媒体的多样性推荐方法、装置、计算机设备和存储介质

技术领域

本申请涉及人工智能技术领域，特别是涉及一种媒体的多样性推荐方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着信息量的急剧增加，为了避免在海量媒体中难以查找到所需的媒体，因此采用推荐技术预测目标对象可能感兴趣的媒体，然后进行推荐。

传统的推荐方案中，主要是采用基于图神经网络的推荐系统，将媒体和对象构建成图结构，采用嵌入向量进行表示，经过交互的监督学习以学习到优化后的嵌入向量，在未交互候选媒体中预测目标对象可能感兴趣的媒体进行推荐。然而，上述推荐方案是以媒体的准确性推荐为导向进行推荐的，从而使相似媒体的推荐数量多，影响对象与媒体的交互率。

发明内容

基于此，有必要针对上述技术问题，提供一种媒体的多样性推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，能够使对象与推荐的媒体的交互率。

第一方面，本申请提供了一种媒体的多样性推荐方法。所述方法包括：

在第一网络节点图中，提取媒体节点和对象节点各自对应的各阶邻居节点；所述对象节点和所述媒体节点是目标对象和候选媒体各自对应的节点；

将所述媒体节点的各阶邻居节点对应的表示向量，与所述对象节点的各阶邻居节点对应的表示向量进行交叉处理，得到交叉向量；

依据所述目标对象交互过的媒体集合，确定所述目标对象的多样性指数；

在所述候选媒体中，依据所述多样性指数和所述交叉向量选取不同媒体类型的媒体进行推荐。

第二方面，本申请还提供了一种媒体的多样性推荐装置。所述装置包括：

提取模块，用于在第一网络节点图中，提取媒体节点和对象节点各自对应的各阶邻居节点；所述对象节点和所述媒体节点是目标对象和候选媒体各自对应的节点；

交叉模块，用于将所述媒体节点的各阶邻居节点对应的表示向量，与所述对象节点的各阶邻居节点对应的表示向量进行交叉处理，得到交叉向量；

确定模块，用于依据所述目标对象交互过的媒体集合，确定所述目标对象的多样性指数；

推荐模块，用于在所述候选媒体中，依据所述多样性指数和所述交叉向量选取不同媒体类型的媒体进行推荐。

在其中的一个实施例中，所述交叉模块，还用于对所述媒体节点的各阶邻居节点进行聚合处理，得到第一邻居聚合节点；对所述对象节点的各阶邻居节点进行聚合处理，得到第二邻居聚合节点；将所述第一邻居聚合节点的表示向量与所述第二邻居聚合节点的表示向量进行交叉处理，得到交叉向量。

在其中的一个实施例中，所述各阶邻居节点包括各邻居阶级的邻居节点；

所述交叉模块，还用于对所述媒体节点的属于相同邻居阶级的邻居节点进行聚合处理，得到所述媒体节点的各邻居阶级的第一邻居聚合节点；对所述对象节点的属于相同邻居阶级的邻居节点进行聚合处理，得到所述对象节点的各邻居阶级的第二邻居聚合节点。

在其中的一个实施例中，所述交叉模块，还用于将首个邻居阶级的所述第一邻居聚合节点的表示向量依次与每个邻居阶级的所述第二邻居聚合节点的表示向量进行交叉处理，直至末尾邻居阶级的所述第一邻居聚合节点的表示向量依次与每个邻居阶级的所述第二邻居聚合节点的表示向量进行交叉处理，得到向量数为邻居阶数的交叉子向量；将各所述交叉子向量进行向量拼接，得到所述交叉向量。

在其中的一个实施例中，所述确定模块，还用于获取所述目标对象交互过的媒体集合；以所述目标对象的对象节点和所述媒体集合中的媒体为节点构建第二网络节点图；在所述第二网络节点图中，提取所述媒体集合中媒体对应的各阶邻居节点；基于注意力系数和所述媒体集合中媒体对应的各阶邻居节点的表示向量，确定所述媒体集合的关于每两个阶邻居节点之间的聚合子向量；基于所述聚合子向量确定所述目标对象的多样性指数。

在其中的一个实施例中，所述确定模块，还用于将所述每两个阶邻居节点之间的聚合子向量进行向量拼接，得到拼接向量；基于多层感知器对所述拼接向量进行映射处理，并依据目标函数对映射处理所得的结果进行归一化处理，得到归一化结果；基于所述归一化结果确定所述目标对象的多样性指数。

在其中的一个实施例中，所述推荐模块，还用于基于所述交叉向量确定所述目标对象对所述候选媒体的第一交互分值；在所述候选媒体中，依据所述多样性指数和所述第一交互分值选取不同媒体类型的媒体进行推荐。

在其中的一个实施例中，所述推荐模块，还用于基于所述交叉向量确定所述候选媒体中各媒体之间的第一相似度；基于所述多样性指数和所述第一交互分值，依次确定所述目标对象与所述候选媒体中的第i媒体之间的相关度，并确定所述第i媒体的调整参数；基于所述相关度和所述调整参数，确定各所述第一媒体的得分值；当所述得分值达到预设推荐条件时，将所述第i媒体添加至推荐媒体集合，并对i进行自增，返回执行所述基于所述多样性指数和所述第一交互分值，依次确定所述目标对象与所述候选媒体中第i媒体之间的相关度，直至将满足所述预设推荐条件的第k个的第i媒体加入所述推荐媒体集合；其中，k为预设的媒体推荐数量；将所述推荐媒体集合中的各媒体向所述目标对象进行推荐。

在其中的一个实施例中，所述推荐模块，还用于当所述候选媒体中的第j媒体与所述第i媒体之间的第一相似度达到预设相似条件时，根据所述多样性指数以及所述第i媒体与所述第j媒体之间的第一相似度，确定所述第i媒体的调整参数；其中，i≠j。

在其中的一个实施例中，媒体的多样性推荐方法应用于图神经网络，所述装置还包括：

所述提取模块，还用于在第三网络节点图中，通过所述图神经网络提取样本媒体节点和样本对象节点各自对应的各阶训练邻居节点；所述第三网络节点图基于样本对象和样本媒体之间的交互矩阵生成；所述样本媒体包括与所述样本对象进行过交互的正样本媒体以及与所述样本对象未进行交互的负样本媒体；

所述交叉模块，还用于将所述样本媒体节点的各阶邻居节点对应的表示向量，与所述样本对象节点的各阶邻居节点对应的表示向量进行交叉处理，得到训练交叉向量；

所述确定模块，还用于依据所述正样本媒体确定所述目标对象的多样性指标；

第一选取模块，用于在所述样本媒体中，依据所述多样性指标和所述训练交叉向量选取不同媒体类型的媒体作为推荐媒体；

优化模块，用于依据所述推荐媒体与对应的媒体标签确定损失值，并基于所述损失值对所述图神经网络进行参数优化。

在其中的一个实施例中，所述装置还包括：

所述确定模块，还用于基于所述训练交叉向量，确定所述样本对象对所述样本媒体的第二交互分值，以及所述样本媒体中各媒体之间的第二相似度；基于所述多样性指标和所述第二交互分值，依次确定所述样本对象与所述样本媒体中各媒体之间的相关度，并确定所述样本媒体中各媒体的调整参数；基于当前确定的所述相关度和所述调整参数，确定所述样本媒体中各媒体的得分值；

所述优化模块，还用于依据所述得分值以及所述推荐媒体与对应的媒体标签确定损失值。

在其中的一个实施例中，所述候选媒体包括直播间、视频、动画、音乐或图像中的至少一种。

在其中的一个实施例中，所述多样性指数包括不同媒体类型对应的推荐指数；所述装置还包括：

第二接收模块，用于当推荐的所述媒体为直播间时，接收客户端发送的直播间交互信息；

所述确定模块，还用于依据所述直播间交互信息，确定所述目标对象交互的目标直播间；

加权模块，用于当所述目标直播间的驻留时长满足预设条件时，基于加权系数对所述目标直播间所属媒体类型对应的推荐指数进行加权处理，得到加权后的推荐指数；所述加权后的推荐指数用于下一次直播间推荐。

在其中的一个实施例中，所述装置还包括：

第一接收模块，用于当推荐的所述媒体为视频时，接收客户端发送的目标视频的播放请求；所述目标视频属于推荐的所述视频中的一个；

获取模块，用于获取所述目标视频的弹幕文本和文本播放时间；

所述确定模块，还用于根据所述文本播放时间，确定所述弹幕文本中属于所述目标视频的各视频时段的弹幕文本数量；

第二选取模块，用于从所述视频时段中，选取所述弹幕文本数量达到数量条件的目标视频时段；

所述推荐模块，还用于将所述目标视频时段作为热门视频片段的时段向所述客户端进行推荐。

在其中的一个实施例中，所述推荐模块，还用于在所述目标视频时段对应的视频片段中确定信息植入区域；获取产品推荐信息，并将所述产品推荐信息植入至所述信息植入区域；将植入所述产品推荐信息的视频片段向所述客户端进行推荐。

在其中的一个实施例中，所述装置还包括：

第三接收模块，用于当推荐的所述媒体为音乐时，接收第一客户端发送基于所述音乐生成的资源分享消息和待分享资源；

发送模块，用于向至少一个第二客户端发送所述资源分享消息；

所述确定模块，还用于当接收到所述第二客户端中目标客户端上传的资源获取请求时，确定所述音乐与所述资源获取请求携带的演唱音乐之间的第三相似度；所述演唱音乐基于所述音乐所得的；

转移模块，用于当所述第三相似度满足预设相似条件时，将所述待分享资源中的至少一部分资源转移至所述目标对象的资源账户。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

在第一网络节点图中，提取媒体节点和对象节点各自对应的各阶邻居节点；所述对象节点和所述媒体节点是目标对象和候选媒体各自对应的节点；

将所述媒体节点的各阶邻居节点对应的表示向量，与所述对象节点的各阶邻居节点对应的表示向量进行交叉处理，得到交叉向量；

依据所述目标对象交互过的媒体集合，确定所述目标对象的多样性指数；

在所述候选媒体中，依据所述多样性指数和所述交叉向量选取不同媒体类型的媒体进行推荐。

第四方面，本申请还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，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

在第一网络节点图中，提取媒体节点和对象节点各自对应的各阶邻居节点；所述对象节点和所述媒体节点是目标对象和候选媒体各自对应的节点；

将所述媒体节点的各阶邻居节点对应的表示向量，与所述对象节点的各阶邻居节点对应的表示向量进行交叉处理，得到交叉向量；

依据所述目标对象交互过的媒体集合，确定所述目标对象的多样性指数；

在所述候选媒体中，依据所述多样性指数和所述交叉向量选取不同媒体类型的媒体进行推荐。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

在第一网络节点图中，提取媒体节点和对象节点各自对应的各阶邻居节点；所述对象节点和所述媒体节点是目标对象和候选媒体各自对应的节点；

将所述媒体节点的各阶邻居节点对应的表示向量，与所述对象节点的各阶邻居节点对应的表示向量进行交叉处理，得到交叉向量；

依据所述目标对象交互过的媒体集合，确定所述目标对象的多样性指数；

在所述候选媒体中，依据所述多样性指数和所述交叉向量选取不同媒体类型的媒体进行推荐。

上述媒体的多样性推荐方法、装置、计算机设备、存储介质和计算机程序产品，在第一网络节点图中，提取媒体节点和对象节点各自对应的各阶邻居节点，从而在一定程度上提高节点的可区别性，有利于提高媒体推荐的准确性。将媒体节点的各阶邻居节点对应的表示向量，与对象节点的各阶邻居节点对应的表示向量进行交叉处理，从而可以得到包含大量信息的交叉向量，依据目标对象交互过的媒体集合确定目标对象的多样性指数；在候选媒体中，依据多样性指数和交叉向量选取不同媒体类型的媒体进行推荐，不仅可以提高媒体推荐的准确性，还可以使推荐的媒体多样性，有利于提高目标对象与推荐的媒体的交互率，如有利于提高媒体的点击率和播放率。

附图说明

图1为一个实施例中媒体的多样性推荐方法的应用环境图；

图2为一个实施例中媒体的多样性推荐方法的流程示意图；

图3为一个实施例中网络节点图的示意图；

图4为一个实施例中视频推荐页面的页面示意图；

图5为一个实施例中对图神经网络进行训练的流程示意图；

图6为另一个实施例中网络节点图的示意图；

图7为一个实施例中对目标视频的人视频片段进行推荐的流程示意图；

图8为一个实施例中利用推荐的引用进行资源转移的流程示意图；

图9为一个实施例中媒体的多样性推荐装置的结构框图；

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。

在对本申请的实施例进行描述之前，简单介绍本申请所涉及的技术，具体如下：

人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。

机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

本申请实施例提供的媒体的多样性推荐方法，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网络服务器上。

服务器104在第一网络节点图中，提取媒体节点和对象节点各自对应的各阶邻居节点；对象节点和媒体节点是目标对象和候选媒体各自对应的节点；将媒体节点的各阶邻居节点对应的表示向量，与对象节点的各阶邻居节点对应的表示向量进行交叉处理，得到交叉向量；依据目标对象交互过的媒体集合，确定目标对象的多样性指数；在候选媒体中，依据多样性指数和交叉向量选取不同媒体类型的媒体向终端102进行推荐。

其中，终端102可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、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、智能空调和智能车载设备等。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，也可以是区块链系统中的服务节点，该区块链系统中的各服务节点之间形成点对点(P2P，Peer To Peer)网络，P2P协议是一个运行在传输控制协议(TCP，Transmission Control Protocol)协议之上的应用层协议。

此外，服务器104还可以是多个物理服务器构成的服务器集群，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、内容分发网络(Content Delivery Network，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与服务器104之间可以通过蓝牙、USB(Universal Serial Bus，通用串行总线)或者网络等通讯连接方式进行连接，本申请在此不做限制。

在一个实施例中，如图2所示，提供了一种媒体的多样性推荐方法，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：

S202，在第一网络节点图中，提取媒体节点和对象节点各自对应的各阶邻居节点；对象节点和媒体节点是目标对象和候选媒体各自对应的节点。

其中，第一网络节点图可以包括目标对象对应的对象节点和候选媒体对应的媒体节点。此外，该第一网络节点图中还可以包含其他对象对应的对象节点，也可以包含其它媒体对应的媒体节点，可参考图3。候选媒体可以是多样化的媒体，即为各种媒体类型的媒体。

需要指出的是，其他对象对应的对象节点与候选媒体对应的媒体节点之间通过边进行连接，且该对象节点与媒体节点之间的边表示其他对象与候选媒体之间存在交互，如其他对象在播放或进入候选媒体时，可以点击该候选媒体以进行播放。而其它媒体对应的媒体节点与目标对象对应的对象节点之间通过边进行连接，且该对象节点与媒体节点之间的边表示目标对象与其它媒体之间存在交互，如目标对象在播放或进入其它媒体时，点击该其它媒体以进行播放。其中，该其他对象可以指除目标对象之外的对象，该其它媒体可以指候选媒体之外的且与目标对象存在交互的媒体。目标对象可以指需要进行媒体推荐的用户对象，如开启了视频客户端的对象，从而服务器通过推荐系统向其推荐视频。

对象节点和媒体节点是目标对象和候选媒体各自对应的节点。对象节点是第一网络节点图中的用于表示目标对象和其他对象的节点，该对象节点具有对应的属性信息，如对象标识、兴趣信息以及其它表征目标对象的信息。媒体节点是第一网络节点图中的用于表示候选媒体和其它媒体的节点，该媒体节点也具有对应的属性信息，如媒体标识、媒体的数据大小、上市时间、媒体类型以及其它表征候选媒体的信息。在实际应用中，候选媒体可以是直播间、视频、动画、音乐或图像中的至少一种。

在一个实施例中，各阶邻居节点为各预设邻居阶数的邻居节点；具体地，服务器在第一网络节点图中，通过图神经网络提取媒体节点和对象节点各自对应的各预设邻居阶数的邻居节点。其中，各预设邻居阶数可以是预设的各邻居层数，如预设的1～L邻居层数，该预设邻居阶数可通过超参数进行控制。

例如，对于目标对象的对象节点u，在第一网络节点图中提取该对象节点的一阶邻居节点、二阶邻居节点、……、L阶邻居节点，记为

在一个实施例中，服务器获取目标对象的对象信息、其他对象的对象信息、候选媒体的媒体信息和其它媒体的媒体信息，以及其他对象与候选媒体、其它媒体之间的交互信息，目标对象与其它媒体之间的交互信息；将上述交互信息转换成交互矩阵，基于各交互矩阵、媒体信息和对象信息构建第一网络节点图。

例如，如图3所示，目标对象之前点击了其它媒体1和其它媒体2，因此目标对象对应的对象节点与其它媒体1、其它媒体2对应的媒体节点之间用边进行相连；而其他对象1之前点击了候选媒体1和其它媒体1，因此其他对象1对应的对象节点与候选媒体1、其它媒体1对应的媒体节点之间用边相连，以此类推，从而得到如图3所示的第一网络节点图。需要指出的是，目标对象之前点击了其它媒体1和其它媒体2，表示播放过其它媒体1和其它媒体2，但并未点击播放过候选媒体1～5，而通过本申请的方案可以在候选媒体1～5中选取多样化的媒体进行推荐。

S204，将媒体节点的各阶邻居节点对应的表示向量，与对象节点的各阶邻居节点对应的表示向量进行交叉处理，得到交叉向量。

其中，交叉处理可以是内积处理或拼接处理。交叉向量可以是用于表征目标对象和候选媒体的特征的向量，其数量可以是多个，如数量为预设邻居阶数。表示向量可以是各阶邻居节点中各对象和媒体之间混合的特征向量。

在一个实施例中，服务器获取媒体节点的各阶邻居节点对应的表示向量，以及获取对象节点的各阶邻居节点对应的表示向量，然后对获取的表示向量进行交叉处理，得到交叉向量。

在一个实施例中，服务器可以先对各阶邻居节点进行聚合处理，然后进行交叉处理，具体地：服务器对媒体节点的各阶邻居节点进行聚合处理，得到第一邻居聚合节点；对对象节点的各阶邻居节点进行聚合处理，得到第二邻居聚合节点；将第一邻居聚合节点的表示向量与第二邻居聚合节点的表示向量进行交叉处理，得到交叉向量。

其中，聚合处理可以是对各阶邻居节点对应的表示向量进行求和以及求平均，或者进行内积处理，又或者进行拼接处理。各阶邻居节点包括各邻居阶级的邻居节点。

在一个实施例中，上述对媒体节点的各阶邻居节点进行聚合处理，得到第一邻居聚合节点的步骤，具体可以包括：服务器对媒体节点的属于相同邻居阶级的邻居节点进行聚合处理，得到媒体节点的各邻居阶级的第一邻居聚合节点。上述对对象节点的各阶邻居节点进行聚合处理，得到第二邻居聚合节点的步骤，具体可以包括：服务器对对象节点的属于相同邻居阶级的邻居节点进行聚合处理，得到对象节点的各邻居阶级的第二邻居聚合节点。

例如，在第一网络节点图中提取出对象节点u和媒体节点v各自对应的各阶邻居节点，如提取出对象节点u的一阶邻居节点、二阶邻居节点、……、L阶邻居节点，这些邻居节点记为

其中，l

在得到邻居聚合表示向量之后，将对象节点的各邻居聚合表示向量与媒体节点的各邻居聚合表示向量进行交叉处理，具体的交叉方式如下所示：

z

在一个实施例中，上述将第一邻居聚合节点的表示向量与第二邻居聚合节点的表示向量进行交叉处理，得到交叉向量的步骤，具体可以包括：服务器将首个邻居阶级的第一邻居聚合节点的表示向量依次与每个邻居阶级的第二邻居聚合节点的表示向量进行交叉处理，直至末尾邻居阶级的第一邻居聚合节点的表示向量依次与每个邻居阶级的第二邻居聚合节点的表示向量进行交叉处理，得到向量数为邻居阶数的交叉子向量；将各交叉子向量进行向量拼接，得到交叉向量。

例如，在得到邻居聚合表示向量之后，将对象节点的邻居聚合表示向量

然后将各交叉子向量进行聚合处理，具体的聚合方式如下所示：

其中，‖表示聚合操作，该聚合操作可以是把各交叉子向量

S206，依据目标对象交互过的媒体集合，确定目标对象的多样性指数。

其中，该媒体集合可以是目标对象交互过的媒体的集合。例如，假设目标对象交互过的媒体共有

多样性指数可以用于表示目标对象对不同媒体类型的需求程度或感兴趣程度，因此在进行媒体推荐时，感兴趣程度较高的媒体类型下的媒体推荐数量大于感兴趣程度较低的媒体类型下的媒体推荐数量，或者需求程度较高的媒体类型下的媒体推荐数量大于需求程度较低的媒体类型下的媒体推荐数量。例如，若推荐的媒体为视频，假设共有4种视频类型，即情感片、科幻片、古装片和喜剧片，一次性推荐10个视频，则目标对象感兴趣程度最高的科幻片的推荐数量可以是4个，目标对象第二感兴趣的喜剧片的推荐数量可以是3个，目标对象第3感兴趣的情感片的推荐数量可以是2个，而古装片的推荐数量可以是1个。需要指出的是，上述视频类型仅仅是举例，包括但不限于上述视频类型。此外，上述的多样性指数可以是动态变化的，影响该多样性指数大小的影响因子可以是对相应媒体类型的媒体播放的次数或播放时长(或驻留时长)，又或者是目标对象对相应媒体类型标记的兴趣标签。

在一个实施例中，S206具体可以包括：服务器获取目标对象交互过的媒体集合；以目标对象的对象节点和媒体集合中的媒体为节点构建第二网络节点图；在第二网络节点图中，提取媒体集合中媒体对应的各阶邻居节点；基于注意力系数和媒体集合中媒体对应的各阶邻居节点的表示向量，确定媒体集合的关于每两个阶邻居节点之间的聚合子向量；基于聚合子向量确定目标对象的多样性指数。

其中，注意力系数可以指各阶邻居节点中的邻居节点对目标对象对应的对象节点的贡献程度，如某邻居阶数的邻居节点对对象节点的贡献程度。

例如，通过以下向量聚合式计算每两个阶邻居节点之间的聚合子向量，具体如下所示：

其中，

在一个实施例中，上述基于聚合子向量确定目标对象的多样性指数的步骤，具体可以包括：服务器将每两个阶邻居节点之间的聚合子向量进行向量拼接，得到拼接向量；基于多层感知器对拼接向量进行映射处理，并依据目标函数对映射处理所得的结果进行归一化处理，得到归一化结果；基于归一化结果确定目标对象的多样性指数。

其中，上述注意力系数α(·)可以利用多层感知器和归一化处理得到，即

然后，对每两个阶邻居节点之间的聚合子向量进行向量拼接，再次利用多层感知器对拼接所得的拼接向量进行映射处理，接着进行归一化处理，即可得到目标对象的多样性指数λ

其中，σ为激活函数，如sigmoid函数，该sigmoid函数为

S208，在候选媒体中，依据多样性指数和交叉向量选取不同媒体类型的媒体进行推荐。

其中，媒体类型可以是对不同媒体进行归类后所属的类别。例如，当候选媒体为视频时，该媒体类型为是视频类型，该视频类型包括情感片、科幻片、古装片、喜剧片、教育类以及美食类等；此外，视频类型也可以按视频时长进行划分。

在一个实施例中，服务器基于交叉向量确定目标对象对候选媒体的第一交互分值；在候选媒体中，依据多样性指数和第一交互分值选取不同媒体类型的媒体进行推荐。此外，在计算出第一交互分值之后，服务器还可以按照第一交互分值对候选媒体进行排序，得到排序的媒体序列；在媒体序列中依据多样性指数选取不同媒体类型的媒体进行推荐。

其中，第一交互分值为目标对象对候选媒体进行交互的预计分值。该第一交互分值越大，表示目标对象对该候选媒体进行交互的可能性越大，如点击播放该候选媒体的可能性越大。

例如，当候选媒体为候选的视频时，服务器基于交叉向量确定目标对象对候选的视频的第一交互分值；依据多样性指数和第一交互分值在候选的视频选取不同视频类型的视频进行推荐，从而实现视频的多样性推荐，如图4所示，推荐的视频包括视频1～10，其中，视频1、3为情感片，视频2、4、5为科幻片，视频6、10为古装片，视频7、8、9为喜剧片。同理，当候选媒体为候选的直播间、音乐、动画或图像，也可采用上述的方式进行推荐。

在另一个实施例中，媒体多样性推荐的方法还包括：服务器基于交叉向量确定候选媒体中各媒体之间的第一相似度；基于多样性指数和第一交互分值，依次确定目标对象与候选媒体中的第i媒体之间的相关度，并确定第i媒体的调整参数；基于相关度和调整参数，确定各第一媒体的得分值；当得分值达到预设推荐条件时，将第i媒体添加至推荐媒体集合，并对i进行自增，返回执行基于多样性指数和第一交互分值，依次确定目标对象与候选媒体中第i媒体之间的相关度，直至将满足预设推荐条件的第k个的第i媒体加入推荐媒体集合；其中，k为预设的媒体推荐数量；将推荐媒体集合中的各媒体向目标对象进行推荐。

在一个实施例中，上述确定第i媒体的调整参数的步骤，具体可以包括：服务器当候选媒体中的第j媒体与第i媒体之间的第一相似度达到预设相似条件时，根据多样性指数以及第i媒体与第j媒体之间的第一相似度，确定第i媒体的调整参数；其中，i≠j。

例如，当候选媒体为候选视频时，利用多样性指数、交互分值以及带贪婪算法的MMR可选取出多样性的视频，得到多样性视频集合，即对于目标对象初始化给出一个空集合S

其中，该计算式右边的前半部分为视频i与目标对象u之间的相关度，后半部分表示在候选视频中是否存在与视频i最相似的视频j。通过该计算式可得到使得score

在一个实施例中，当推送的媒体为直播间时，客户端可以进入该直播间中播放直播内容，此时服务器可以统计在该直播间的驻留时长，然后根据驻留时长确定目标对象对该直播间的兴趣程度；从而在后续的推荐过程中，当该兴趣程度达到预设兴趣条件时，可以将该直播间的属性信息作为影响因子预测目标对象感兴趣的直播间。此外，服务器还可以接收客户端上报的目标对象对该直播间的互动信息，如目标对象在进入直播间之后，对该直播间进行点赞，或关注该直播间；根据该互动信息可以确定目标对象对该直播间感兴趣，然后对该类型的多样化指数进行加权处理，以便应用在下一次直播间的推荐。

其中，属性信息可以是直播间的直播类型、直播人员的直播风格以及常规的直播时间等。

在一个实施例中，当推送的媒体为视频时，若客户端播放推荐的目标视频时，服务器还可以向客户端推荐该目标视频的热门视频片段，以使目标对象可以在播放视频过程中，预先知道该目标视频的热门视频片段，以根据实际需求定位到该热门视频片段进行播放。

上述实施例中，在第一网络节点图中，提取媒体节点和对象节点各自对应的各阶邻居节点，从而在一定程度上提高节点的可区别性，有利于提高媒体推荐的准确性。将媒体节点的各阶邻居节点对应的表示向量，与对象节点的各阶邻居节点对应的表示向量进行交叉处理，从而可以得到包含大量信息的交叉向量，依据目标对象交互过的媒体集合确定目标对象的多样性指数；在候选媒体中，依据多样性指数和交叉向量选取不同媒体类型的媒体进行推荐，不仅可以提高媒体推荐的准确性，还可以使推荐的媒体多样性，有利于提高目标对象与推荐的媒体的交互率，如有利于提高媒体的点击率和播放率。

在一个实施例中，媒体的多样性推荐方法应用于图神经网络，如图5所示，该方法还包括：

S502，在第三网络节点图中，通过图神经网络提取样本媒体节点和样本对象节点各自对应的各阶训练邻居节点。

其中，第三网络节点图基于样本对象和样本媒体之间的交互矩阵生成，包含样本对象对应的样本对象节点和样本媒体对应的样本媒体节点。样本媒体包括与样本对象进行过交互的正样本媒体以及与样本对象未进行交互的负样本媒体。因此，样本对象节点和正样本媒体对应的样本媒体节点之间通过边进行连接，且样本对象节点和正样本媒体对应的样本媒体节点之间的边表示样本对象与正样本媒体之间存在交互，如样本对象对该正样本媒体执行了点击操作；此外，样本对象节点和负样本媒体对应的样本媒体节点之间未进行连接，如图6所示。

样本对象节点是第三网络节点图中的用于表示样本对象的节点，该样本对象节点具有对应的属性信息，如对象标识、兴趣信息以及其它表征样本对象的信息。样本媒体节点是第三网络节点图中的用于表示样本媒体的节点，该样本媒体节点也具有对应的属性信息，如媒体标识、媒体的数据大小、上市时间、媒体类型以及其它表征样本媒体的信息。在实际应用中，样本媒体可以是直播间、视频、动画、音乐或图像中的至少一种。

各阶训练邻居节点为各预设邻居阶数的邻居节点；各预设邻居阶数可以是预设的各邻居层数，如预设的1～L邻居层数，该预设邻居阶数可通过超参数进行控制。

在一个实施例中，服务器获取样本对象和样本媒体之间的交互矩阵，基于交互矩阵生成样本对象和样本媒体的第二网络节点图。其中，交互矩阵可以是样本对象与样本媒体之间进行交互所得的矩阵，可以表征样本对象与样本媒体之间的交互情况。需要指出的是，样本对象与负样本媒体之间不存在交互，因此交互矩阵中对应的元素为0；样本对象与正样本媒体之间存在交互，因此交互矩阵中对应的元素为1。

例如，令交互矩阵R的维度为(N,M)，其中样本对象的数量为N，样本媒体的数量为M。若第i个样本对象和第j个样本媒体之间进行了交互，则r

在一个实施例中，服务器获取样本对象和样本媒体对应的融合特征向量，即样本对象的特征向量与样本媒体的特征向量进行融合所得的特征向量。服务器可以基于交互矩阵和融合特征向量生成样本对象和样本媒体的第二网络节点图。

例如，样本对象和样本媒体对应的融合特征向量E的维度为(M+N，K)，其中，1到N行的特征向量为样本对象的特征向量，N+1到N+M行的特征向量为样本媒体的特征向量，K为表示向量的维度。

S504，将样本媒体节点的各阶邻居节点对应的表示向量，与样本对象节点的各阶邻居节点对应的表示向量进行交叉处理，得到训练交叉向量。

其中，该表示向量可以是各阶邻居节点中各对象和媒体之间混合的特征向量。该训练交叉向量可以是用于表征样本对象和样本媒体的特征的向量，其数量可以是多个，如数量为预设邻居阶数。

S506，依据正样本媒体确定目标对象的多样性指标。

其中，多样性指标可以用于表示样本对象对不同媒体类型的感兴趣程度，因此在进行媒体推荐时，感兴趣程度较强的媒体类型下的媒体推荐数量大于感兴趣程度较低的媒体类型下的媒体推荐数量。

S508，在样本媒体中，依据多样性指标和训练交叉向量选取不同媒体类型的媒体作为推荐媒体。

其中，上述S504～S508的详细步骤可以参考图2实施例的S204～S208。

S510，依据推荐媒体与对应的媒体标签确定损失值，并基于损失值对图神经网络进行参数优化。

在一个实施例中，服务器基于训练交叉向量，确定样本对象对样本媒体的第二交互分值，以及样本媒体中各媒体之间的第二相似度；基于多样性指标和第二交互分值，依次确定样本对象与样本媒体中各媒体之间的相关度，并确定样本媒体中各媒体的调整参数；基于当前确定的相关度和调整参数，确定样本媒体中各媒体的得分值。因此，S510具体可以包括：服务器依据该得分值以及推荐媒体与对应的媒体标签确定损失值。

例如，假设样本媒体为视频，在得到向样本对象u推荐的视频集合S

其中，

上述实施例中，在第三网络节点图中提取样本媒体节点和样本对象节点各自对应的各阶训练邻居节点，然后将样本媒体节点的各阶邻居节点对应的表示向量与样本对象节点的各阶邻居节点对应的表示向量进行交叉处理，依据正样本媒体确定目标对象的多样性指标，在样本媒体中依据多样性指标和训练交叉向量选取不同媒体类型的媒体作为推荐媒体；依据推荐媒体与对应的媒体标签确定损失值，并基于损失值对图神经网络进行参数优化，得到能准确进行多样性媒体推荐的图神经网络，以便可以使推荐的媒体呈现多样性，有利于提高媒体的交互率。

在一个实施例中，除了可以推荐视频、动画、音乐和图像之外，还可以推荐直播间，该直播间可以是视频直播间或音乐直播间，或其它直播间；直播间的推荐过程包括：当推荐的媒体为直播间时，服务器接收客户端发送的直播间交互信息；依据直播间交互信息，确定目标对象交互的目标直播间；当目标直播间的驻留时长满足预设条件时，基于加权系数对目标直播间所属媒体类型对应的推荐指数进行加权处理，得到加权后的推荐指数；其中，上述的多样性指数包括不同媒体类型对应的推荐指数，加权后的推荐指数用于下一次直播间推荐。

其中，客户端可以是目标对象的视频客户端或音乐客户端。直播间交互信息可以是目标对象与直播间之间交互的信息，如点击进入直播间的操作信息，或切换直播间的操作信息，此外还可以是其它信息，如对直播间进行点赞或关注的信息。

预设条件可以是驻留时长落入预设的第一时长区间，或者驻留时长落入预设的第二时长区间，当驻留时长落入预设的第一时长区间时，表示目标对象在该直播间的驻留时间较长，对应的加权系数可以是大于一的系数，因此在进行加权处理之后的推荐指数大于加权处理之前的推荐指数，从而在下一次进行推荐时，可以时该类型的直播间推荐的数量大于其它类型的直播间。当驻留时长落入预设的第二时长区间时，表示目标对象在该直播间的驻留时间较短，对应的加权系数可以是小于一的系数，因此在进行加权处理之后的推荐指数小于加权处理之前的推荐指数，从而在下一次进行推荐时，可以时该类型的直播间推荐的数量小于其它类型的直播间。其中，第一时长区间中的值大于第二时长区间中的值。

上述实施例中，通过对多样性指数中特定媒体类型对应的推荐指数进行加权处理，从而使该特定媒体类型对应的推荐指数大小发生变化，以便在候选进行直播间推荐时，可以在满足多样性推荐的基础上，还可以使推荐的直播间更加贴合目标对象的实际需求，从而有效提高直播间的驻留率。

在一个实施例中，如图7所示，S208之后，该方法还包括：

S702，当推荐的媒体为视频时，接收客户端发送的目标视频的播放请求；目标视频属于推荐的视频中的一个。

其中，推荐的视频可以是多个，目标对象可以在推荐的多个视频中选择一个目标视频进行播放，此时客户端会向服务器发送目标视频的播放请求，一方面可以点播该目标视频，另一方面可以确定目标视频中所存在的热门视频片段。

S704，获取目标视频的弹幕文本和文本播放时间。

其中，弹幕文本可以是其他对象在网页或客户端上观看目标视频时弹出的评论性文字。文本播放时间一般是其他对象在发表弹幕文本时所对应的视频播放时间。

在一个实施例中，在S704之前，服务器获取在其它客户端(即其他对象的客户端)播放页面输入的弹幕文本和输入弹幕文本时所对应的视频播放时间，根据视频播放时间确定文本播放时间，然后将该文本播放时间和弹幕文本进行存储。

S706，根据文本播放时间，确定弹幕文本中属于目标视频的各视频时段的弹幕文本数量。

其中，视频时段是对视频按照一定的时间间隔划分的时间段，该时间间隔可以是1分钟或其它时间间隔。

在一个实施例中，S706具体可以包括：服务器将视频的总时段按照预设时长划分为多个视频时段；在所获取的弹幕文本中，根据文本播放时间确定属于各视频时段的弹幕文本；按照所确定的弹幕文本统计对应视频时段的弹幕文本数量。其中，当某个弹幕文本对应的文本播放时间落入某视频时段时，则该弹幕文本属于该视频时段，利用这个方式统计属于各视频时段的弹幕文本所对应数量，得到各视频时段下的弹幕文本数量。

例如，将目标视频的总时段划分为10个视频时段，然后确定各弹幕文本对应的文本播放时间所属的视频时段，如弹幕文本A对应的播放时间为1:00，则弹幕文本A属于0～1这个视频时段。在确定文本播放时间所属的视频时段之后，计算落入该文本播放时间下的弹幕文本的数量，从而得到各视频时段的弹幕文本数量，0～1这个视频时段的弹幕文本数量为300。

S708，从视频时段中，选取弹幕文本数量达到数量条件的目标视频时段。

其中，目标视频时段对应的视频片段，其弹幕文本数量较多，大量的其他对象都对该视频片段进行了评论，表示该视频片段为大家关注的热门视频片段，具有较高的热度。

在一个实施例中，服务器按照弹幕文本数量的大小顺序进行排列对各视频时段进行排序，然后在各视频时段中选取弹幕文本数量达到数量条件的目标视频时段。

S710，将目标视频时段作为热门视频片段的时段向客户端进行推荐。

其中，该客户端可以是目标对象的视频客户端。客户端在接收到服务器推荐的热门视频片段的时段时，可以在进度条上对该时段进行突出显示，或在该时间对应的位置显示提示信息，从而使目标对象可以根据突出显示的方式或提示信息知道该时段为热门视频片段的时段。

在一个实施例中，服务器将目标视频时段的起始时间和截止时间向客户端进行推荐，以实现热门视频片段的推荐，使目标对象可以根据自己的兴趣将播放进度拉动至该热门视频片段进行播放。

此外，服务器还可以在目标视频中植入相应的产品推荐信息，具体的步骤包括：服务器在目标视频时段对应的视频片段中确定信息植入区域，获取产品推荐信息，并将产品推荐信息植入至信息植入区域，然后将植入产品推荐信息的视频片段向客户端进行推荐。

其中，信息植入区域可以是目标视频中比较显眼且不影响视频观赏的区域，如目标视频的某个视频片段为室内，则可以将室内的背景墙作为信息植入区域；又如目标视频的某个视频片段为室外，则可以将室外的建筑物作为信息植入区域。

上述实施例中，通过获取关于评论目标视频的弹幕文本和对应的文本播放时间，从而可以根据弹幕文本和文本播放时间确定出目标视频时段的弹幕文本数量较多，那么该目标视频时段对应的视频片断为大家关注的热门视频片段，从而将该热门视频片段作为目标推荐视频片段推荐给目标对象，因此，即便目标视频的时长较长以及内容较多，也可以直接定位到目标视频中的热门视频片段进行播放，有利于目标视频的播放效率。

在一个实施例中，如图8所示，该方法还包括：

S802，当推荐的媒体为音乐时，接收第一客户端发送基于音乐生成的资源分享消息和待分享资源。

其中，资源分享消息可以是用于提示消息接收方存在可领取的资源的会话消息，如红包消息。待分享资源可以是目标对象发送的各消息接收方可领取的资源，如电子红包，当接收资源分享消息的对象为一个时，则电子红包的数量为1；当接收资源分享消息的对象为多个时，则电子红包的数量可以是多个。

在一个实施例中，当资源分享消息为群组资源分享消息时，服务器还可以接收第一客户端发送的用于查找群组的群组标识。

S804，向至少一个第二客户端发送资源分享消息。

其中，第一客户端和第二客户端可以是不同对象的通信客户端，或支付客户端。例如，第一客户端可以是目标对象的通信客户端，第二客户端可以是其他对象的通信客户端。

在一个实施例中，当资源分享消息为群组资源分享消息时，服务器基于第一客户端发送的群组标识查找相应的群组，然后向该群组发送资源分享消息，从而实现将资源分享消息发送至该群组中各成员对应的第二客户端。

S806，当接收到第二客户端中目标客户端上传的资源获取请求时，确定音乐与资源获取请求携带的演唱音乐之间的相似度。

其中，演唱音乐基于音乐所得的，如该演唱音乐可以是其他对象(即接收资源分享消息的对象)根据该音乐进行演唱所得的。目标客户端属于第二客户端中的至少一个。

相似度可以指推荐的音乐与演唱音乐之间在音调和节拍上的相似程度。

S808，当相似度满足预设相似条件时，将待分享资源中的至少一部分资源转移至目标对象的资源账户。

其中，相似度满足预设相似条件可以指相似度大于或等于相似阈值。相似度越大，从待分享资源中领取的资源相对越多。

在一个实施例中，当相似度大于或等于相似阈值时，依据该相似度从待分享资源中领取相应额度的资源，然后将领取的资源转移至目标对象的资源账户。当相似度小于相似阈值时，向演唱音乐对应的对象发送提示信息，以提示该对象重新基于该音乐进行演唱得到新的演唱音乐，然后利用新的演唱音乐进行资源领取。

上述实施例中，目标对象在接收到推荐的音乐时，可以将音乐应用到资源分享上，即向服务器发送资源分享消息和待分享资源，服务器根据该音乐与其他对象上传的演唱音乐之间的相似度，若相似度满足预设相似条件时，待分享资源中的至少一部分资源转移至所述目标对象的资源账户，丰富了资源分享的玩法多样性，提升了各对象与资源之间的交互性，此外还有利于在进行资源分享过程中活跃气氛，提高趣味性。

作为一个示例，这里结合视频多样性推荐的应用场景对上述方法进行说明，具体如下所述：

(1)构建用户对象与视频之间的交互矩阵和表示向量矩阵。

首先，定义用户对象与视频的交互矩阵R，交互矩阵R的维度为(N,M)。其中，用户对象的数量为N，视频的数量为M。若第i个用户对象和第j个视频之间存在交互，则交互矩阵R中的r

其次，定义用户对象与视频之间的表示向量矩阵E，该表示向量矩阵E的维度为(M+N，K)。其中，1到N行的特征向量为用户对象的特征向量，N+1到N+M行的特征向量为视频的特征向量，K为表示向量的维度。

(2)提取用户节点和视频节点的各阶邻居节点，并对各阶邻居节点的表示向量进行交叉。

针对每个用户节点u和视频节点v，可以利用交互矩阵R找到一阶邻居节点、二阶邻居节点、……、L阶邻居节点，这些不同邻居阶数的邻居节点记为

其中，l

然后，利用交叉向量得到两节点之间的相关度度量，若两个节点分别是用户节点和视频节点，则为用户对象与视频之间的交互分值(表示交互的可能性)；若两节点为视频节点，则为两视频之间的相似度，相应的计算式如下所示：

其中，MLP

(3)多样性计算。

通过用户对象历史的已交互视频集合计算出多样性指数，多样性指数的具体计算过程如下：记该用户对象的已交互视频集合为

其中，l

通过该聚合表示向量可以计算出用户对象的多样性指数λ

其中，σ为sigmoid函数，即为

利用该多样性指数和带贪婪算法的MMR可得到多样性视频集合，即对一个用户对象初始化给出一个空的视频集合S

其中，上述计算式右侧的前半部分为视频i与用户对象u的相关度，后半部分表示在候选的视频集合中是否有与视频i最相似的视频j。通过该计算式得到使score

在得到视频集合S

其中，

(4)进行视频多样性推荐。

在完成训练后，针对每一个用户对象u，基于图神经网络计算出推荐的视频集合S

通过本申请的实施例，在进行视频推荐的过程中，寻找出每一个用户对象的多样性指数进行推荐，从而能够达到每一个用户对象有着不同的多样性程度，对于高多样性需求的用户对象来说，会尽可能推荐出高多样性的视频；对于低多样性需求的用户对象来说，会尽可能推相关度高的视频，这样就能满足不同用户对象的多样性需求。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。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，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的媒体的多样性推荐方法的媒体的多样性推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个媒体的多样性推荐装置实施例中的具体限定可以参见上文中对于媒体的多样性推荐方法的限定，在此不再赘述。

在一个实施例中，如图9所示，提供了一种媒体的多样性推荐装置，包括：提取模块802、交叉模块904、确定模块906和推荐模块908，其中：

提取模块902，用于在第一网络节点图中，提取媒体节点和对象节点各自对应的各阶邻居节点；对象节点和媒体节点是目标对象和候选媒体各自对应的节点；

交叉模块904，用于将媒体节点的各阶邻居节点对应的表示向量，与对象节点的各阶邻居节点对应的表示向量进行交叉处理，得到交叉向量；

确定模块906，用于依据目标对象交互过的媒体集合，确定目标对象的多样性指数；

推荐模块908，用于在候选媒体中，依据多样性指数和交叉向量选取不同媒体类型的媒体进行推荐。

在其中的一个实施例中，交叉模块，还用于对媒体节点的各阶邻居节点进行聚合处理，得到第一邻居聚合节点；对对象节点的各阶邻居节点进行聚合处理，得到第二邻居聚合节点；将第一邻居聚合节点的表示向量与第二邻居聚合节点的表示向量进行交叉处理，得到交叉向量。

在其中的一个实施例中，各阶邻居节点包括各邻居阶级的邻居节点；

交叉模块，还用于对媒体节点的属于相同邻居阶级的邻居节点进行聚合处理，得到媒体节点的各邻居阶级的第一邻居聚合节点；对对象节点的属于相同邻居阶级的邻居节点进行聚合处理，得到对象节点的各邻居阶级的第二邻居聚合节点。

在其中的一个实施例中，交叉模块，还用于将首个邻居阶级的第一邻居聚合节点的表示向量依次与每个邻居阶级的第二邻居聚合节点的表示向量进行交叉处理，直至末尾邻居阶级的第一邻居聚合节点的表示向量依次与每个邻居阶级的第二邻居聚合节点的表示向量进行交叉处理，得到向量数为邻居阶数的交叉子向量；将各交叉子向量进行向量拼接，得到交叉向量。

在其中的一个实施例中，确定模块，还用于获取目标对象交互过的媒体集合；以目标对象的对象节点和媒体集合中的媒体为节点构建第二网络节点图；在第二网络节点图中，提取媒体集合中媒体对应的各阶邻居节点；基于注意力系数和媒体集合中媒体对应的各阶邻居节点的表示向量，确定媒体集合的关于每两个阶邻居节点之间的聚合子向量；基于聚合子向量确定目标对象的多样性指数。

在其中的一个实施例中，确定模块，还用于将每两个阶邻居节点之间的聚合子向量进行向量拼接，得到拼接向量；基于多层感知器对拼接向量进行映射处理，并依据目标函数对映射处理所得的结果进行归一化处理，得到归一化结果；基于归一化结果确定目标对象的多样性指数。

在其中的一个实施例中，推荐模块，还用于基于交叉向量确定目标对象对候选媒体的第一交互分值；在候选媒体中，依据多样性指数和第一交互分值选取不同媒体类型的媒体进行推荐。

在其中的一个实施例中，推荐模块，还用于基于交叉向量确定候选媒体中各媒体之间的第一相似度；基于多样性指数和第一交互分值，依次确定目标对象与候选媒体中的第i媒体之间的相关度，并确定第i媒体的调整参数；基于相关度和调整参数，确定各第一媒体的得分值；当得分值达到预设推荐条件时，将第i媒体添加至推荐媒体集合，并对i进行自增，返回执行基于多样性指数和第一交互分值，依次确定目标对象与候选媒体中第i媒体之间的相关度，直至将满足预设推荐条件的第k个的第i媒体加入推荐媒体集合；其中，k为预设的媒体推荐数量；将推荐媒体集合中的各媒体向目标对象进行推荐。

在其中的一个实施例中，推荐模块，还用于当候选媒体中的第j媒体与第i媒体之间的第一相似度达到预设相似条件时，根据多样性指数以及第i媒体与第j媒体之间的第一相似度，确定第i媒体的调整参数；其中，i≠j。

上述实施例中，在第一网络节点图中，提取媒体节点和对象节点各自对应的各阶邻居节点，从而在一定程度上提高节点的可区别性，有利于提高媒体推荐的准确性。将媒体节点的各阶邻居节点对应的表示向量，与对象节点的各阶邻居节点对应的表示向量进行交叉处理，从而可以得到包含大量信息的交叉向量，依据目标对象交互过的媒体集合确定目标对象的多样性指数；在候选媒体中，依据多样性指数和交叉向量选取不同媒体类型的媒体进行推荐，不仅可以提高媒体推荐的准确性，还可以使推荐的媒体多样性，有利于提高目标对象与推荐的媒体的交互率，如有利于提高媒体的点击率和播放率。

在其中的一个实施例中，媒体的多样性推荐方法应用于图神经网络，装置还包括：

提取模块，还用于在第三网络节点图中，通过图神经网络提取样本媒体节点和样本对象节点各自对应的各阶训练邻居节点；第三网络节点图基于样本对象和样本媒体之间的交互矩阵生成；样本媒体包括与样本对象进行过交互的正样本媒体以及与样本对象未进行交互的负样本媒体；

交叉模块，还用于将样本媒体节点的各阶邻居节点对应的表示向量，与样本对象节点的各阶邻居节点对应的表示向量进行交叉处理，得到训练交叉向量；

确定模块，还用于依据正样本媒体确定目标对象的多样性指标；

第一选取模块，用于在样本媒体中，依据多样性指标和训练交叉向量选取不同媒体类型的媒体作为推荐媒体；

优化模块，用于依据推荐媒体与对应的媒体标签确定损失值，并基于损失值对图神经网络进行参数优化。

在其中的一个实施例中，装置还包括：

确定模块，还用于基于训练交叉向量，确定样本对象对样本媒体的第二交互分值，以及样本媒体中各媒体之间的第二相似度；基于多样性指标和第二交互分值，依次确定样本对象与样本媒体中各媒体之间的相关度，并确定样本媒体中各媒体的调整参数；基于当前确定的相关度和调整参数，确定样本媒体中各媒体的得分值；

优化模块，还用于依据得分值以及推荐媒体与对应的媒体标签确定损失值。

上述实施例中，在第三网络节点图中提取样本媒体节点和样本对象节点各自对应的各阶训练邻居节点，然后将样本媒体节点的各阶邻居节点对应的表示向量与样本对象节点的各阶邻居节点对应的表示向量进行交叉处理，依据正样本媒体确定目标对象的多样性指标，在样本媒体中依据多样性指标和训练交叉向量选取不同媒体类型的媒体作为推荐媒体；依据推荐媒体与对应的媒体标签确定损失值，并基于损失值对图神经网络进行参数优化，得到能准确进行多样性媒体推荐的图神经网络，以便可以使推荐的媒体呈现多样性，有利于提高媒体的交互率。

在其中的一个实施例中，候选媒体包括直播间、视频、动画、音乐或图像中的至少一种。

在其中的一个实施例中，多样性指数包括不同媒体类型对应的推荐指数；装置还包括：

第二接收模块，用于当推荐的媒体为直播间时，接收客户端发送的直播间交互信息；

确定模块，还用于依据直播间交互信息，确定目标对象交互的目标直播间；

加权模块，用于当目标直播间的驻留时长满足预设条件时，基于加权系数对目标直播间所属媒体类型对应的推荐指数进行加权处理，得到加权后的推荐指数；加权后的推荐指数用于下一次直播间推荐。

上述实施例中，通过对多样性指数中特定媒体类型对应的推荐指数进行加权处理，从而使该特定媒体类型对应的推荐指数大小发生变化，以便在候选进行直播间推荐时，可以在满足多样性推荐的基础上，还可以使推荐的直播间更加贴合目标对象的实际需求，从而有效提高直播间的驻留率。

在其中的一个实施例中，装置还包括：

第一接收模块，用于当推荐的媒体为视频时，接收客户端发送的目标视频的播放请求；目标视频属于推荐的视频中的一个；

获取模块，用于获取目标视频的弹幕文本和文本播放时间；

确定模块，还用于根据文本播放时间，确定弹幕文本中属于目标视频的各视频时段的弹幕文本数量；

第二选取模块，用于从视频时段中，选取弹幕文本数量达到数量条件的目标视频时段；

推荐模块，还用于将目标视频时段作为热门视频片段的时段向客户端进行推荐。

在其中的一个实施例中，推荐模块，还用于在目标视频时段对应的视频片段中确定信息植入区域；获取产品推荐信息，并将产品推荐信息植入至信息植入区域；将植入产品推荐信息的视频片段向客户端进行推荐。

上述实施例中，通过获取关于评论目标视频的弹幕文本和对应的文本播放时间，从而可以根据弹幕文本和文本播放时间确定出目标视频时段的弹幕文本数量较多，那么该目标视频时段对应的视频片断为大家关注的热门视频片段，从而将该热门视频片段作为目标推荐视频片段推荐给目标对象，因此，即便目标视频的时长较长以及内容较多，也可以直接定位到目标视频中的热门视频片段进行播放，有利于目标视频的播放效率。

在其中的一个实施例中，装置还包括：

第三接收模块，用于当推荐的媒体为音乐时，接收第一客户端发送基于音乐生成的资源分享消息和待分享资源；

发送模块，用于向至少一个第二客户端发送资源分享消息；

确定模块，还用于当接收到第二客户端中目标客户端上传的资源获取请求时，确定音乐与资源获取请求携带的演唱音乐之间的第三相似度；演唱音乐基于音乐所得的；

转移模块，用于当第三相似度满足预设相似条件时，将待分享资源中的至少一部分资源转移至目标对象的资源账户。

上述实施例中，目标对象在接收到推荐的音乐时，可以将音乐应用到资源分享上，即向服务器发送资源分享消息和待分享资源，服务器根据该音乐与其他对象上传的演唱音乐之间的相似度，若相似度满足预设相似条件时，待分享资源中的至少一部分资源转移至所述目标对象的资源账户，丰富了资源分享的玩法多样性，提升了各对象与资源之间的交互性，此外还有利于在进行资源分享过程中活跃气氛，提高趣味性。

上述媒体的多样性推荐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。该计算机设备的数据库用于存储媒体数据和对象数据。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媒体的多样性推荐方法。

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，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权利媒体的多样性推荐方法的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现媒体的多样性推荐方法的步骤。

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，该计算机程序被处理器执行时实现媒体的多样性推荐方法的步骤。

需要说明的是，本申请所涉及的对象信息或对象特征(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、数据库或其它介质的任何引用，均可包括非易失性或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-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。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等。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 RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库或非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

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本申请专利范围的限制。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，本申请的保护范围应以所附权利要求为准。