媒体信息的处理方法和装置、存储介质及电子设备与流程-j9九游会真人

文档序号:35890254发布日期:2023-10-28 19:45阅读:4来源:国知局
媒体信息的处理方法和装置、存储介质及电子设备与流程

1.本技术涉及计算机领域,具体而言,涉及一种媒体信息的处理方法和装置、存储介质及电子设备。


背景技术:

2.相关技术中,向用户推荐媒体信息的过程中,一般根据用户的定向信息进行筛选,以得到满足用户需要的媒体信息。
3.其中,以媒体信息是广告为例,一般通过智能定向实现广告召回,智能定向的本质是在为广告找到合适的人群,目的是当一个用户发出请求的时候,可以为这个用户召回其可能会感兴趣的广告。
4.在召回为用户推荐的广告的过程中,用户的定向信息起到了很大的作用,但是,用户的定向信息属于用户的隐私,当用户未开放定向信息时,也就是说,针对设定了个人定向信息禁用的这部分用户,广告的召回量急剧缩减,自然会影响到广告的曝光。
5.因此,相关技术中存在定向信息被禁止获取时,无法针对性地为用户推荐媒体信息,导致为用户推荐的媒体信息不准确的技术问题。
6.针对上述的问题,目前尚未提出有效的j9九游会真人的解决方案。


技术实现要素:

7.本技术实施例提供了一种媒体信息的处理方法和装置、存储介质及电子设备,以至少解决相关技术中存在的为定向信息被禁止获取的部分用户在推荐媒体信息时,推荐准确率较低的技术问题。
8.根据本技术实施例的一个方面,提供了一种媒体信息的处理方法,包括:获取媒体信息发布请求,其中,所述媒体信息发布请求用于请求向目标帐号发布媒体信息;在所述目标帐号的定向信息被禁止获取的情况下,获取第一信息对集合,其中,所述第一信息对集合中的每个信息对包括所述媒体信息发布请求以及候选媒体信息集合中的一个候选媒体信息;根据所述第一信息对集合,确定所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度;根据所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度,从所述候选媒体信息集合中确定向所述目标帐号发布的目标媒体信息,并向所述目标帐号发布所述目标媒体信息。
9.可选地,所述根据所述第一信息对集合,确定所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度,包括:将所述第一信息对集合中的每个信息对输入到第一目标神经网络模型,得到所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度,其中,所述第一目标神经网络模型是是对第一待训练神经网络模型进行训练,直到第一对比损失函数满足预设的第一收敛条件所得到的模型,所述第一对比损失函数是所述每个候选媒体信息与所述媒体信息发布请求的损失函数。
10.可选地,所述在将所述第一信息对集合中的每个信息对输入到第一目标神经网络
模型,得到所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度之前,所述方法还包括:根据所述候选媒体信息集合和所述媒体信息发布请求构建第一正样本信息对集合和第一负样本信息对集合,其中,所述第一正样本信息对集合包括n个候选媒体信息中的每个候选媒体信息分别与所述媒体信息发布请求组成的样本信息对,所述n个候选媒体信息是对所述候选媒体信息集合按照质量参数的取值从大到小排序后的前n个候选媒体信息,所述第一负样本信息对集合包括m个候选媒体信息中的每个候选媒体信息分别与所述媒体信息发布请求组成的样本信息对,所述m个候选媒体信息是对所述候选媒体信息集合进行随机采样得到的m个候选媒体信息,n、m为正整数;根据所述第一正样本信息对集合和所述第一负样本信息对集合对所述第一待训练神经网络模型进行训练,直到所述第一对比损失函数满足预设的所述第一收敛条件,得到所述第一目标神经网络模型。
11.可选地,所述根据所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度,从所述候选媒体信息集合中确定向所述目标帐号发布的目标媒体信息,包括:在所述候选媒体信息集合中获取所述匹配度大于或等于预设匹配度阈值的候选媒体信息,得到第一召回媒体信息集合;根据所述第一召回媒体信息集合,确定向所述目标帐号发布的所述目标媒体信息。
12.可选地,所述方法还包括:在所述目标帐号的定向信息被禁止获取的情况下,获取第二信息对集合,其中,所述第二信息对集合中的每个信息对包括所述候选媒体信息集合中的两个候选媒体信息;根据所述第二信息对集合,确定所述候选媒体信息集合中的每两个候选媒体信息的相似度;所述根据所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度,从所述候选媒体信息集合中确定向所述目标帐号发布的目标媒体信息,包括:根据所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度、以及所述候选媒体信息集合中的每两个候选媒体信息的相似度,从所述候选媒体信息集合中确定向所述目标帐号发布的目标媒体信息。
13.可选地,所述根据所述第二信息对集合,确定所述候选媒体信息集合中的每两个候选媒体信息的相似度,包括:将所述第二信息对集合中的每个信息对输入到第二目标神经网络模型,得到所述候选媒体信息集合中的每两个候选媒体信息的相似度,其中,所述第二目标神经网络模型是对第二待训练神经网络模型进行训练,直到第二对比损失函数满足预设的第二收敛条件所得到的模型,所述第二对比损失函数是所述每两个候选媒体信息的损失函数。
14.可选地,所述在将所述第二信息对集合中的每个信息对输入到第二目标神经网络模型,得到所述候选媒体信息集合中的每两个候选媒体信息的相似度之前,所述方法还包括:根据所述候选媒体信息集合构建第二正样本信息对集合和第二负样本信息对集合,其中,所述第二正样本信息对集合包括第一候选媒体信息集合中的候选媒体信息和第二候选媒体信息集合中的候选媒体信息组成的样本信息对,所述第一候选媒体信息集合包括所述候选媒体信息集合中预先确定的候选媒体信息,所述第二候选媒体信息集合包括对所述第一候选媒体信息集合执行预设的第一丢弃操作后得到的候选媒体信息,所述第二负样本信息对集合包括第三候选媒体信息集合中的候选媒体信息和第四候选媒体信息集合中的候选媒体信息组成的样本信息对,所述第三候选媒体信息集合包括对所述候选媒体信息集合进行随机采样得到的候选媒体信息,所述第四候选媒体信息集合包括对所述第三候选媒体
信息集合执行预设的第二丢弃操作后得到的媒体信息;根据所述第二正样本信息对集合和所述第二负样本信息对集合对第二待训练神经网络模型进行训练,得到所述第二目标神经网络模型。
15.可选地,所述根据所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度、以及所述候选媒体信息集合中的每两个候选媒体信息的相似度,从所述候选媒体信息集合中确定向所述目标帐号发布的目标媒体信息,包括:在所述候选媒体信息集合中获取所述匹配度大于或等于预设匹配度阈值的候选媒体信息,得到第一召回媒体信息集合;在所述第一召回媒体信息集合中确定所述相似度大于或等于预设相似度阈值的候选媒体信息,得到第二召回媒体信息集合;根据所述第二召回媒体信息集合,确定向所述目标帐号发布的所述目标媒体信息。
16.可选地,所述根据所述第一召回媒体信息集合,确定向所述目标帐号发布的所述目标媒体信息,包括:响应于所述媒体信息发布请求,通过预设的多种查找方式,查找与所述媒体信息发布请求对应的n个召回媒体信息集合,其中,n为大于或等于1的正整数;将所述第一召回媒体信息集合与所述n个召回媒体信息集合进行定向过滤,得到n 1个召回媒体信息集合;根据预设的处理数量确定所述n 1召回媒体信息集合中的各个召回媒体信息集合对应待选取的媒体信息的数量,其中,所述处理数量表示与所述媒体信息发布请求对应的允许处理的媒体信息的数量;按照所述各个召回媒体信息集合对应待选取的媒体信息的数量,从所述n 1召回媒体信息集合中的各个召回媒体信息集合中选择对应数量的媒体信息,得到n 1个媒体信息子集,其中,从所述n 1召回媒体信息集合中的各个召回媒体信息集合中选择的媒体信息的总数量为所述处理数量;在所述n 1个媒体信息子集中确定所述目标媒体信息。
17.根据本技术实施例的另一方面,还提供了一种媒体信息的处理装置,包括:
18.第一获取模块,用于获取媒体信息发布请求,其中,所述媒体信息发布请求用于请求向目标帐号发布媒体信息;
19.第二获取模块,用于在所述目标帐号的定向信息被禁止获取的情况下,获取第一信息对集合,其中,所述第一信息对集合中的每个信息对包括所述媒体信息发布请求以及候选媒体信息集合中的一个候选媒体信息;
20.确定模块,用于根据所述第一信息对集合,确定所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度;
21.处理模块,用于根据所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度,从所述候选媒体信息集合中确定向所述目标帐号发布的目标媒体信息,并向所述目标帐号发布所述目标媒体信息。
22.可选地,所述确定模块,包括:
23.处理单元,用于将所述第一信息对集合中的每个信息对输入到第一目标神经网络模型,得到所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度,其中,所述第一目标神经网络模型是是对第一待训练神经网络模型进行训练,直到第一对比损失函数满足预设的第一收敛条件所得到的模型,所述第一对比损失函数是所述每个候选媒体信息与所述媒体信息发布请求的损失函数。
24.可选地,所述装置还用于:
25.在将所述第一信息对集合中的每个信息对输入到第一目标神经网络模型,得到所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度之前,根据所述候选媒体信息集合和所述媒体信息发布请求构建第一正样本信息对集合和第一负样本信息对集合,其中,所述第一正样本信息对集合包括n个候选媒体信息中的每个候选媒体信息分别与所述媒体信息发布请求组成的样本信息对,所述n个候选媒体信息是对所述候选媒体信息集合按照质量参数的取值从大到小排序后的前n个候选媒体信息,所述第一负样本信息对集合包括m个候选媒体信息中的每个候选媒体信息分别与所述媒体信息发布请求组成的样本信息对,所述m个候选媒体信息是对所述候选媒体信息集合进行随机采样得到的m个候选媒体信息,n、m为正整数;根据所述第一正样本信息对集合和所述第一负样本信息对集合对所述第一待训练神经网络模型进行训练,直到所述第一对比损失函数满足预设的所述第一收敛条件,得到所述第一目标神经网络模型。
26.可选地,所述装置用于通过如下方式根据所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度,从所述候选媒体信息集合中确定向所述目标帐号发布的目标媒体信息:在所述候选媒体信息集合中获取所述匹配度大于或等于预设匹配度阈值的候选媒体信息,得到第一召回媒体信息集合;根据所述第一召回媒体信息集合,确定向所述目标帐号发布的所述目标媒体信息。
27.可选地,所述装置还用于:在所述目标帐号的定向信息被禁止获取的情况下,获取第二信息对集合,其中,所述第二信息对集合中的每个信息对包括所述候选媒体信息集合中的两个候选媒体信息;根据所述第二信息对集合,确定所述候选媒体信息集合中的每两个候选媒体信息的相似度;所述装置用于通过如下方式根据所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度,从所述候选媒体信息集合中确定向所述目标帐号发布的目标媒体信息:根据所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度、以及所述候选媒体信息集合中的每两个候选媒体信息的相似度,从所述候选媒体信息集合中确定向所述目标帐号发布的目标媒体信息。
28.可选地,所述装置用于通过如下方式根据所述第二信息对集合,确定所述候选媒体信息集合中的每两个候选媒体信息的相似度:将所述第二信息对集合中的每个信息对输入到第二目标神经网络模型,得到所述候选媒体信息集合中的每两个候选媒体信息的相似度,其中,所述第二目标神经网络模型是对第二待训练神经网络模型进行训练,直到第二对比损失函数满足预设的第二收敛条件所得到的模型,所述第二对比损失函数是所述每两个候选媒体信息的损失函数。
29.可选地,所述装置还用于:所述在将所述第二信息对集合中的每个信息对输入到第二目标神经网络模型,得到所述候选媒体信息集合中的每两个候选媒体信息的相似度之前,根据所述候选媒体信息集合构建第二正样本信息对集合和第二负样本信息对集合,其中,所述第二正样本信息对集合包括第一候选媒体信息集合中的候选媒体信息和第二候选媒体信息集合中的候选媒体信息组成的样本信息对,所述第一候选媒体信息集合包括所述候选媒体信息集合中预先确定的候选媒体信息,所述第二候选媒体信息集合包括对所述第一候选媒体信息集合执行预设的第一丢弃操作后得到的候选媒体信息,所述第二负样本信息对集合包括第三候选媒体信息集合中的候选媒体信息和第四候选媒体信息集合中的候选媒体信息组成的样本信息对,所述第三候选媒体信息集合包括对所述候选媒体信息集合
进行随机采样得到的候选媒体信息,所述第四候选媒体信息集合包括对所述第三候选媒体信息集合执行预设的第二丢弃操作后得到的媒体信息;根据所述第二正样本信息对集合和所述第二负样本信息对集合对第二待训练神经网络模型进行训练,得到所述第二目标神经网络模型。
30.可选地,所述装置用于通过如下方式根据所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度、以及所述候选媒体信息集合中的每两个候选媒体信息的相似度,从所述候选媒体信息集合中确定向所述目标帐号发布的目标媒体信息:在所述候选媒体信息集合中获取所述匹配度大于或等于预设匹配度阈值的候选媒体信息,得到第一召回媒体信息集合;在所述第一召回媒体信息集合中确定所述相似度大于或等于预设相似度阈值的候选媒体信息,得到第二召回媒体信息集合;根据所述第二召回媒体信息集合,确定向所述目标帐号发布的所述目标媒体信息。
31.可选地,所述装置用于通过如下方式根据所述第一召回媒体信息集合,确定向所述目标帐号发布的所述目标媒体信息:响应于所述媒体信息发布请求,通过预设的多种查找方式,查找与所述媒体信息发布请求对应的n个召回媒体信息集合,其中,n为大于或等于1的正整数;将所述第一召回媒体信息集合与所述n个召回媒体信息集合进行定向过滤,得到n 1个召回媒体信息集合;根据预设的处理数量确定所述n 1召回媒体信息集合中的各个召回媒体信息集合对应待选取的媒体信息的数量,其中,所述处理数量表示与所述媒体信息发布请求对应的允许处理的媒体信息的数量;按照所述各个召回媒体信息集合对应待选取的媒体信息的数量,从所述n 1召回媒体信息集合中的各个召回媒体信息集合中选择对应数量的媒体信息,得到n 1个媒体信息子集,其中,从所述n 1召回媒体信息集合中的各个召回媒体信息集合中选择的媒体信息的总数量为所述处理数量;在所述n 1个媒体信息子集中确定所述目标媒体信息。
32.根据本技术实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述媒体信息的处理方法。
33.根据本技术实施例的又一方面,提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行如以上媒体信息的处理方法。
34.根据本技术实施例的又一方面,还提供了一种电子设备,包括存储器和处理器,上述存储器中存储有计算机程序,上述处理器被设置为通过所述计算机程序执行上述的媒体信息的处理方法。
35.在本技术实施例中,采用获取媒体信息发布请求,其中,媒体信息发布请求用于请求向目标帐号发布媒体信息;在目标帐号的定向信息被禁止获取的情况下,获取第一信息对集合,其中,第一信息对集合中的每个信息对包括媒体信息发布请求以及候选媒体信息集合中的一个候选媒体信息;根据第一信息对集合,确定候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度;根据候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度,从候选媒体信息集合中确定向目标帐号发布的目标媒体信息,并向目标帐号发布目标媒体信息的方式,通过确定目标帐号是否允许获取定向信息,当
目标帐号禁止被获取定向信息时,通过获取第一信息对集合,计算候选媒体信息集合中每个媒体信息和媒体信息发布请求的匹配度,进而,根据匹配度从候选媒体信息集合中确定向目标帐号发布的目标媒体信息,达到了能够为禁止被获取定向信息的目标帐号发布合适的媒体信息的目的,从而实现了提高为定向信息被禁止获取的部分用户推荐的媒体信息的准确率,优化该部分用户的媒体信息发布体验的技术效果,进而解决了相关技术中存在的为定向信息被禁止获取的部分用户在推荐媒体信息时,推荐准确率较低的技术问题。
附图说明
36.此处所说明的附图用来提供对本技术的进一步理解,构成本技术的一部分,本技术的示意性实施例及其说明用于解释本技术,并不构成对本技术的不当限定。在附图中:
37.图1是根据本技术实施例的一种可选的媒体信息的处理方法的应用环境的示意图;
38.图2是根据本技术实施例的一种可选的媒体信息的处理方法的流程示意图;
39.图3是根据本技术实施例的一种可选的媒体信息的处理方法的示意图;
40.图4是根据本技术实施例的又一种可选的媒体信息的处理方法的示意图;
41.图5是根据本技术实施例的又一种可选的媒体信息的处理方法的示意图;
42.图6是根据本技术实施例的又一种可选的媒体信息的处理方法的示意图;
43.图7是根据本技术实施例的又一种可选的媒体信息的处理方法的示意图;
44.图8是根据本技术实施例的又一种可选的媒体信息的处理方法的示意图;
45.图9是根据本技术实施例的又一种可选的媒体信息的处理方法的示意图;
46.图10是根据本技术实施例的一种可选的媒体信息的处理装置的结构示意图;
47.图11是根据本技术实施例的一种可选的媒体信息的处理产品的结构示意图;
48.图12是根据本技术实施例的一种可选的电子设备的结构示意图。
具体实施方式
49.为了使本技术领域的人员更好地理解本技术方案,下面将结合本技术实施例中的附图,对本技术实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本技术一部分的实施例,而不是全部的实施例。基于本技术中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本技术保护的范围。
50.需要说明的是,本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
51.首先,在对本技术实施例进行描述的过程中出现的部分名词或者术语适用于如下解释:
52.原始定向:广告主在使用智能定向功能(含自动扩量、系统优选)之外,自主设定的定向组合条件。
53.不可突破定向:又称不可忽略定向,是广告主自主设定无论如何必须满足的定向条件。
54.自动扩量:在广告主手动选择精准窄定向基础上,系统做智能扩量。
55.系统优选:在广告主手动选择通投宽定向基础上,系统做智能调量。
56.lookalike:在广告主给定少量高质量人群包(老客)基础上,系统自动拓展更大规模的相似人群(潜在新客)。
57.广告集中度问题:又称头部广告问题,主要体现在不同用户都倾向于检索召回同一批少量的广告集合,导致其他广告没有曝光机会。
58.下面结合实施例对本技术进行说明:
59.根据本技术实施例的一个方面,提供了一种媒体信息的处理方法,可选地,在本实施例中,上述媒体信息的处理方法可以应用于如图1所示的由服务器101和终端设备103所构成的硬件环境中。如图1所示,服务器101通过网络与终端103进行连接,可用于为终端设备或终端设备上安装的应用程序提供服务,应用程序可以是视频应用程序、即时通信应用程序、浏览器应用程序、教育应用程序、游戏应用程序等。可在服务器上或独立于服务器设置数据库105,用于为服务器101提供数据存储服务,例如,游戏数据存储服务器,上述网络可以包括但不限于:有线网络,无线网络,其中,该有线网络包括:局域网、城域网和广域网,该无线网络包括:蓝牙、wifi及其他实现无线通信的网络,终端设备103可以是配置有应用程序的终端,可以包括但不限于以下至少之一:手机(如android手机、ios手机等)、笔记本电脑、平板电脑、掌上电脑、mid(mobile internet devices,移动互联网设备)、pad、台式电脑、智能电视、智能语音交互设备、智能家电、车载终端、飞行器等计算机设备,上述服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群,或者是云服务器,使用上述媒体信息的处理方法的应用程序107通过终端设备103或其他连接的显示设备进行显示。
60.结合图1所示,上述媒体信息的处理方法可以由终端设备103和服务器101共同实现,可以包括但不限于通过如下步骤实现:
61.s1,服务器101(媒体信息发布平台)获取终端设备103上的媒体信息发布请求,其中,媒体信息发布请求用于请求向目标帐号发布媒体信息;
62.s2,在目标帐号的定向信息被禁止获取的情况下,服务器101(媒体信息发布平台)获取第一信息对集合,其中,第一信息对集合中的每个信息对包括媒体信息发布请求以及候选媒体信息集合中的一个候选媒体信息;
63.s3,服务器101(媒体信息发布平台)根据第一信息对集合,确定候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度;
64.s4,服务器101(媒体信息发布平台)根据候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度,从候选媒体信息集合中确定向目标帐号发布的目标媒体信息,并向终端设备103上登录的目标帐号发布目标媒体信息。
65.可选地,在本实施例中,上述媒体信息的处理方法还可以通过服务器实现,例如,图1所示的服务器101中实现;或由终端设备103实现,例如,图1所示的终端设备103。
66.上述仅是一种示例,本实施例不做具体的限定。
67.可选地,作为一种可选的实施方式,如图2所示,上述媒体信息的处理方法包括:
68.s202,获取媒体信息发布请求,其中,媒体信息发布请求用于请求向目标帐号发布媒体信息;
69.s204,在目标帐号的定向信息被禁止获取的情况下,获取第一信息对集合,其中,第一信息对集合中的每个信息对包括媒体信息发布请求以及候选媒体信息集合中的一个候选媒体信息;
70.s206,根据第一信息对集合,确定候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度;
71.s208,根据候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度,从候选媒体信息集合中确定向目标帐号发布的目标媒体信息,并向目标帐号发布目标媒体信息。
72.可选的,在本技术实施例中,上述媒体信息的处理方法的应用场景可以包括但不限于医疗、金融、交通、游戏等多种场景的媒体信息的处理场景之中。
73.可选的,在本技术实施例中,上述媒体信息的处理方法可以包括但不限于应用于广告系统平台根据广告的出价,在广告系统平台提供的广告位上发布对应的广告(媒体信息)的场景。
74.可选的,在本技术实施例中,上述媒体信息可以包括但不限于以线上或线下的形式,发布的广告、短视频、素材等。
75.可选的,在本技术实施例中,上述目标帐号可以包括但不限于用户在媒体信息发布应用登录的帐号,当用户所在终端需要在预设位置发布媒体信息时,生成上述媒体信息发布请求,并向媒体信息发布平台的服务器发送上述媒体信息发布请求。
76.需要说明的是,上述媒体信息发布请求的数量不做限定,可以包括但不限于同时获取多个请求向目标帐号发布媒体信息的媒体信息发布请求。
77.可选的,在本技术实施例中,图3是根据本技术实施例的一种可选的媒体信息的处理方法的示意图,如图3所示,上述获取媒体信息发布请求的方式可以包括但不限于在目标帐号所在终端的显示界面上配置目标发布位置302,一组发布位置304以及终端设备显示界面306,在终端设备显示界面306上显示有一组发布位置304,当目标帐号在终端设备的显示界面上对交互按钮执行预设触控操作后,将在一组发布位置304中的目标发布位置302发布上述媒体信息。
78.可选的,在本技术实施例中,上述定向信息可以包括但不限于根据用户的画像数据生成的定向标签,该定向标签可以与候选媒体信息库中的候选媒体信息进行匹配,以通过定向标签召回具有关联关系的媒体信息。
79.例如,上述定向信息可以包括但不限于如下内容:
80.1)目标帐号的行为兴趣定向标签。
81.目标帐号已经存在一套目标帐号行为兴趣定向标签体系,然后,将媒体信息也对应打上该套标签体系中的标签。在媒体信息发布请求发生时,能够召回直接匹配的媒体信息。例如,某个媒体信息打上了“武侠游戏爱好者”这个标签,然后某次媒体信息发布请求对应的目标帐号也被打上了这个标签,则这个媒体信息在本次媒体信息发布请求中被召回。
82.2)自动绑定app安装定向标签。
83.为某个app寻找类似的其他app,如果某个目标帐号安装了该app,则当该目标帐号发送媒体信息发布请求时,召回与其安装的app类似的其他app对应的媒体信息。
84.3)自动绑定自定义人群定向标签。
85.为媒体信息绑定上其对应的媒体信息发布者的优质人群包。
86.4)自动绑定已转化人群高tgi定向标签。
87.首先对于已转化人群的定义上。如果单看这个媒体信息的已转化人群,则比较稀疏。所以会按照一定的规律做回退。一般来说,回退的优先级如下:媒体信息-》商品-》媒体信息发布者-》行业。即先看同媒体信息的已转化人群是否充分,否则回退到同商品的已转化人群,依次类推。其中,高tgi定向标签,指的是在已转化人群中此定向标签的占比较大。
88.tgi(target group index)指数,是反映目标帐号在特定研究范围(如地理区域、人口统计领域、媒体受众、产品消费者)内的强势或弱势的指数。
89.需要说明的是,上述定向信息是目标帐号可以设置为禁止获取的定向信息,例如,目标帐号可以设置禁止获取目标帐号对某个页面的浏览次数,可以设置禁止获取目标帐号对某个类别的商品的购买次数等。
90.可选的,在本技术实施例中,上述第一信息对集合可以包括但不限于由上述媒体信息发布请求和候选媒体信息集合中每个候选媒体信息组成的信息对。
91.例如,以媒体信息是广告为例,则上述第一信息对集合中的信息对可以包括但不限于(目标帐号,广告),上述广告即为候选媒体信息集合中的每个广告,以候选媒体信息集合中包括广告a,广告b和广告c时,则上述第一信息对集合包括信息对(目标帐号,广告a)、信息对(目标帐号,广告b)以及信息对(目标帐号,广告c)。
92.可选的,在本技术实施例中,上述候选媒体信息集合可以包括但不限于由系统或服务器预先配置的候选媒体信息集合,具体而言,可以包括但不限于全库媒体信息,以及扩量媒体信息,上述全库媒体信息可以包括但不限于媒体信息库的全部媒体信息,上述扩量媒体信息可以包括但不限于媒体信息发布者在选择定向信息后,系统根据该定向信息进行智能扩量后得到的媒体信息。
93.可选的,在本技术实施例中,上述根据第一信息对集合,确定候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度可以包括但不限于将上述第一信息对集合中的信息对输入预设神经网络模型,得到的匹配度,上述匹配度用于表示上述第一信息对集合中的信息对所包括的媒体信息发布请求与候选媒体信息之间的匹配度,上述预设神经网络模型可以包括但不限于对比表示学习模型,该对比表示学习模型可以拉近媒体信息发布请求与匹配度较高的候选媒体信息之间的距离,拉远媒体信息发布请求与其他匹配度较低的候选媒体信息之间的距离。
94.需要说明的是,上述对比表示学习模型可以包括但不限于为一种knn(k-nearestneighbor,邻近算法)模型,其中,knn模型的核心思想是,如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。knn方法在类别决策时,只与极少量的相邻样本有关。由于knn方法主要靠周围有限的邻近的样本,而不是靠判别类域的方法来确定所属类别的,因此对于类域的交叉或重叠较多的待分样本集来说,knn方法较其他方法更为适合。
95.例如,以第一信息对集合包括(目标帐号,广告a)、信息对(目标帐号,广告b)以及信息对(目标帐号,广告c)为例,将上述第一信息对集合分别输入上述预设神经网络模型,通过获取目标帐号分别与广告a、广告b和广告c之间的距离,进而确定上述目标帐号与广告a、广告b和广告c之间的匹配度。
96.可选的,在本技术实施例中,上述根据候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度,从候选媒体信息集合中确定向目标帐号发布的目标媒体信息可以包括但不限于根据媒体信息发布请求确定目标媒体信息的数量,进而,选择对应数量的,匹配度排序靠前的候选媒体信息作为上述目标媒体信息。
97.可选的,在本技术实施例中,图4是根据本技术实施例的另一种可选的媒体信息的处理方法的示意图,如图4所示,以媒体信息是广告为例,现有广告召回过程中,可以包括但不限于如下步骤:
98.s1,对全库广告执行targetingsearch定向标签召回,按hit_mask抽取广告队列,命中原始定向,且未命中tag支路,进行topk截断,再与命中tag支路的广告进行队列合并;
99.s2,对扩量广告进行ann模型召回(lookalike多兴趣模型行业模型),对扩量广告进行car模型召回(深度检索模型),对扩量广告进行kv召回,再统一进行不可突破定向过滤,最后对检索到的全部广告进行队列合并;
100.s3,将s1和s2得到的广告队列进行合并;
101.s4,对合并后的广告队列执行cutlib(预排序截断、聚量优选);
102.s5,粗排;
103.s6,精排。
104.在图4框体内的部分召回流程,不管是定向标签召回,还是后续的模型召回,都依赖用户的定向信息,在用户禁止被获取定向信息的情况下,该方案无法生成有效的广告队列。
105.关闭个性化的用户很难召回广告,因此,可以包括但不限于预估一些重要的对象画像信息,用以填充空白。例如,图5是根据本技术实施例的又一种可选的媒体信息的处理方法的示意图,如图5所示,但是,图5示出的预估对象画像信息很容易出现偏差,一旦出现偏差之后,召回广告的匹配度就会下降。
106.因此,针对关闭个性化的用户,可以完成由基于定向匹配的召回升级到基于算法匹配的召回。
107.例如,图6是根据本技术实施例的又一种可选的媒体信息的处理方法的示意图,如图6所示,算法匹配召回是通过从广告库中寻找与输入请求相匹配的广告,从全库广告中,计算用户与广告的适合程度,根据排序召回广告,而不是直接通过定向去寻找定向匹配的广告。
108.因此,针对允许被获取定向信息的用户和禁止被获取定向信息的用户可以包括但不限于通过如下步骤确定上述目标媒体信息:
109.例如,图7是根据本技术实施例的又一种可选的媒体信息的处理方法的示意图,如图7所示,其中,普通用户即为允许被获取定向信息的用户,关闭个性化用户即为禁止被获取定向信息的用户,通过构建链路一致性模型rcl-ltr,完成从全库广告中搜索与当前媒体信息发布请求的匹配度满足预设条件的广告的目的。
110.通过本技术实施例,采用获取媒体信息发布请求,其中,媒体信息发布请求用于请求向目标帐号发布媒体信息;在目标帐号的定向信息被禁止获取的情况下,获取第一信息对集合,其中,第一信息对集合中的每个信息对包括媒体信息发布请求以及候选媒体信息集合中的一个候选媒体信息;根据第一信息对集合,确定候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度;根据候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度,从候选媒体信息集合中确定向目标帐号发布的目标媒体信息,并向目标帐号发布目标媒体信息的方式,通过确定目标帐号是否允许获取定向信息,当目标帐号禁止被获取定向信息时,通过获取第一信息对集合,计算候选媒体信息集合中每个媒体信息和媒体信息发布请求的匹配度,进而,根据匹配度从候选媒体信息集合中确定向目标帐号发布的目标媒体信息,达到了能够为禁止被获取定向信息的目标帐号发布合适的媒体信息的目的,从而实现了提高为定向信息被禁止获取的部分用户推荐的媒体信息的准确率,优化该部分用户的媒体信息发布体验的技术效果,进而解决了相关技术中存在的为定向信息被禁止获取的部分用户在推荐媒体信息时,推荐准确率较低的技术问题。
111.作为一种可选的方案,根据第一信息对集合,确定候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度,包括:
112.将第一信息对集合中的每个信息对输入到第一目标神经网络模型,得到候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度,其中,第一目标神经网络模型是是对第一待训练神经网络模型进行训练,直到第一对比损失函数满足预设的第一收敛条件所得到的模型,第一对比损失函数是每个候选媒体信息与媒体信息发布请求的损失函数。
113.可选的,在本技术实施例中,上述第一目标神经网络模型可以包括大不限于一种对比表示学习模型,具体而言,是一种有监督学习的神经网络模型,上述第一对比损失函数可以包括但不限于如下内容:
[0114][0115]
其中,q是媒体信息发布请求,k表示候选媒体信息集合中的媒体信息。
[0116]
通过输入第一信息对集合,根据上述第一对比损失函数确定第一信息对集合中每个信息对中媒体信息发布请求和候选媒体信息的匹配度。
[0117]
作为一种可选的方案,在将第一信息对集合中的每个信息对输入到第一目标神经网络模型,得到候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度之前,上述方法还包括:
[0118]
根据候选媒体信息集合和媒体信息发布请求构建第一正样本信息对集合和第一负样本信息对集合,其中,第一正样本信息对集合包括n个候选媒体信息中的每个候选媒体信息分别与媒体信息发布请求组成的样本信息对,n个候选媒体信息是对候选媒体信息集合按照质量参数的取值从大到小排序后的前n个候选媒体信息,第一负样本信息对集合包括m个候选媒体信息中的每个候选媒体信息分别与媒体信息发布请求组成的样本信息对,m个候选媒体信息是对候选媒体信息集合进行随机采样得到的m个候选媒体信息,n、m为正整数;
[0119]
根据第一正样本信息对集合和第一负样本信息对集合对第一待训练神经网络模型进行训练,直到第一对比损失函数满足预设的第一收敛条件,得到第一目标神经网络模型。
[0120]
可选的,在本技术实施例中,上述第一正样本信息对集合可以包括但不限于将候选媒体信息集合中按照质量参数的取值从大到小排序后的前n个候选媒体信息作为上述第一正样本信息对中的候选媒体信息,将候选媒体信息集合中随机采样得到m个候选媒体信息作为上述第一负样本信息对中的候选媒体信息。
[0121]
可选的,在本技术实施例中,上述根据第一正样本信息对集合和第一负样本信息对集合对第一待训练神经网络模型进行训练的训练目标为候选媒体信息在精排阶段之后topn个媒体信息的胜出率,其中,topn个媒体信息的胜出率表示topn个媒体信息在所参与的竞价排序中,能够胜出得到展现的概率。
[0122]
作为一种可选的方案,根据候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度,从候选媒体信息集合中确定向目标帐号发布的目标媒体信息,包括:
[0123]
在候选媒体信息集合中获取匹配度大于或等于预设匹配度阈值的候选媒体信息,得到第一召回媒体信息集合;
[0124]
根据第一召回媒体信息集合,确定向目标帐号发布的目标媒体信息。
[0125]
可选的,在本技术实施例中,上述预设匹配度阈值可以但不限于由工作人员预先设定,还可以包括但不限于由算法模型灵活调整,例如,工作人员预先配置第一召回媒体信息集合的媒体信息数量为p个,则将匹配度排序前p个媒体信息作为上述第一召回媒体信息集合中的媒体信息。
[0126]
作为一种可选的方案,
[0127]
方法还包括:在目标帐号的定向信息被禁止获取的情况下,获取第二信息对集合,其中,第二信息对集合中的每个信息对包括候选媒体信息集合中的两个候选媒体信息;根据第二信息对集合,确定候选媒体信息集合中的每两个候选媒体信息的相似度;
[0128]
根据候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度,从候选媒体信息集合中确定向目标帐号发布的目标媒体信息,包括:根据候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度、以及候选媒体信息集合中的每两个候选媒体信息的相似度,从候选媒体信息集合中确定向目标帐号发布的目标媒体信息。
[0129]
可选的,在本技术实施例中,上述第二信息对集合中的每个信息对由候选媒体信息集合中的两个媒体信息组成,上述第二信息对集合用于确定两个候选媒体信息的一致性和均衡性。
[0130]
可选的,在本技术实施例中,上述根据候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度、以及候选媒体信息集合中的每两个候选媒体信息的相似度,从候选媒体信息集合中确定向目标帐号发布的目标媒体信息可以包括但不限于在候选媒体信息集合中两个候选媒体信息的匹配度均大于或等于预设匹配度阈值时,相似度也大于或等于预设匹配度阈值时,才将上述两个候选媒体信息作为向目标帐号发布的目标媒体信息。
[0131]
通过本技术实施例,采用在目标帐号的定向信息被禁止获取的情况下,获取第二信息对集合,其中,第二信息对集合中的每个信息对包括候选媒体信息集合中的两个候选
媒体信息;根据第二信息对集合,确定候选媒体信息集合中的每两个候选媒体信息的相似度,根据候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度,从候选媒体信息集合中确定向目标帐号发布的目标媒体信息,包括:根据候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度、以及候选媒体信息集合中的每两个候选媒体信息的相似度,从候选媒体信息集合中确定向目标帐号发布的目标媒体信息的方式,通过确定候选媒体信息集合中每两个媒体信息之间的相似度,进而,能够达到为目标帐号发布相似地多个目标媒体信息的目的,从而实现了提高为定向信息被禁止获取的部分用户推荐的媒体信息的准确率,优化该部分用户的媒体信息发布体验的技术效果,进而解决了相关技术中存在的为定向信息被禁止获取的部分用户在推荐媒体信息时,推荐准确率较低的技术问题。
[0132]
作为一种可选的方案,根据第二信息对集合,确定候选媒体信息集合中的每两个候选媒体信息的相似度,包括:
[0133]
将第二信息对集合中的每个信息对输入到第二目标神经网络模型,得到候选媒体信息集合中的每两个候选媒体信息的相似度,其中,第二目标神经网络模型是对第二待训练神经网络模型进行训练,直到第二对比损失函数满足预设的第二收敛条件所得到的模型,第二对比损失函数是每两个候选媒体信息的损失函数。
[0134]
可选的,在本技术实施例中,上述第二目标神经网络模型可以包括大不限于一种对比表示学习模型,具体而言,是一种自监督学习的神经网络模型,上述第二对比损失函数可以包括但不限于如下内容:
[0135][0136]
其中,q是媒体信息发布请求,k表示候选媒体信息集合中的媒体信息。
[0137]
通过输入第二信息对集合,根据上述第二对比损失函数确定第二信息对集合中每个信息对中两个候选媒体信息的相似度,进而,通过如下公式确定候选媒体信息集合中的候选媒体信息的一致性和均衡性:
[0138]
一致性的要求是两个相似的媒体信息,其向量表示的距离应该尽可能相近:
[0139][0140]
均衡性的要求是两个媒体信息应该均衡的分布在向量空间中:
[0141][0142]
作为一种可选的方案,在将第二信息对集合中的每个信息对输入到第二目标神经网络模型,得到候选媒体信息集合中的每两个候选媒体信息的相似度之前,方法还包括:
[0143]
根据候选媒体信息集合构建第二正样本信息对集合和第二负样本信息对集合,其中,第二正样本信息对集合包括第一候选媒体信息集合中的候选媒体信息和第二候选媒体信息集合中的候选媒体信息组成的样本信息对,第一候选媒体信息集合包括候选媒体信息集合中预先确定的候选媒体信息,第二候选媒体信息集合包括对第一候选媒体信息集合执行预设的第一丢弃操作后得到的候选媒体信息,第二负样本信息对集合包括第三候选媒体信息集合中的候选媒体信息和第四候选媒体信息集合中的候选媒体信息组成的样本信息
对,第三候选媒体信息集合包括对候选媒体信息集合进行随机采样得到的候选媒体信息,第四候选媒体信息集合包括对第三候选媒体信息集合执行预设的第二丢弃操作后得到的媒体信息;
[0144]
根据第二正样本信息对集合和第二负样本信息对集合对第二待训练神经网络模型进行训练,得到第二目标神经网络模型。
[0145]
可选的,在本技术实施例中,上述第二正样本信息对集合中的正样本信息对可以包括但不限于将预先确定的媒体信息以及对该媒体信息进行dropout(第一丢弃操作)后得到的媒体信息组成的信息对,上述第二负样本信息对集合中的负样本信息对可以包括但不限于将预先确定的媒体信息以及对候选媒体信息集合中随机采样得到的候选媒体信息进行dropout(第二丢弃操作)后得到的媒体信息组成的信息对。
[0146]
需要说明的是,上述第一丢弃操作和上述第二丢弃操作可以相同或者不同,上述dropout是指在神经网络模型的训练过程中,对于神经网络单元,按照一定的概率将其暂时从神经网络模型中丢弃,避免神经网络模型在计算过程中的过拟合。
[0147]
可选的,在本技术实施例中,上述根据第二正样本信息对集合和第二负样本信息对集合对第二待训练神经网络模型进行训练的训练目标为候选媒体信息集合中的候选媒体信息的一致性和均衡性。一致性表示两个相似的候选媒体信息的向量表示的距离应该尽可能相近,均衡性表示候选媒体信息的向量表示应该均衡的分布在向量空间。
[0148]
作为一种可选的方案,根据候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度、以及候选媒体信息集合中的每两个候选媒体信息的相似度,从候选媒体信息集合中确定向目标帐号发布的目标媒体信息,包括:
[0149]
在候选媒体信息集合中获取匹配度大于或等于预设匹配度阈值的候选媒体信息,得到第一召回媒体信息集合;
[0150]
在第一召回媒体信息集合中确定相似度大于或等于预设相似度阈值的候选媒体信息,得到第二召回媒体信息集合;
[0151]
根据第二召回媒体信息集合,确定向目标帐号发布的目标媒体信息。
[0152]
可选的,在本技术实施例中,上述预设相似度阈值可以但不限于由工作人员预先设定,还可以包括但不限于由算法模型灵活调整,例如,工作人员预先配置第二召回媒体信息集合的媒体信息数量为q个,则将相似度排序前q个媒体信息作为上述第二召回媒体信息集合中的媒体信息。
[0153]
作为一种可选的方案,根据第一召回媒体信息集合,确定向目标帐号发布的目标媒体信息,包括:
[0154]
响应于媒体信息发布请求,通过预设的多种查找方式,查找与媒体信息发布请求对应的n个召回媒体信息集合,其中,n为大于或等于1的正整数;
[0155]
将第一召回媒体信息集合与n个召回媒体信息集合进行定向过滤,得到n 1个召回媒体信息集合;
[0156]
根据预设的处理数量确定n 1召回媒体信息集合中的各个召回媒体信息集合对应待选取的媒体信息的数量,其中,处理数量表示与媒体信息发布请求对应的允许处理的媒体信息的数量;
[0157]
按照各个召回媒体信息集合对应待选取的媒体信息的数量,从n 1召回媒体信息
集合中的各个召回媒体信息集合中选择对应数量的媒体信息,得到n 1个媒体信息子集,其中,从n 1召回媒体信息集合中的各个召回媒体信息集合中选择的媒体信息的总数量为处理数量;
[0158]
在n 1个媒体信息子集中确定目标媒体信息。
[0159]
可选的,在本技术实施例中,如图7所示,上述多种查找方式可以包括但不限于ann模型召回、car模型召回、kv召回、tag召回等。
[0160]
其中,ann模型召回是模拟广告主挖掘人群包,通过历史数据观察确定高转化人群,有着比较好的投放效益。ann即为人工神经网络,建立一个人工神经网络模型,利用此模型去估计广告和用户的匹配程度。图8是根据本技术实施例的又一种可选的媒体信息的处理方法的示意图,如图8所示,此模型通常可以抽象为p(1|user,context,ad)概率估计问题,即在一种事先定义好的目标下,某个用户在在某个上下文环境下看到某个广告时,这个目标发生的概率是有多大。该目标通常情况下可以是广告的点击率,点击转化率,曝光转化率,也可以是多种不同的预定义目标分别建模,构建成不同的ann触发支路,然后多条支路联合作用。由此可以看出ann触发支路策略,本质上就是构建点击率模型、点击转化率模型、曝光转化率模型等经典模型,然后利用上述模型去判断用户与广告是否匹配。可以认为用户点击这个广告的概率越大,可能用户与此广告越匹配;用户转化这个广告的概率越大,可能用户与此广告越匹配。
[0161]
具体而言,可以通过搜集各类特征,包括对象特征、上下文特征、广告特征等,通过利用这些特征,构建相应的目标预估模型,通常情况下模型的结构是双塔结构,用户与上下文在一塔,广告自成一塔,上下文信息只在用户这一侧出现,并没有出现在广告侧。也就意味着默认用户这一侧的信息跟上下文有关,可能是随着上下文变动而变动的动态特征。而广告这一侧的信息是跟上下文无关,也就是静态的特征。上下文特征具体细化方式,从优化效果的目的出发,能有很多种不同的做法,离线截断通过训练,获取到用户这一塔的模型结构和参数;以及广告这一侧的每个广告的embedding向量,在线预测的时候,针对某次请求的用户和上下文得到基于上下文的用户embedding向量,利用此向量,从广告embedding向量中寻找与此向量相似的若干个向量对应的广告作为召回广告。
[0162]
其中,tag模型召回是模拟广告主选择定向标签。广告主会根据自己的广告有可能的受众分类,给广告打上某些标签,只要符合这种标签特点的都是此广告的潜在客户。例如,广告主认为喜欢玩游戏的用户都是本广告的潜在客户,就会给此广告打上“兴趣爱好:游戏”这样的标签,符合此标签特点的用户都是潜在客户。
[0163]
tag支路召回策略区别于ann支路策略,整体tag支路策略通过为用户打标签,然后再为广告打标签,最后将用户的标签和广告的标签进行匹配,并将匹配中该用户的广告进行召回。
[0164]
图9是根据本技术实施例的又一种可选的媒体信息的处理方法的示意图,如图9所示,可以从如下几个角度去考虑tag支路的构建:
[0165]
1)用户的行为兴趣定向标签。
[0166]
用户已经有了一套对象行为兴趣定向标签体系,然后将广告也都打上这套标签体系的标签。在请求发生时能够召回直接匹配的广告。例如某个广告打上了“武侠游戏爱好者”这个标签,然后某次请求的用户也被打上了这个标签,则这个广告在本次请求中被召
回。
[0167]
2)自动绑定app安装定向标签。
[0168]
为某个app寻找类似的其他app,如果某个用户安装了这个app,则当这个用户请求时,召回与其安装的app类似的其他app对应的广告。
[0169]
3)自动绑定自定义人群定向标签。
[0170]
为广告绑定上其对应的广告主的优质人群包。
[0171]
4)自动绑定已转化人群高tgi定向标签。
[0172]
首先对于已转化人群的定义上。如果单看这个广告的已转化人群,则比较稀疏。所以会按照一定的规律做回退。一般来说,回退的优先级如下:广告-》商品-》广告主-》行业。即先看同广告的已转化人群是否充分,否则回退到同商品的已转化人群,依次类推。
[0173]
从对象行为兴趣、历史操作行为、广告主自定义人群、标签效果反馈4个角度建立了tag支路,用以丰富广告的召回结果。
[0174]
通过本技术实施例,可以在目标帐号的定向信息被禁止获取的情况下,响应于媒体信息发布请求,通过预设的多种查找方式,查找与媒体信息发布请求对应的n个召回媒体信息集合,将第一召回媒体信息集合与n个召回媒体信息集合进行定向过滤,得到n 1个召回媒体信息集合,根据预设的处理数量确定n 1召回媒体信息集合中的各个召回媒体信息集合对应待选取的媒体信息的数量,按照各个召回媒体信息集合对应待选取的媒体信息的数量,从n 1召回媒体信息集合中的各个召回媒体信息集合中选择对应数量的媒体信息确定目标媒体信息,进而,能够在目标帐号的定向信息被禁止获取的情况下,通过第一信息对集合第一召回媒体信息集合,并将第一召回媒体信息集合中媒体信息的定向信息作为目标帐号的定向信息以采用多种查找方式继续查找媒体信息,以丰富为目标帐号召回的目标媒体信息的数量和类别。
[0175]
可以理解的是,在本技术的具体实施方式中,涉及到用户信息、定向信息等相关的数据,当本技术以上实施例运用到具体产品或技术中时,需要获得用户许可或者同意,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。
[0176]
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本技术并不受所描述的动作顺序的限制,因为依据本技术,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本技术所必须的。
[0177]
根据本技术实施例的另一个方面,还提供了一种用于实施上述媒体信息的处理方法的媒体信息的处理装置。如图10所示,该装置包括:
[0178]
第一获取模块1002,用于获取媒体信息发布请求,其中,所述媒体信息发布请求用于请求向目标帐号发布媒体信息;
[0179]
第二获取模块1004,用于在所述目标帐号的定向信息被禁止获取的情况下,获取第一信息对集合,其中,所述第一信息对集合中的每个信息对包括所述媒体信息发布请求以及候选媒体信息集合中的一个候选媒体信息;
[0180]
确定模块1006,用于根据所述第一信息对集合,确定所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度;
[0181]
处理模块1008,用于根据所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度,从所述候选媒体信息集合中确定向所述目标帐号发布的目标媒体信息,并向所述目标帐号发布所述目标媒体信息。
[0182]
作为一种可选的方案,所述确定模块1006,包括:
[0183]
处理单元,用于将所述第一信息对集合中的每个信息对输入到第一目标神经网络模型,得到所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度,其中,所述第一目标神经网络模型是是对第一待训练神经网络模型进行训练,直到第一对比损失函数满足预设的第一收敛条件所得到的模型,所述第一对比损失函数是所述每个候选媒体信息与所述媒体信息发布请求的损失函数。
[0184]
作为一种可选的方案,所述装置还用于:
[0185]
在将所述第一信息对集合中的每个信息对输入到第一目标神经网络模型,得到所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度之前,根据所述候选媒体信息集合和所述媒体信息发布请求构建第一正样本信息对集合和第一负样本信息对集合,其中,所述第一正样本信息对集合包括n个候选媒体信息中的每个候选媒体信息分别与所述媒体信息发布请求组成的样本信息对,所述n个候选媒体信息是对所述候选媒体信息集合按照质量参数的取值从大到小排序后的前n个候选媒体信息,所述第一负样本信息对集合包括m个候选媒体信息中的每个候选媒体信息分别与所述媒体信息发布请求组成的样本信息对,所述m个候选媒体信息是对所述候选媒体信息集合进行随机采样得到的m个候选媒体信息,n、m为正整数;根据所述第一正样本信息对集合和所述第一负样本信息对集合对所述第一待训练神经网络模型进行训练,直到所述第一对比损失函数满足预设的所述第一收敛条件,得到所述第一目标神经网络模型。
[0186]
作为一种可选的方案,所述装置用于通过如下方式根据所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度,从所述候选媒体信息集合中确定向所述目标帐号发布的目标媒体信息:在所述候选媒体信息集合中获取所述匹配度大于或等于预设匹配度阈值的候选媒体信息,得到第一召回媒体信息集合;根据所述第一召回媒体信息集合,确定向所述目标帐号发布的所述目标媒体信息。
[0187]
作为一种可选的方案,所述装置还用于:在所述目标帐号的定向信息被禁止获取的情况下,获取第二信息对集合,其中,所述第二信息对集合中的每个信息对包括所述候选媒体信息集合中的两个候选媒体信息;根据所述第二信息对集合,确定所述候选媒体信息集合中的每两个候选媒体信息的相似度;所述装置用于通过如下方式根据所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度,从所述候选媒体信息集合中确定向所述目标帐号发布的目标媒体信息:根据所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度、以及所述候选媒体信息集合中的每两个候选媒体信息的相似度,从所述候选媒体信息集合中确定向所述目标帐号发布的目标媒体信息。
[0188]
作为一种可选的方案,所述装置用于通过如下方式根据所述第二信息对集合,确定所述候选媒体信息集合中的每两个候选媒体信息的相似度:将所述第二信息对集合中的每个信息对输入到第二目标神经网络模型,得到所述候选媒体信息集合中的每两个候选媒体信息的相似度,其中,所述第二目标神经网络模型是对第二待训练神经网络模型进行训
练,直到第二对比损失函数满足预设的第二收敛条件所得到的模型,所述第二对比损失函数是所述每两个候选媒体信息的损失函数。
[0189]
作为一种可选的方案,所述装置还用于:所述在将所述第二信息对集合中的每个信息对输入到第二目标神经网络模型,得到所述候选媒体信息集合中的每两个候选媒体信息的相似度之前,根据所述候选媒体信息集合构建第二正样本信息对集合和第二负样本信息对集合,其中,所述第二正样本信息对集合包括第一候选媒体信息集合中的候选媒体信息和第二候选媒体信息集合中的候选媒体信息组成的样本信息对,所述第一候选媒体信息集合包括所述候选媒体信息集合中预先确定的候选媒体信息,所述第二候选媒体信息集合包括对所述第一候选媒体信息集合执行预设的第一丢弃操作后得到的候选媒体信息,所述第二负样本信息对集合包括第三候选媒体信息集合中的候选媒体信息和第四候选媒体信息集合中的候选媒体信息组成的样本信息对,所述第三候选媒体信息集合包括对所述候选媒体信息集合进行随机采样得到的候选媒体信息,所述第四候选媒体信息集合包括对所述第三候选媒体信息集合执行预设的第二丢弃操作后得到的媒体信息;根据所述第二正样本信息对集合和所述第二负样本信息对集合对第二待训练神经网络模型进行训练,得到所述第二目标神经网络模型。
[0190]
作为一种可选的方案,所述装置用于通过如下方式根据所述候选媒体信息集合中的每个候选媒体信息与所述媒体信息发布请求的匹配度、以及所述候选媒体信息集合中的每两个候选媒体信息的相似度,从所述候选媒体信息集合中确定向所述目标帐号发布的目标媒体信息:在所述候选媒体信息集合中获取所述匹配度大于或等于预设匹配度阈值的候选媒体信息,得到第一召回媒体信息集合;在所述第一召回媒体信息集合中确定所述相似度大于或等于预设相似度阈值的候选媒体信息,得到第二召回媒体信息集合;根据所述第二召回媒体信息集合,确定向所述目标帐号发布的所述目标媒体信息。
[0191]
作为一种可选的方案,所述装置用于通过如下方式根据所述第一召回媒体信息集合,确定向所述目标帐号发布的所述目标媒体信息:响应于所述媒体信息发布请求,通过预设的多种查找方式,查找与所述媒体信息发布请求对应的n个召回媒体信息集合,其中,n为大于或等于1的正整数;将所述第一召回媒体信息集合与所述n个召回媒体信息集合进行定向过滤,得到n 1个召回媒体信息集合;根据预设的处理数量确定所述n 1召回媒体信息集合中的各个召回媒体信息集合对应待选取的媒体信息的数量,其中,所述处理数量表示与所述媒体信息发布请求对应的允许处理的媒体信息的数量;按照所述各个召回媒体信息集合对应待选取的媒体信息的数量,从所述n 1召回媒体信息集合中的各个召回媒体信息集合中选择对应数量的媒体信息,得到n 1个媒体信息子集,其中,从所述n 1召回媒体信息集合中的各个召回媒体信息集合中选择的媒体信息的总数量为所述处理数量;在所述n 1个媒体信息子集中确定所述目标媒体信息。
[0192]
根据本技术的一个方面,提供了一种计算机程序产品,该计算机程序产品包括计算机程序/指令,该计算机程序/指令包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被中央处理器1101执行时,执行本技术实施例提供的各种功能。
[0193]
上述本技术实施例序号仅仅为了描述,不代表实施例的优劣。
[0194]
图11示意性地示出了用于实现本技术实施例的电子设备的计算机系统结构框图。
[0195]
需要说明的是,图11示出的电子设备的计算机系统1100仅是一个示例,不应对本技术实施例的功能和使用范围带来任何限制。
[0196]
如图11所示,计算机系统1100包括中央处理器1101(central processing unit,cpu),其可以根据存储在只读存储器1102(read-only memory,rom)中的程序或者从存储部分1108加载到随机访问存储器1103(random access memory,ram)中的程序而执行各种适当的动作和处理。在随机访问存储器1103中,还存储有系统操作所需的各种程序和数据。中央处理器1101、在只读存储器1102以及随机访问存储器1103通过总线1104彼此相连。输入/输出接口1105(input/output接口,即i/o接口)也连接至总线1104。
[0197]
以下部件连接至输入/输出接口1105:包括键盘、鼠标等的输入部分1106;包括诸如阴极射线管(cathode ray tube,crt)、液晶显示器(liquid crystal display,lcd)等以及扬声器等的输出部分1107;包括硬盘等的存储部分1108;以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至输入/输出接口1105。可拆卸介质1111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1110上,以便于从其上读出的计算机程序根据需要被安装入存储部分1108。
[0198]
特别地,根据本技术的实施例,各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如,本技术的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被中央处理器1101执行时,执行本技术的系统中限定的各种功能。
[0199]
根据本技术实施例的又一个方面,还提供了一种用于实施上述媒体信息的处理方法的电子设备,该电子设备可以是图1所示的终端设备或服务器。本实施例以该电子设备为终端设备为例来说明。如图12所示,该电子设备包括存储器1202和处理器1204,该存储器1202中存储有计算机程序,该处理器1204被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
[0200]
可选地,在本实施例中,上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
[0201]
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
[0202]
s1,获取媒体信息发布请求,其中,媒体信息发布请求用于请求向目标帐号发布媒体信息;
[0203]
s2,在目标帐号的定向信息被禁止获取的情况下,获取第一信息对集合,其中,第一信息对集合中的每个信息对包括媒体信息发布请求以及候选媒体信息集合中的一个候选媒体信息;
[0204]
s3,根据第一信息对集合,确定候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度;
[0205]
s4,根据候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度,从候选媒体信息集合中确定向目标帐号发布的目标媒体信息,并向目标帐号发布目标
媒体信息。
[0206]
可选地,本领域普通技术人员可以理解,图12所示的结构仅为示意,电子装置电子设备也可以是智能手机(如android手机、ios手机等)、平板电脑、掌上电脑以及移动互联网设备(mobile internet devices,mid)、pad等终端设备。图12其并不对上述电子装置电子设备的结构造成限定。例如,电子装置电子设备还可包括比图12中所示更多或者更少的组件(如网络接口等),或者具有与图12所示不同的配置。
[0207]
其中,存储器1202可用于存储软件程序以及模块,如本技术实施例中的媒体信息的处理方法和装置对应的程序指令/模块,处理器1204通过运行存储在存储器1202内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的媒体信息的处理方法。存储器1202可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1202可进一步包括相对于处理器1204远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器1202具体可以但不限于用于存储媒体信息等信息。作为一种示例,如图12所示,上述存储器1202中可以但不限于包括上述媒体信息的处理装置中的第一获取模块1002、第二获取模块1004、确定模块1006以及处理模块1008。此外,还可以包括但不限于上述媒体信息的处理装置中的其他模块单元,本示例中不再赘述。
[0208]
可选地,上述的传输装置1206用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置1206包括一个网络适配器(network interface controller,nic),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置1206为射频(radio frequency,rf)模块,其用于通过无线方式与互联网进行通讯。
[0209]
此外,上述电子设备还包括:显示器1208,用于显示上述媒体信息;和连接总线1210,用于连接上述电子设备中的各个模块部件。
[0210]
在其他实施例中,上述终端设备或者服务器可以是一个分布式系统中的一个节点,其中,该分布式系统可以为区块链系统,该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中,节点之间可以组成点对点(p2p,peer to peer)网络,任意形式的计算设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
[0211]
根据本技术的一个方面,提供了一种计算机可读存储介质,计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述媒体信息的处理方面的各种可选实现方式中提供的媒体信息的处理方法。
[0212]
可选地,在本实施例中,上述计算机可读存储介质可以被设置为存储用于执行以下步骤的计算机程序:
[0213]
s1,获取媒体信息发布请求,其中,媒体信息发布请求用于请求向目标帐号发布媒体信息;
[0214]
s2,在目标帐号的定向信息被禁止获取的情况下,获取第一信息对集合,其中,第一信息对集合中的每个信息对包括媒体信息发布请求以及候选媒体信息集合中的一个候选媒体信息;
[0215]
s3,根据第一信息对集合,确定候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度;
[0216]
s4,根据候选媒体信息集合中的每个候选媒体信息与媒体信息发布请求的匹配度,从候选媒体信息集合中确定向目标帐号发布的目标媒体信息,并向目标帐号发布目标媒体信息。
[0217]
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(read-only memory,rom)、随机存取器(random access memory,ram)、磁盘或光盘等。
[0218]
上述本技术实施例序号仅仅为了描述,不代表实施例的优劣。
[0219]
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。
[0220]
在本技术的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
[0221]
在本技术所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
[0222]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0223]
另外,在本技术各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
[0224]
以上所述仅是本技术的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本技术原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本技术的保护范围。
当前第1页1  
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
网站地图