m表示第二类型内容的数量),确定所述剩余内容对所述第二类型内容的威胁系数,根据各所述第二类型内容分别对应的威胁系数,将各所述第二类型内容分别对应的内容特征进行加权融合,得到内部优先推送特征。服务器可将对象属性特征、所述内部优先推送特征和资源动态投入特征进行拼接,并将拼接后的特征输入至区域604中所示的待训练的内容排序模型中的第二概率预测网络,以预测得到各个所述第二类型内容分别对应的样本优先推送条件概率。服务器可将对象属性特征、所述内部优先推送特征和资源动态投入特征进行拼接,并将拼接后的特征输入至区域604中所示的待训练的内容排序模型中的第一概率预测网络,以预测得到第一类型内容对应的样本第一优先推送概率。服务器可根据样本第一优先推送概率和样本优先推送条件概率,确定各个所述第二类型内容分别对应的样本第二优先推送概率。进而,服务器可基于样本第二优先推送概率与各个第一类型样本内容分别对应的第一标签数据之间的差异,对待训练的内容排序模型进行迭代训练,得到预先训练的内容排序模型。
可以理解,各所述第二类型内容分别对应的威胁系数可通过图6的区域603中所示的威胁单元进行计算得到。具体地,针对每一条第二类型内容f,根据所述第二类型内容f对应的样本内容特征和剩余内容j对应的样本内容特征,确定所述剩余内容对所述第二类型内容的威胁系数。
可以理解,图6的区域605中所示的内容排序模型,是对区域604中所示的初始内容排序模型进行蒸馏处理得到的。图6的区域606中所示的内容排序模型,是对区域605中所示的内容排序模型进行线上校准处理得到的。
如图7所示,在一个实施例中,提供了一种内容推送方法,以该方法应用于图1中的服务器104为例进行说明,该方法具体包括以下步骤:
步骤702,获取至少一条样本数据;样本数据包括第一类型样本内容和第二类型样本内容,以及针对第一类型样本内容和第二类型样本内容的第一标签数据;样本数据还包括样本数据对应的样本对象的样本对象属性信息、第一类型样本内容的样本资源动态投入信息和第二类型样本内容的样本内容特征。
步骤704,将样本对象属性信息、样本资源动态投入信息和样本内容特征,输入至待训练的内容排序模型,得到第一预测结果数据。
步骤706,通过第一预测结果数据和第一标签数据之间的差异,对待训练的内容排序模型进行迭代训练,得到预先训练的内容排序模型。
步骤708,响应对象对应的终端发送的内容推送请求,确定候选的混合内容;混合内容包括第一类型内容和第二类型内容;第一类型内容是参考资源动态投入量推送的内容;第二类型内容是按约定推送的内容。
步骤710,确定第一类型内容的资源动态投入信息和第二类型内容的内容特征。
步骤712,根据各第二类型内容的内容特征,确定整体内容特征。
步骤714,将对象属性信息对应的对象属性特征、整体内容特征和资源动态投入信息对应的资源动态投入特征,输入至预先训练的内容排序模型中的第一概率预测网络,以通过第一概率预测网络确定第一类型内容的第一优先推送概率。
步骤716,针对每一条第二类型内容,根据第二类型内容对应的内容特征和剩余内容对应的内容特征,确定剩余内容对第二类型内容的威胁系数;剩余内容,是各第二类型内容中除第二类型内容外的第二类型内容。
步骤718,根据各第二类型内容分别对应的威胁系数,将各第二类型内容分别对应的内容特征进行加权融合,得到内部优先推送特征。
步骤720,将对象属性信息对应的对象属性特征、内部优先推送特征和资源动态投入信息对应的资源动态投入特征进行拼接,得到拼接特征。
步骤722,将拼接特征输入至预先训练的内容排序模型中的第二概率预测网络,以通过第二概率预测网络确定各个第二类型内容对应的优先推送条件概率。
步骤724,根据第一类型内容的第一优先推送概率,确定第二类型内容相较于第一类型内容的相对优先推送概率。
步骤726,根据相对优先推送概率和各个第二类型内容对应的优先推送条件概率,分别确定各个第二类型内容对应的第二优先推送概率。
步骤728,基于第一优先推送概率和第二优先推送概率,对混合内容进行内容推送。
本申请还提供一种应用场景,该应用场景应用上述的内容推送方法。具体地,该广告推送方法可应用于广告推送的场景。服务器可获取至少一条样本数据;样本数据包括第一类型样本广告和第二类型样本广告,以及针对第一类型样本广告和第二类型样本广告的第一标签数据;样本数据还包括样本数据对应的样本对象的样本对象属性信息、第一类型样本广告的样本资源动态投入信息和第二类型样本广告的样本广告特征。将样本对象属性信息、样本资源动态投入信息和样本广告特征,输入至待训练的广告排序模型,得到第一预测结果数据。通过第一预测结果数据和第一标签数据之间的差异,对待训练的广告排序模型进行迭代训练,得到预先训练的广告排序模型。
服务器可响应对象对应的终端发送的广告推送请求,确定候选的混合广告;混合广告包括第一类型广告和第二类型广告;第一类型广告是参考资源动态投入量推送的广告;第二类型广告是按约定推送的广告。确定第一类型广告的资源动态投入信息和第二类型广告的广告特征。根据各第二类型广告的广告特征,确定整体广告特征。将对象属性信息对应的对象属性特征、整体广告特征和资源动态投入信息对应的资源动态投入特征,输入至预先训练的广告排序模型中的第一概率预测网络,以通过第一概率预测网络确定第一类型广告的第一优先推送概率。
针对每一条第二类型广告,服务器可根据第二类型广告对应的广告特征和剩余广告对应的广告特征,确定剩余广告对第二类型广告的威胁系数;剩余广告,是各第二类型广告中除第二类型广告外的第二类型广告。根据各第二类型广告分别对应的威胁系数,将各第二类型广告分别对应的广告特征进行加权融合,得到内部优先推送特征。将对象属性信息对应的对象属性特征、内部优先推送特征和资源动态投入信息对应的资源动态投入特征进行拼接,得到拼接特征。将拼接特征输入至预先训练的广告排序模型中的第二概率预测网络,以通过第二概率预测网络确定各个第二类型广告对应的优先推送条件概率。根据第一类型广告的第一优先推送概率,确定第二类型广告相较于第一类型广告的相对优先推送概率。根据相对优先推送概率和各个第二类型广告对应的优先推送条件概率,分别确定各个第二类型广告对应的第二优先推送概率。
服务器可基于第一优先推送概率和第二优先推送概率,对混合广告中的第一类型广告和第二类型广告进行排序。服务器可根据排序后的结果从候选的混合广告中筛选出目标广告,并将目标广告推送至终端。终端可接收目标广告并在显示界面中展示该目标广告。通过本申请的内容推送方法,可以提升广告推送准确率。
本申请还另外提供一种应用场景,该应用场景应用上述的内容推送方法。具体地,内容还包括文章、视频和图像中的至少一种,该内容推送方法可应用于文章推送、视频推送和图像推送等场景中。可以理解,文章推送、视频推送和图像推送等场景中也涉及到排序问题,即,针对文章推送场景,可通过本申请的内容推送方法对文章进行排序,并根据排序结果向终端推送相应的文章。针对视频推送场景,可通过本申请的内容推送方法对视频进行排序,并根据排序结果向终端推送相应的视频。针对图像推送场景,可通过本申请的内容推送方法对图像进行排序,并根据排序结果向终端推送相应的图像。可以理解,通过本申请的内容推送方法,可以提升文章推送、视频推送和图像推送的推送准确率。
应该理解的是,虽然上述各实施例的流程图中的各个步骤按照顺序依次显示,但是这些步骤并不是必然按照顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种内容推送装置800,该装置可以采用软件模块或硬件模块,或者是二者的结合成为计算机设备的一部分,该装置具体包括:
确定模块802,用于响应对象对应的终端发送的内容推送请求,确定候选的混合内容;混合内容包括第一类型内容和第二类型内容;第一类型内容是参考资源动态投入量推送的内容;第二类型内容是按约定推送的内容。
确定模块802还用于确定第一类型内容的资源动态投入信息和第二类型内容的内容特征。
分析模块804,用于根据各第二类型内容的内容特征,确定整体内容特征;根据对象属性信息、整体内容特征和资源动态投入信息对应的资源动态投入特征,确定第一类型内容的第一优先推送概率;分析各第二类型内容的内容特征之间的优先推送关系,得到内部优先推送特征,并根据对象属性信息、内部优先推送特征和资源动态投入特征进行类型间的优先推送关系分析,确定各个第二类型内容对应的第二优先推送概率。
推送模块806,用于基于第一优先推送概率和第二优先推送概率,对混合内容进行内容推送。
在一个实施例中,分析模块804还用于针对每一条第二类型内容,根据第二类型内容对应的内容特征和剩余内容对应的内容特征,确定剩余内容对第二类型内容的威胁系数;剩余内容,是各第二类型内容中除第二类型内容外的第二类型内容;根据各第二类型内容分别对应的威胁系数,将各第二类型内容分别对应的内容特征进行加权融合,得到内部优先推送特征。
在一个实施例中,分析模块804还用于将对象属性信息对应的对象属性特征、内部优先推送特征和资源动态投入特征进行拼接,得到拼接特征;根据拼接特征,确定各个第二类型内容对应的优先推送条件概率;根据第一类型内容的第一优先推送概率和各个第二类型内容对应的优先推送条件概率,确定各个第二类型内容对应的第二优先推送概率。
在一个实施例中,分析模块804还用于将对象属性信息对应的对象属性特征、整体内容特征和资源动态投入信息对应的资源动态投入特征,输入至预先训练的内容排序模型中的第一概率预测网络,以通过第一概率预测网络确定第一类型内容的第一优先推送概率;将拼接特征输入至预先训练的内容排序模型中的第二概率预测网络,以通过第二概率预测网络确定各个第二类型内容对应的优先推送条件概率。
在一个实施例中,分析模块804还用于根据第一类型内容的第一优先推送概率,确定第二类型内容相较于第一类型内容的相对优先推送概率;根据相对优先推送概率和各个第二类型内容对应的优先推送条件概率,分别确定各个第二类型内容对应的第二优先推送概率。
在一个实施例中,对混合内容进行内容推送,是基于预先训练的内容排序模型预测得到的排序结果实现的;装置还包括:
第一训练模块,用于获取至少一条样本数据;样本数据包括第一类型样本内容和第二类型样本内容,以及针对第一类型样本内容和第二类型样本内容的第一标签数据;样本数据还包括样本数据对应的样本对象的样本对象属性信息、第一类型样本内容的样本资源动态投入信息和第二类型样本内容的样本内容特征;将样本对象属性信息、样本资源动态投入信息和样本内容特征,输入至待训练的内容排序模型,得到第一预测结果数据;通过第一预测结果数据和第一标签数据之间的差异,对待训练的内容排序模型进行迭代训练,得到预先训练的内容排序模型。
在一个实施例中,第一训练模块还用于获取至少一个样本对象的样本对象属性信息,以及获取至少一条第一类型样本内容的样本资源动态投入信息和至少一条第二类型样本内容的样本内容特征;根据样本对象属性信息、样本资源动态投入信息和样本内容特征,确定与各样本内容推送请求分别对应的内容推送方案;样本内容推送请求是样本对象对应的终端发送的请求;根据内容推送方案,对第一类型样本内容和第二类型样本内容进行打标签,得到针对第一类型样本内容和第二类型样本内容的第一标签数据。
在一个实施例中,第一训练模块还用于根据第一预测结果数据和第一标签数据之间的差异,确定第一蒸馏损失;通过第一蒸馏损失,对待训练的内容排序模型进行迭代训练,得到初始内容排序模型;根据第一蒸馏结果数据和第二蒸馏结果数据之间的差异,确定第二蒸馏损失;第一蒸馏结果数据是待训练的内容排序模型输出的结果数据;第二蒸馏结果数据是初始内容排序模型输出的结果数据;根据第一蒸馏损失和第二蒸馏损失,对初始内容排序模型进行蒸馏处理,得到预先训练的内容排序模型。
在一个实施例中,第一蒸馏结果数据包括第一蒸馏目标结果数据和第一蒸馏中间结果数据;第二蒸馏结果数据包括第二蒸馏目标结果数据和第二蒸馏中间结果数据;第一训练模块还用于根据第一蒸馏目标结果数据和第二蒸馏目标结果数据之间的差异,确定目标结果蒸馏损失;根据第一蒸馏中间结果数据和第二蒸馏中间结果数据之间的差异,确定中间结果蒸馏损失;根据目标结果蒸馏损失和中间结果蒸馏损失,确定第二蒸馏损失。
在一个实施例中,对混合内容进行内容推送,是基于预先训练的内容排序模型预测得到的排序结果实现的;装置还包括:
第二训练模块,用于针对每一次模型更新周期,获取模型更新周期对应的周期样本数据;周期样本数据包括第一类型校准内容和第二类型校准内容,以及针对第一类型校准内容和第二类型校准内容的第二标签数据;周期样本数据还包括周期样本数据对应的校准对象的校准对象属性信息、第一类型校准内容的校准资源动态投入信息和第二类型校准内容的校准内容特征;将周期样本数据输入至上一次模型更新周期更新得到的内容排序模型,得到本次模型更新周期对应的第二预测结果数据;根据第二预测结果数据和第二标签数据之间的差异,确定第一校准损失;根据第一校准结果数据和第二校准结果数据之间的差异,确定第二校准损失;第一校准结果数据,是上一次模型更新周期更新得到的内容排序模型输出的结果数据;第二校准结果数据,是在先模型更新周期更新得到的内容排序模型输出的结果数据;在先模型更新周期,是上一次模型更新周期之前的模型更新周期;根据第一校准损失和第二校准损失,对上一次模型更新周期更新得到的内容排序模型进行更新。
在一个实施例中,第一校准结果数据包括第一校准目标结果数据和第一校准中间结果数据;第二校准结果数据包括第二校准目标结果数据和第二校准中间结果数据;第二训练模型用于根据第一校准目标结果数据和第二校准目标结果数据之间的差异,确定目标结果校准损失;根据第一校准中间结果数据和第二校准中间结果数据之间的差异,确定中间结果校准损失;根据目标结果校准损失和中间结果校准损失,确定第二校准损失。
在一个实施例中,如图9所示,上述内容推送装置800,除了包括确定模块802、分析模块804和推送模块806之外,还可以包括第一训练模块808和第二训练模块810。
上述内容推送装置,通过响应对象对应的终端发送的内容推送请求,确定候选的混合内容,混合内容包括第一类型内容和第二类型内容,第一类型内容是参考资源动态投入量推送的内容,第二类型内容是按约定推送的内容。确定第一类型内容的资源动态投入信息和第二类型内容的内容特征,并根据各第二类型内容的内容特征,确定整体内容特征;根据对象属性信息、整体内容特征和资源动态投入信息对应的资源动态投入特征,确定第一类型内容的第一优先推送概率;分析各第二类型内容的内容特征之间的优先推送关系,得到内部优先推送特征,并根据对象属性信息、内部优先推送特征和资源动态投入特征进行类型间的优先推送关系分析,确定各个第二类型内容对应的第二优先推送概率。由于第一优先推送概率和第二优先推送概率的计算过程考虑到了该内容推送请求对应的对象属性信息,以及还考虑到了第一类型内容的实时的资源动态投入信息和第二类型内容的内容特征,因此,第一优先推送概率和第二优先推送概率是针对请求级别计算得到的数据。进而,基于第一优先推送概率和第二优先推送概率,对混合内容中的第一类型内容和第二类型内容进行排序,可以提升针对内容的排序准确率,进而,可基于准确率较高的排序结果从候选的混合内容中筛选出目标内容,并将目标内容推送至终端,可以提升内容推送准确率。
上述内容推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种内容推送方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,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各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
- 一种基于生成对抗网络的林火图像样本生成方法
- 一种基于图像频域分解重构的对抗样本生成方法
- 基于双判别生成对抗网络文本重构的零样本图像分类方法