服务器、多场景多任务的内容推荐方法、及存储介质与流程

1.本公开涉及推荐算法技术领域，尤其涉及一种服务器、多场景多任务的内容推荐方法、及存储介质。


背景技术：

2.在智能互联网阶段，由于内容信息的数据膨胀，智能推荐已经成为人们获取互联网内容的重要手段。随着智能电视的普及，电视媒资内容的多样性发展，电视推荐也步入内容推荐时代，如何为用户提供更精准的推荐内容成为智能电视的核心竞争力。
3.相关技术中，在电视推荐领域，推荐的场景包含电视剧、电影、综艺、动漫、少儿、纪录片等众多方面，各个场景之间存在非常大的差异性，为每个场景分别构建推荐模型会增加推荐系统的资源消耗。如果将所有场景的数据直接输入到同一个模型中直接训练，由于用户在不同场景内的行为差异非常大，会导致模型的整体性能下降，从而使得预测结果的准确性较低。因此，如何提高多场景多任务下的内容推荐准确性是当前亟需解决的问题。


技术实现要素：

4.为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种服务器、多场景多任务的内容推荐方法及存储介质，可以提高多场景多任务下的内容推荐准确性。
5.第一方面，本公开提供了一种服务器，包括：
6.控制器，被配置为：
7.根据目标显示设备的标识信息从媒资数据库中获取待推荐数据集合；所述待推荐数据集合包括所述目标显示设备在不同分类媒资推荐场景下的多条历史媒资播放数据；
8.将所述待推荐数据集合输入多任务预测模型中，获取所述多任务预测模型输出的多个预测概率，所述多个预测概率与所述待推荐数据集合中各条媒资数据相关的各个媒资播放任务对应；所述多任务预测模型包括多个任务网络，每个任务网络用于预测一个媒资播放任务的完成概率；
9.根据所述多个预测概率，获取至少一个场景下的至少一条媒资数据，并将所述至少一个场景下的至少一条媒资数据发送给所述目标显示设备，以使所述目标显示设备对所述至少一个场景下的至少一条媒资数据进行显示。
10.作为本公开实施例一种可选的实施方式，所述控制器，还被配置为：
11.所述根据所述多个预测概率，获取至少一个场景下的至少一条媒资数据，包括：
12.分别对所述待推荐数据集合中各条媒资数据相关的各个媒资播放任务的预测概率进行加权求和，获取各条媒资数据的推荐概率；
13.对所述各条媒资数据的推荐概率进行排序，并基于各条媒资数据的推荐概率的排序结果，获取至少一个场景下的至少一条媒资数据。
14.作为本公开实施例一种可选的实施方式，所述控制器，还被配置为：
15.所述多任务预测模型通过以下方法训练获得：
16.获取训练样本，所述训练样本包括：
17.用户数据；所述用户数据包括用户的属性信息和在各个场景下的媒资播放行为信息；
18.媒资数据；
19.在各个场景下的媒资播放行为信息所对应的上下文数据；
20.各条媒资数据相关的各个媒资播放任务对应的标签概率；
21.基于所述训练样本对初始多任务预测模型进行训练，得到多任务预测模型。
22.作为本公开实施例一种可选的实施方式，所述控制器，还被配置为：
23.所述初始多任务预测模型包括：输入层、嵌入层、特征层、模型层、以及输出层；
24.所述基于所述训练样本对初始多任务预测模型进行训练，得到多任务预测模型，包括：
25.通过所述输入层输入所述用户数据、所述媒资数据、以及所述在各个场景下的媒资播放行为信息所对应的上下文数据；
26.通过所述嵌入层对所述用户数据、所述媒资数据、以及所述在各个场景下的媒资播放行为信息所对应的上下文数据进行数据转换，获取用户特征、媒资特征、以及在各个场景下的媒资播放行为信息所对应的上下文特征；
27.通过所述特征层基于所述用户特征、所述媒资特征、以及所述在各个场景下的媒资播放行为信息所对应的上下文特征，获取用户在多场景下对所述媒资数据的整体偏好特征；
28.通过所述模型层基于所述媒资特征、所述在各个场景下的媒资播放行为信息所对应的上下文特征、以及所述用户在多场景下对所述媒资数据的整体偏好特征，获取各个媒资播放任务对应的独享特征和共享特征；
29.通过所述输出层基于所述各个媒资播放任务对应的独享特征和共享特征，获取各个媒资播放任务对应的预测概率。
30.作为本公开实施例一种可选的实施方式，所述控制器，具体被配置为：
31.所述通过所述嵌入层对所述用户数据、所述媒资数据、以及所述在各个场景下的媒资播放行为信息所对应的上下文数据进行数据转换，获取用户特征、媒资特征、以及在各个场景下的媒资播放行为信息所对应的上下文特征，包括：
32.将所述用户数据、所述媒资数据、以及所述在各个场景下的媒资播放行为信息所对应的上下文数据输入嵌入层，分别获取所述用户数据的特征向量表示、所述媒资数据的特征向量表示、所述在各个场景下的媒资播放行为信息所对应的上下文数据的特征向量表示；
33.基于自注意力机制获取所述用户数据的特征向量表示、所述媒资数据的特征向量表示、所述在各个场景下的媒资播放行为信息所对应的上下文数据的特征向量表示分别对应的用户特征、媒资特征、以及上下文特征。
34.作为本公开实施例一种可选的实施方式，所述控制器，具体被配置为：
35.所述通过所述特征层基于所述用户特征、所述媒资特征、以及所述在各个场景下的媒资播放行为信息所对应的上下文特征，获取用户在多场景下对所述媒资数据的整体偏
好特征，包括：
36.根据所述用户特征和所述在各个场景下的媒资播放行为信息所对应的上下文特征，计算用户对各个场景的偏好概率；
37.获取用户在各个场景下的特征向量；
38.根据所述用户对各个场景的偏好概率、以及所述用户在各个场景下的特征向量，获取用户在多场景下对所述媒资数据的整体偏好特征。
39.作为本公开实施例一种可选的实施方式，所述控制器，具体被配置为：
40.所述通过所述模型层基于所述媒资特征、所述在各个场景下的媒资播放行为信息所对应的上下文特征、以及所述用户在多场景下对所述媒资数据的整体偏好特征，获取各个媒资播放任务对应的独享特征和共享特征，包括：
41.将所述媒资特征、以及所述用户在多场景下对所述媒资数据的整体偏好特征输入至少一个独享专家网络，获取各个媒资播放任务的独享特征；
42.将所述媒资特征、所述在各个场景下的媒资播放行为信息所对应的上下文特征、以及所述用户在多场景下对所述媒资数据的整体偏好特征输入至少一个共享专家网络，获取各个媒资播放任务的共享特征。
43.第二方面，提供一种多场景多任务的内容推荐方法，所述方法包括：
44.根据目标显示设备的标识信息从媒资数据库中获取待推荐数据集合；所述待推荐数据集合包括所述目标显示设备在不同分类媒资推荐场景下的多条历史媒资播放数据；
45.将所述待推荐数据集合输入多任务预测模型中，获取所述多任务预测模型输出的多个预测概率，所述多个预测概率与所述待推荐数据集合中各条媒资数据相关的各个媒资播放任务对应；所述多任务预测模型包括多个任务网络，每个任务网络用于预测一个媒资播放任务的完成概率；
46.根据所述多个预测概率，获取至少一个场景下的至少一条媒资数据，并将所述至少一个场景下的至少一条媒资数据发送给所述目标显示设备，以使所述目标显示设备对所述至少一个场景下的至少一条媒资数据进行显示。
47.作为本公开实施例一种可选的实施方式，所述根据所述多个预测概率，获取至少一个场景下的至少一条媒资数据，包括：
48.分别对所述待推荐数据集合中各条媒资数据相关的各个媒资播放任务的预测概率进行加权求和，获取各条媒资数据的推荐概率；
49.对所述各条媒资数据的推荐概率进行排序，并基于各条媒资数据的推荐概率的排序结果，获取至少一个场景下的至少一条媒资数据。
50.作为本公开实施例一种可选的实施方式，所述多任务预测模型通过以下方法训练获得：
51.获取训练样本，所述训练样本包括：
52.用户数据；所述用户数据包括用户的属性信息和在各个场景下的媒资播放行为信息；
53.媒资数据；
54.在各个场景下的媒资播放行为信息所对应的上下文数据；
55.各条媒资数据相关的各个媒资播放任务对应的标签概率；
56.基于所述训练样本对初始多任务预测模型进行训练，得到多任务预测模型。
57.作为本公开实施例一种可选的实施方式，所述初始多任务预测模型包括：输入层、嵌入层、特征层、模型层、以及输出层；
58.所述基于所述训练样本对初始多任务预测模型进行训练，得到多任务预测模型，包括：
59.通过所述输入层输入所述用户数据、所述媒资数据、以及所述在各个场景下的媒资播放行为信息所对应的上下文数据；
60.通过所述嵌入层对所述用户数据、所述媒资数据、以及所述在各个场景下的媒资播放行为信息所对应的上下文数据进行数据转换，获取用户特征、媒资特征、以及在各个场景下的媒资播放行为信息所对应的上下文特征；
61.通过所述特征层基于所述用户特征、所述媒资特征、以及所述在各个场景下的媒资播放行为信息所对应的上下文特征，获取用户在多场景下对所述媒资数据的整体偏好特征；
62.通过所述模型层基于所述媒资特征、所述在各个场景下的媒资播放行为信息所对应的上下文特征、以及所述用户在多场景下对所述媒资数据的整体偏好特征，获取各个媒资播放任务对应的独享特征和共享特征；
63.通过所述输出层基于所述各个媒资播放任务对应的独享特征和共享特征，获取各个媒资播放任务对应的预测概率。
64.作为本公开实施例一种可选的实施方式，所述通过所述嵌入层对所述用户数据、所述媒资数据、以及所述在各个场景下的媒资播放行为信息所对应的上下文数据进行数据转换，获取用户特征、媒资特征、以及在各个场景下的媒资播放行为信息所对应的上下文特征，包括：
65.将所述用户数据、所述媒资数据、以及所述在各个场景下的媒资播放行为信息所对应的上下文数据输入嵌入层，分别获取所述用户数据的特征向量表示、所述媒资数据的特征向量表示、所述在各个场景下的媒资播放行为信息所对应的上下文数据的特征向量表示；
66.基于自注意力机制获取所述用户数据的特征向量表示、所述媒资数据的特征向量表示、所述在各个场景下的媒资播放行为信息所对应的上下文数据的特征向量表示分别对应的用户特征、媒资特征、以及上下文特征。
67.作为本公开实施例一种可选的实施方式，所述通过所述特征层基于所述用户特征、所述媒资特征、以及所述在各个场景下的媒资播放行为信息所对应的上下文特征，获取用户在多场景下对所述媒资数据的整体偏好特征，包括：
68.根据所述用户特征和所述在各个场景下的媒资播放行为信息所对应的上下文特征，计算用户对各个场景的偏好概率；
69.获取用户在各个场景下的特征向量；
70.根据所述用户对各个场景的偏好概率、以及所述用户在各个场景下的特征向量，获取用户在多场景下对所述媒资数据的整体偏好特征。
71.作为本公开实施例一种可选的实施方式，所述通过所述模型层基于所述媒资特征、所述在各个场景下的媒资播放行为信息所对应的上下文特征、以及所述用户在多场景
下对所述媒资数据的整体偏好特征，获取各个媒资播放任务对应的独享特征和共享特征，包括：
72.将所述媒资特征、以及所述用户在多场景下对所述媒资数据的整体偏好特征输入至少一个独享专家网络，获取各个媒资播放任务的独享特征；
73.将所述媒资特征、所述在各个场景下的媒资播放行为信息所对应的上下文特征、以及所述用户在多场景下对所述媒资数据的整体偏好特征输入至少一个共享专家网络，获取各个媒资播放任务的共享特征。
74.第三方面，提供一种计算机可读存储介质，包括：计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如第二方面所示的多场景多任务的内容推荐方法。
75.本公开实施例提供的技术方案与现有技术相比具有如下优点：根据目标显示设备的标识信息从媒资数据库中获取待推荐数据集合，待推荐数据集合包括目标显示设备在不同分类媒资推荐场景下的多条历史媒资播放数据，将待推荐数据集合输入多任务预测模型中，获取多任务预测模型输出的多个预测概率，其中，多个预测概率与待推荐数据集合中各条媒资数据相关的各个媒资播放任务对应，多任务预测模型包括多个任务网络，每个任务网络用于预测一个媒资播放任务的完成概率，根据多个预测概率，获取至少一个场景下的至少一条媒资数据，并将所述至少一个场景下的至少一条媒资数据发送给所述目标显示设备，以使所述目标显示设备对所述至少一个场景下的至少一条媒资数据进行显示。由于多任务预测模型包括多个任务网络，且每个任务网络用于预测不同的媒资播放任务的完成概率，所以多任务预测模型能够对不同分类媒资推荐场景下的各条媒资数据相关的各个媒资播放任务的完成概率进行预测，并根据多个预测概率，获取至少一个场景下的至少一条媒资数据，从而避免将所有场景的数据均输入同一个网络模型中训练导致模型整体性能下降的问题，进一步提高多场景多任务下的内容推荐的准确性。
附图说明
76.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
77.为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
78.图1a为现有技术中一种智能电视的媒资推荐界面示意图；
79.图1b为本公开实施例中一种多场景多任务的内容推荐的应用场景示意图；
80.图2为根据本公开一个或多个实施例的服务器的硬件配置框图；
81.图3为本公开实施例提供的一种多场景多任务的内容推荐方法的流程示意图之一；
82.图4a为本公开实施例提供的一种智能电视的媒资推荐界面示意图之一；
83.图4b为本公开实施例提供的一种多场景多任务的内容推荐方法的流程示意图之二；
84.图4c为本公开实施例提供的一种智能电视的媒资推荐界面示意图之二；
85.图4d为本公开实施例提供的一种智能电视的媒资推荐界面示意图之三；
86.图5a为本公开实施例提供的一种多任务预测模型训练方法的流程示意图之一；
87.图5b为本公开实施例提供的一种多任务预测模型的结构示意图；
88.图5c为本公开实施例提供的一种多任务预测模型训练方法的流程示意图之二。
具体实施方式
89.为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
90.在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
91.本公开中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
92.术语“包括”和“具有”以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的所有组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
93.随着智能终端应用的普及，人们在智能终端的消费时间越来越多，同时对智能终端提供的服务要求也随之增强，智能电视作为家庭生活中的重要组成部分，是家庭娱乐、获取信息的重要来源，现阶段各种视频内容繁多，因此高效、准确地为家庭提供视频推荐服务可以大大提升人们的生活体验。
94.在电视推荐领域，推荐的场景包含电视剧、电影、综艺、动漫、少儿、纪录片等众多方面，各个场景之间存在非常大的差异性，为每个场景分别构建推荐模型会增加推荐系统的资源消耗。如果将所有场景的数据直接输入到同一个模型中直接训练，由于用户在不同场景内的行为差异非常大，会导致模型的整体性能下降，从而使得预测结果的准确性较低。因此，如何提高多场景多任务下的内容推荐准确性是当前亟需解决的问题。
95.为了解决该问题，现有的推荐算法更多的是根据历史观看记录或者用户收藏的媒资数据进行相似性的推荐，忽略了不同的推荐场景存在差异，统一的模型很难捕获多个场景中间复杂的相关性，影响推荐结果精度。示例性的，参照图1a所示，图1a为一种智能电视的媒资推荐界面示意图，根据历史观看记录或者用户收藏的媒资数据向用户推荐用户可能感兴趣的影片1、影片2、影片3、以及影片4。为了解决不同场景下数据分布的不一致问题，通过迁移学习可以将数据分布进行对齐，但是该方法不适用于多个场景同时存在的情况，会产生此消彼长的问题，为了能够同时表达多场景下的差异，部分方法通过加入辅助网络，建模多个媒资推荐场景的共同点、不同点，提升多场景排序模型的效率，但是此类方法会随着场景的增加变得更加复杂，增加训练和推理的计算复杂度，不适用于在产品首页进行统一多场景推荐的业务。
96.基于此，本公开实施例，首先根据目标显示设备的标识信息从媒资数据库中获取待推荐数据集合，待推荐数据集合包括目标显示设备在不同分类媒资推荐场景下的多条历
史媒资播放数据，然后将待推荐数据集合输入多任务预测模型中，获取多任务预测模型输出的多个预测概率，其中，多个预测概率与待推荐数据集合中各条媒资数据相关的各个媒资播放任务对应，多任务预测模型包括多个任务网络，每个任务网络用于预测一个媒资播放任务的完成概率，最后根据多个预测概率，获取至少一个场景下的至少一条媒资数据，并将所述至少一个场景下的至少一条媒资数据发送给所述目标显示设备，以使所述目标显示设备对所述至少一个场景下的至少一条媒资数据进行显示。由于多任务预测模型包括多个任务网络，且每个任务网络用于预测不同的媒资播放任务的完成概率，所以多任务预测模型能够对不同分类媒资推荐场景下的各条媒资数据相关的各个媒资播放任务的完成概率进行预测，并根据多个预测概率，获取至少一个场景下的至少一条媒资数据，从而避免将所有场景的数据均输入同一个网络模型中训练导致模型整体性能下降的问题，进一步提高多场景多任务下的内容推荐的准确性。
97.示例性的，如图1b所示，图1b为本公开实施例提供的一种多场景多任务的内容推荐的应用场景示意图，在图1b中，服务器100根据目标显示设备200(例如当前用户使用的显示设备)的标识信息从媒资数据库中获取待推荐数据集合，从待推荐数据集合中获取至少一个场景下的至少一条媒资数据，其中，待推荐数据集合包含目标显示设备在不同分类媒资推荐场景下的多条历史媒资播放数据，并将至少一个场景下的至少一条媒资数据发送给目标显示设备200，以使目标显示设备200对至少一个场景下的至少一条媒资数据进行显示。例如，该场景中的显示设备200可以是智能电视、智能平板、智能手机等具有智能显示功能的智能设备。
98.在一些实施例中，显示设备200还与服务器100进行数据通信。可允许显示设备200通过局域网(lan)、无线局域网(wlan)和其他网络进行通信连接。服务器100可以向显示设备200提供各种内容和互动。服务器100可以是一个集群，也可以是多个集群，可以包括一类或多类服务器。
99.本公开实施例提供的多场景多任务的内容推荐方法，可以基于服务器，或者服务器中的功能模块或者功能实体实现。
100.示例性的，图2为根据本公开一个或多个实施例的服务器的硬件配置框图。如图2所示，服务器包括：调谐解调器210、通信器220、控制器230、显示接口240、存储器、供电电源中的至少一种。其中，控制器230包括中央处理器，视频处理器，音频处理器，图形处理器，ram，rom，用于输入/输出的第一接口至第n接口。显示接口240可为vga(video graphics array，视频图像阵列)。一般情况下，服务器显卡要求不高，因此一般服务器显卡接口为vga接口，一般用于安装服务器操作系统或者日常调试使用。调谐解调器210通过有线或无线接收方式接收广播电视信号，以及从多个无线或有线广播电视信号中解调出音视频信号，如epg音视频数据信号。通信器220是用于根据各种通信协议类型与外部设备进行通信的组件。例如：通信器可以包括wifi模块，蓝牙模块，有线以太网模块等其他网络通信协议芯片或近场通信协议芯片，以及红外接收器中的至少一种。服务器可以通过通信器220与显示设备200或者本地控制设备建立控制信号和数据信号的发送和接收。控制器230和调谐解调器210可以位于不同的分体设备中，即调谐解调器210也可在控制器230所在的主体设备的外置设备中，如外置机顶盒等。
101.在一些实施例中，控制器230，通过存储在存储器上中各种软件控制程序，来控制
服务器的工作和响应用户的操作。控制器230控制服务器的整体操作。用户可在显示接口240上显示的图形用户界面(gui)输入用户命令，则用户输入接口通过图形用户界面(gui)接收用户输入命令。
102.为了更加详细的说明本方案，以下将以示例性的方式结合图3进行说明，可以理解的是，虽然图3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，图3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。以能够实现本公开实施例中提供的多场景多任务的内容推荐方法为准。
103.如图3所示，该方法具体包括如下步骤：
104.s31、根据目标显示设备的标识信息从媒资数据库中获取待推荐数据集合。
105.其中，待推荐数据集合包括目标显示设备在不同分类媒资推荐场景下的多条历史媒资播放数据。
106.具体的，不同分类媒资推荐场景包括但不限于：电视剧、电影、综艺、动漫、少儿、纪录片等场景。媒资数据包括但不限于：多个电视剧节目数据、多个电影节目数据、多个综艺节目数据、多个动漫节目数据、多个少儿节目数据、多个纪录片节目数据等媒资数据。目标显示设备为当前用户所使用的显示设备，可以是智能电视、智能平板电脑、笔记本电脑等。目标显示设备的标识信息作为目标显示设备的唯一标识，例如可以是目标显示设备的id(identification，标识)。在本实施例中，以目标显示设备为智能电视为例进行说明，目标显示设备的标识信息可以携带有该显示设备的ip(internet protocol，互联网协议)地址、型号、以及屏幕大小等信息。
107.示例性的，服务器首先通过控制器获取待推荐数据集合。假设待推荐数据集合中有6条媒资数据，参照图4a所示，分别为：媒资1、媒资2、媒资3、媒资4、媒资5、媒资6；其中，媒资1、媒资2来自电视剧场景，媒资3来自电影场景，媒资4、媒资5来自综艺场景，媒资6来自纪录片场景。
108.s32、将所述待推荐数据集合输入多任务预测模型中，获取所述多任务预测模型输出的多个预测概率。
109.其中，所述多个预测概率与所述待推荐数据集合中各条媒资数据相关的各个媒资播放任务对应。所述多任务预测模型包括多个任务网络，每个任务网络用于预测一个媒资播放任务的完成概率。多任务可以包括：用户点击某条媒资，以及用户点击某条媒资之后是否进行有效观看。
110.具体的，多任务预测模型对待推荐数据集合中各条媒资数据相关的各个媒资播放任务进行概率预测。
111.示例性的，假设待推荐数据集合中有6条媒资数据，分别为：媒资1、媒资2、媒资3、媒资4、媒资5、媒资6；多任务预测模型对待推荐数据集合中各条媒资数据相关的各个媒资播放任务的预测概率分别如下，例如，用户点击媒资1的概率为0.8，用户点击媒资1之后进行有效观看的概率为0.7；用户点击媒资2的概率为0.6，用户点击媒资2之后进行有效观看
的概率为0.8；用户点击媒资3的概率为0.5，用户点击媒资3之后进行有效观看的概率为0.5；用户点击媒资4的概率为0.5，用户点击媒资4之后进行有效观看的概率为0.6；用户点击媒资5的概率为0.9，用户点击媒资5之后进行有效观看的概率为0.7；用户点击媒资6的概率为0.3，用户点击媒资6之后进行有效观看的概率为0.5。
112.s33、根据所述多个预测概率，获取至少一个场景下的至少一条媒资数据，并将所述至少一个场景下的至少一条媒资数据发送给所述目标显示设备，以使所述目标显示设备对所述至少一个场景下的至少一条媒资数据进行显示。
113.在一些实施例中，在图3的基础上，参照图4b所示，上述步骤s33(根据所述多个预测概率，获取至少一个场景下的至少一条媒资数据)可以通过如下方式实现：
114.s331、分别对所述待推荐数据集合中各条媒资数据相关的各个媒资播放任务的预测概率进行加权求和，获取各条媒资数据的推荐概率。
115.具体的，可以预先设置点击任务和有效观看任务的权重系数，然后基于点击任务的权重系数、有效观看任务的权重系数，分别对待推荐数据集合中各条媒资数据相关的各个媒资播放任务的预测概率进行加权求和，获取各条媒资数据的推荐概率。
116.示例性的，在本公开实施例中，点击任务的权重系数可以设置为1，有效观看任务的权重系数也可以设置为1。假设用户点击媒资1的概率为0.8，用户点击媒资1之后进行有效观看的概率为0.7；用户点击媒资2的概率为0.6，用户点击媒资2之后进行有效观看的概率为0.8；用户点击媒资3的概率为0.5，用户点击媒资3之后进行有效观看的概率为0.5；用户点击媒资4的概率为0.5，用户点击媒资4之后进行有效观看的概率为0.6；用户点击媒资5的概率为0.9，用户点击媒资5之后进行有效观看的概率为0.7；用户点击媒资6的概率为0.3，用户点击媒资6之后进行有效观看的概率为0.5；则计算得到媒资1的推荐概率为1.5，媒资2的推荐概率为1.4，媒资3的推荐概率为1，媒资4的推荐概率为1.1，媒资5的推荐概率为1.6，媒资6的推荐概率为0.8。
117.s332、对所述各条媒资数据的推荐概率进行排序，并基于各条媒资数据的推荐概率的排序结果，获取至少一个场景下的至少一条媒资数据。
118.具体的，根据各条媒资数据的推荐概率的排序结果，获取至少一个场景下的至少一条媒资数据。
119.示例性的，参照图4c所示，按照上述各条媒资数据的推荐概率的大小进行排序，则推荐顺序依次是：媒资5＞媒资1＞媒资2＞媒资4＞媒资3＞媒资6。假设需要向用户推荐3条媒资数据，参照图4d所示，则依次是：媒资5、媒资1、媒资2。
120.在本公开实施例中，根据目标显示设备的标识信息从媒资数据库中获取待推荐数据集合，待推荐数据集合包括目标显示设备在不同分类媒资推荐场景下的多条历史媒资播放数据，将待推荐数据集合输入多任务预测模型中，获取多任务预测模型输出的多个预测概率，其中，多个预测概率与待推荐数据集合中各条媒资数据相关的各个媒资播放任务对应，多任务预测模型包括多个任务网络，每个任务网络用于预测一个媒资播放任务的完成概率，根据多个预测概率，获取至少一个场景下的至少一条媒资数据，并将所述至少一个场景下的至少一条媒资数据发送给所述目标显示设备，以使所述目标显示设备对所述至少一个场景下的至少一条媒资数据进行显示。由于多任务预测模型包括多个任务网络，且每个任务网络用于预测不同的媒资播放任务的完成概率，所以多任务预测模型能够对不同分类
媒资推荐场景下的各条媒资数据相关的各个媒资播放任务的完成概率进行预测，并根据多个预测概率，获取至少一个场景下的至少一条媒资数据，从而避免将所有场景的数据均输入同一个网络模型中训练导致模型整体性能下降的问题，进一步提高多场景多任务下的内容推荐的准确性。
121.图5a是本公开实施例提供的一种多任务预测模型训练方法的流程示意图。可选的，本实施例主要对多任务预测模型的训练过程进行说明。
122.在一些实施例中，参照图5a所示，多任务预测模型通过以下方法训练获得：
123.s51、获取训练样本。
124.其中，训练样本包括：(1)用户数据，用户数据包括用户的属性信息和在各个场景下的媒资播放行为信息。(2)媒资数据。(3)用户在各个场景下的媒资播放行为信息所对应的上下文数据。(4)各条媒资数据相关的各个媒资播放任务对应的标签概率。
125.具体的，用户数据包括用户的属性信息和各个媒资推荐场景下的媒资播放行为信息。例如，用户的属性信息包括家庭地址、电视机型号、电视屏幕大小、是否会员、用户观影时间偏好等信息。
126.示例性的，观影时间偏好的组成较为复杂，针对家庭娱乐环境下的媒资推荐而言，由于以整个家庭群体人员作为用户，其用户数量多，家庭成员用户分层明显，例如某个用户喜欢在工作日中午时段观看综艺节目，午饭空闲时间阶段，时长较短的综艺节目可以满足用户的需求；在傍晚时间阶段，家里的小孩放学回家有观影需求，所以更多的观看一些动漫、少儿节目。各个媒资推荐场景包括但不限于：电影、电视剧、综艺、动漫卡通、纪录片、其他等。用户在各个场景下的媒资播放行为信息包括用户偏好点击或观看的媒资所关联的演员、导演、类别、上映时间等的信息。媒资数据包括各条媒资数据关联的导演、演员、类别、上映时间等信息。用户在各个场景下的媒资播放行为信息所对应的上下文数据包括用户最近观看记录和历史同时期观看记录。
127.s52、基于所述训练样本对初始多任务预测模型进行训练，得到多任务预测模型。
128.具体的，获取训练样本之后，基于初始多任务预测模型和训练样本，生成与各条媒资数据相关的各个媒资播放任务的预测概率；基于预设损失函数，根据训练样本对初始多任务预测模型进行训练，以得到多任务预测模型。由于媒资播放任务为用户是否点击某条媒资，以及用户点击某条媒资后是否进行有效观看，也就是，媒资播放任务均为二分类问题，所以采用对数损失函数作为损失函数，即：
[0129][0130]
其中，ti∈{t1,t2}，|s|表示样本的个数，ω是正则项，模型训练过程中，优化器采用adam(adaptive moment estimation，适应性矩估计)，同时学习率初始值为0.001，每10个完整训练以0.9的倍率衰减。
[0131]
在一些实施例中，参照图5b所示，所述初始多任务预测模型包括：输入层、嵌入层、特征层、模型层、以及输出层。
[0132]
具体的，在初始多任务预测模型中，定义如下数学符号：u代表所有用户的集合；v代表所有媒资的集合；ui代表某个用户；vj代表某个媒资；代表用户ui的特征；代表媒资vj的特征；c
i,j
代表用户ui和媒资vj的上下文特征。t表示媒资播放任务集合，例如t＝{t1,
t2}，即t1为用户ui是否点击了媒资vj，t2为用户ui点击媒资vj之后是否是一次有效的观影。针对不同的场景，对有效观影的定义不同。例如，针对电视剧场景，观看影片大于10分钟为一次有效观影，针对电影场景，观看影片大于5分钟为一次有效观影，另外，还可以设置综艺、纪录片、动漫等的有效观影时间。需要说明的是，关于不同场景下的有效观影时间，可以根据实际情况进行设置，此处不作具体限制。
[0133]
在一些实施例中，参照图5c所示，s52(基于所述训练样本对初始多任务预测模型进行训练，得到多任务预测模型)可以通过如下方式实现：
[0134]
s521、通过所述输入层输入所述用户数据、所述媒资数据、以及所述在各个场景下的媒资播放行为信息所对应的上下文数据。
[0135]
具体的，输入层用于输入训练样本，训练样本可以分为三种类型的数据：用户数据ui、媒资数据和各个场景下的媒资播放行为信息所对应的上下文数据c
i,j
。进一步，对用户数据在各个场景进行更细粒度的划分，也就是，用户数据包括用户的属性信息和在各个场景下的媒资播放行为信息，即：
[0136][0137]
其中，表示用户ui的属性信息，即，si表示第i个场景，i的取值可以为4，6，7，或其他合理的数值。表示用户ui在场景i下的媒资播放行为信息。场景可以包括但不限于：电影、电视剧、综艺、动漫卡通、纪录片、其他等。
[0138]
示例性的，表示用户u1的属性信息，包括家庭地址、电视机型号、电视屏幕大小、是否会员、观影时间偏好等信息。表示用户u1在场景1下的媒资播放行为信息。例如，场景1为电影时，用户1在该场景下的媒资播放行为信息包括：点击播放的媒资所关联的演员、导演、类别、以及上映时间等。
[0139]
s522、通过所述嵌入层对所述用户数据、所述媒资数据、以及所述在各个场景下的媒资播放行为信息所对应的上下文数据进行数据转换，获取用户特征、媒资特征、以及在各个场景下的媒资播放行为信息所对应的上下文特征。
[0140]
在一些实施例中，将所述用户数据、所述媒资数据、以及所述在各个场景下的媒资播放行为信息所对应的上下文数据输入嵌入层，分别获取所述用户数据的特征向量表示、所述媒资数据的特征向量表示、所述在各个场景下的媒资播放行为信息所对应的上下文数据的特征向量表示。
[0141]
基于自注意力机制获取所述用户数据的特征向量表示、所述媒资数据的特征向量表示、所述在各个场景下的媒资播放行为信息所对应的上下文数据的特征向量表示分别对应的用户特征、媒资特征、以及上下文特征。
[0142]
具体的，嵌入层主要是将稀疏数据转换为稠密数据。嵌入层的本质是一个非常大的表，其作用是根据输入查找到对应位置的向量表示：
[0143][0144]
由于嵌入层的输入为用户数据、媒资数据、以及用户在各个场景下的媒资播放行为信息所对应的上下文数据，所以根据如下公式确定用户数据的特征向量表示：
[0145][0146][0147]
根据如下公式确定媒资数据的特征向量表示：
[0148][0149]
根据如下公式确定用户在各个场景下的媒资播放行为信息所对应的上下文数据的特征向量表示：
[0150]
e(c
i,j
)＝lookup(c
i,j
,e)；
[0151]
s523、通过所述特征层基于所述用户特征、所述媒资特征、以及所述在各个场景下的媒资播放行为信息所对应的上下文特征，获取用户在多场景下对所述媒资数据的整体偏好特征。
[0152]
在一些实施例中，上述获取用户在多场景下对所述媒资数据的整体偏好特征，可以通过如下方式实现：
[0153]
(1)根据所述用户特征和所述在各个场景下的媒资播放行为信息所对应的上下文特征，计算用户对各个场景的偏好概率。
[0154]
具体的，通过如下公式计算用户对各个场景的偏好概率：
[0155][0156]
其中，m
in
表示用户对各个场景偏好的概率，函数g(
·
)可以用深度神经网络dnn来表达，函数σ(
·
)为激活函数，表示用户ui的属性信息，c
i,
j表示用户ui和媒资vj的上下文特征。
[0157]
示例性的，激活函数可以使用sigmoid(
·
)函数，此处不采用relu激活函数，是防止某些特征向量模值太大，导致训练不稳定，同时还可以有效避免隐控件向量分布不均匀的问题。另外，不采用softmax，是因为其激活函数输出和为1，不适合应对多个场景下的特征偏好提取。m
in
的个数可以根据实际场景的个数进行取值，例如，可以是4个，5个，6个等，也可以是其他合理的数值，此处不进行具体限制。
[0158]
(2)获取用户在各个场景下的特征向量。
[0159]
具体的，对用户在各个场景下的特征进行显示特征提取，得到用户在不同场景下的所有特征，例如，用户对演员、导演、不同场景下的类别的偏好。
[0160]
示例性的，通过如下公式获取用户在各个场景下的特征向量：
[0161][0162]
其中，mi表示用户在场景i下的特征表示，是一个列向量，函数g(
·
)可以用深度神经网络dnn来表示。
[0163]
在本公开实施例中，以4个场景为例，在实际应用中，i的还可以取更多合理的数值，此处不进行具体限制。
[0164]
(3)根据所述用户对各个场景的偏好概率、以及所述用户在各个场景下的特征向量，获取用户在多场景下对所述媒资数据的整体偏好特征。
[0165]
具体的，根据如下公式获取用户在多场景下对媒资数据的整体偏好特征：
[0166][0167]
其中，表示用户ui在多场景下对媒资数据的整体偏好特征。[m1,m2,m3,m4]表示将各个场景下的特征向量进行拼接。
[0168]
具体的，将各个场景下的特征表达进行拼接，然后乘以用户在各个场景上的偏好概率，最终得到用户在多场景下的整体偏好特征。
[0169]
s524、通过所述模型层基于所述媒资特征、所述在各个场景下的媒资播放行为信息所对应的上下文特征、以及所述用户在多场景下对所述媒资数据的整体偏好特征，获取各个媒资播放任务对应的独享特征和共享特征。
[0170]
具体的，在模型层，通过多个专家网络进行特征提取，通过共享专家网络提取多个场景下的相同特征，通过独享专家网络提取多个场景下的差异特征。
[0171]
在一些实施例中，上述获取各个媒资播放任务对应的独享特征和共享特征，可以通过如下方式实现：
[0172]
(1)将所述媒资特征、以及所述用户在多场景下对所述媒资数据的整体偏好特征输入至少一个独享专家网络，获取各个媒资播放任务的独享特征。
[0173]
示例性的，在本公开实施例中，以两个任务t1,t2为例，t1表示用户点击任务，t2表示有效观影任务。
[0174]
具体的，根据如下公式获取各个媒资播放任务的独享特征：
[0175][0176]
其中，表示任务ti的独享专家网络输出特征图。
[0177]
(2)将所述媒资特征、所述在各个场景下的媒资播放行为信息所对应的上下文特征、以及所述用户在多场景下对所述媒资数据的整体偏好特征输入至少一个共享专家网络，获取各个媒资播放任务的共享特征。
[0178]
示例性的，在本公开实施例中，以四个共享专家网络为例，si表示第i个共享专家网络。
[0179]
具体的，根据如下公式获取各个媒资播放任务的共享特征：
[0180][0181]
其中，表示第si个共享专家网络的输出特征图。
[0182]
s525、在一些实施例中，通过所述输出层基于所述各个媒资播放任务对应的独享特征和共享特征，获取各个媒资播放任务对应的预测概率。
[0183]
具体的，输出层主要是对各个媒资播放任务进行预测，输出对应的媒资播放任务的概率值。其中，任务塔也是一个神经网络，不同的任务的输入包含共享专家和其特有的任务专家输出，通过门控网络控制每个专家输入到任务塔的网络权重，即：
[0184]
[0185]
其中，softmax(
·
)代表最终任务输出激活函数为softmax。代表各个专家的权重大小。
[0186][0187]
其中，作为任务塔ti的输入经过一个神经网络结构后得到最终的输出，即：
[0188][0189]
其中，表示媒资播放任务ti的概率输出。
[0190]
本公开实施例中提供的多任务预测模型结构，有效地解决了模型复杂度扩大的问题，在特征层提出一种用户自适应多场景下的特征提取架构，提取用户在不同场景下的差异；在模型层针对不同的专家网络类型采用不同的类别特征输入，有效的捕捉不同任务之间的差异。另外，该结构作为一种通用的多场景多任务架构，可以扩展到不同的推荐领域，例如商品推荐领域。
[0191]
在本公开实施例中，根据目标显示设备的标识信息从媒资数据库中获取待推荐数据集合，待推荐数据集合包括目标显示设备在不同分类媒资推荐场景下的多条历史媒资播放数据，将待推荐数据集合输入多任务预测模型中，获取多任务预测模型输出的多个预测概率，其中，多个预测概率与待推荐数据集合中各条媒资数据相关的各个媒资播放任务对应，多任务预测模型包括多个任务网络，每个任务网络用于预测一个媒资播放任务的完成概率，根据多个预测概率，获取至少一个场景下的至少一条媒资数据，并将所述至少一个场景下的至少一条媒资数据发送给所述目标显示设备，以使所述目标显示设备对所述至少一个场景下的至少一条媒资数据进行显示。由于多任务预测模型包括多个任务网络，且每个任务网络用于预测不同的媒资播放任务的完成概率，所以多任务预测模型能够对不同分类媒资推荐场景下的各条媒资数据相关的各个媒资播放任务的完成概率进行预测，并根据多个预测概率，获取至少一个场景下的至少一条媒资数据，从而避免将所有场景的数据均输入同一个网络模型中训练导致模型整体性能下降的问题，进一步提高多场景多任务下的内容推荐的准确性。
[0192]
本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时实现上述任意实施例提供的方法执行的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0193]
其中，该计算机可读存储介质可以为只读存储装置(read-only memory，rom)、随机存取存储装置(random access memory，ram)、磁碟或者光盘等。
[0194]
为了方便解释，已经结合具体的实施方式进行了上述说明。但是，上述在一些实施例中讨论不是意图穷尽或者将实施方式限定到上述公开的具体形式。根据上述的教导，可以得到多种修改和变形。上述实施方式的选择和描述是为了更好的解释原理以及实际的应用，从而使得本领域技术人员更好的使用实施方式以及适于具体使用考虑的各种不同的变形的实施方式。

技术特征：
1.一种服务器，其特征在于，包括：控制器，被配置为：根据目标显示设备的标识信息从媒资数据库中获取待推荐数据集合；所述待推荐数据集合包括所述目标显示设备在不同分类媒资推荐场景下的多条历史媒资播放数据；将所述待推荐数据集合输入多任务预测模型中，获取所述多任务预测模型输出的多个预测概率，所述多个预测概率与所述待推荐数据集合中各条媒资数据相关的各个媒资播放任务对应；所述多任务预测模型包括多个任务网络，每个任务网络用于预测一个媒资播放任务的完成概率；根据所述多个预测概率，获取至少一个场景下的至少一条媒资数据，并将所述至少一个场景下的至少一条媒资数据发送给所述目标显示设备，以使所述目标显示设备对所述至少一个场景下的至少一条媒资数据进行显示。2.根据权利要求1所述的服务器，其特征在于，所述控制器，还被配置为：所述根据所述多个预测概率，获取至少一个场景下的至少一条媒资数据，包括：分别对所述待推荐数据集合中各条媒资数据相关的各个媒资播放任务的预测概率进行加权求和，获取各条媒资数据的推荐概率；对所述各条媒资数据的推荐概率进行排序，并基于各条媒资数据的推荐概率的排序结果，获取至少一个场景下的至少一条媒资数据。3.根据权利要求1所述的服务器，其特征在于，所述控制器，还被配置为：所述多任务预测模型通过以下方法训练获得：获取训练样本，所述训练样本包括：用户数据；所述用户数据包括用户的属性信息和在各个场景下的媒资播放行为信息；媒资数据；在各个场景下的媒资播放行为信息所对应的上下文数据；各条媒资数据相关的各个媒资播放任务对应的标签概率；基于所述训练样本对初始多任务预测模型进行训练，得到多任务预测模型。4.根据权利要求3所述的服务器，其特征在于，所述控制器，还被配置为：所述初始多任务预测模型包括：输入层、嵌入层、特征层、模型层、以及输出层；所述基于所述训练样本对初始多任务预测模型进行训练，得到多任务预测模型，包括：通过所述输入层输入所述用户数据、所述媒资数据、以及所述在各个场景下的媒资播放行为信息所对应的上下文数据；通过所述嵌入层对所述用户数据、所述媒资数据、以及所述在各个场景下的媒资播放行为信息所对应的上下文数据进行数据转换，获取用户特征、媒资特征、以及在各个场景下的媒资播放行为信息所对应的上下文特征；通过所述特征层基于所述用户特征、所述媒资特征、以及所述在各个场景下的媒资播放行为信息所对应的上下文特征，获取用户在多场景下对所述媒资数据的整体偏好特征；通过所述模型层基于所述媒资特征、所述在各个场景下的媒资播放行为信息所对应的上下文特征、以及所述用户在多场景下对所述媒资数据的整体偏好特征，获取各个媒资播放任务对应的独享特征和共享特征；通过所述输出层基于所述各个媒资播放任务对应的独享特征和共享特征，获取各个媒
资播放任务对应的预测概率。5.根据权利要求4所述的服务器，其特征在于，所述控制器，具体被配置为：所述通过所述嵌入层对所述用户数据、所述媒资数据、以及所述在各个场景下的媒资播放行为信息所对应的上下文数据进行数据转换，获取用户特征、媒资特征、以及在各个场景下的媒资播放行为信息所对应的上下文特征，包括：将所述用户数据、所述媒资数据、以及所述在各个场景下的媒资播放行为信息所对应的上下文数据输入嵌入层，分别获取所述用户数据的特征向量表示、所述媒资数据的特征向量表示、所述在各个场景下的媒资播放行为信息所对应的上下文数据的特征向量表示；基于自注意力机制获取所述用户数据的特征向量表示、所述媒资数据的特征向量表示、所述在各个场景下的媒资播放行为信息所对应的上下文数据的特征向量表示分别对应的用户特征、媒资特征、以及上下文特征。6.根据权利要求4所述的服务器，其特征在于，所述控制器，具体被配置为：所述通过所述特征层基于所述用户特征、所述媒资特征、以及所述在各个场景下的媒资播放行为信息所对应的上下文特征，获取用户在多场景下对所述媒资数据的整体偏好特征，包括：根据所述用户特征和所述在各个场景下的媒资播放行为信息所对应的上下文特征，计算用户对各个场景的偏好概率；获取用户在各个场景下的特征向量；根据所述用户对各个场景的偏好概率、以及所述用户在各个场景下的特征向量，获取用户在多场景下对所述媒资数据的整体偏好特征。7.根据权利要求4所述的服务器，其特征在于，所述控制器，具体被配置为：所述通过所述模型层基于所述媒资特征、所述在各个场景下的媒资播放行为信息所对应的上下文特征、以及所述用户在多场景下对所述媒资数据的整体偏好特征，获取各个媒资播放任务对应的独享特征和共享特征，包括：将所述媒资特征、以及所述用户在多场景下对所述媒资数据的整体偏好特征输入至少一个独享专家网络，获取各个媒资播放任务的独享特征；将所述媒资特征、所述在各个场景下的媒资播放行为信息所对应的上下文特征、以及所述用户在多场景下对所述媒资数据的整体偏好特征输入至少一个共享专家网络，获取各个媒资播放任务的共享特征。8.一种多场景多任务的内容推荐方法，其特征在于，所述方法包括：根据目标显示设备的标识信息从媒资数据库中获取待推荐数据集合；所述待推荐数据集合包括所述目标显示设备在不同分类媒资推荐场景下的多条历史媒资播放数据；将所述待推荐数据集合输入多任务预测模型中，获取所述多任务预测模型输出的多个预测概率，所述多个预测概率与所述待推荐数据集合中各条媒资数据相关的各个媒资播放任务对应；所述多任务预测模型包括多个任务网络，每个任务网络用于预测一个媒资播放任务的完成概率；根据所述多个预测概率，获取至少一个场景下的至少一条媒资数据，并将所述至少一个场景下的至少一条媒资数据发送给所述目标显示设备，以使所述目标显示设备对所述至少一个场景下的至少一条媒资数据进行显示。
9.根据权利要求8所述的方法，其特征在于，所述根据所述多个预测概率，获取至少一个场景下的至少一条媒资数据，包括：分别对所述待推荐数据集合中各条媒资数据相关的各个媒资播放任务的预测概率进行加权求和，获取各条媒资数据的推荐概率；对所述各条媒资数据的推荐概率进行排序，并基于各条媒资数据的推荐概率的排序结果，获取至少一个场景下的至少一条媒资数据。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求8-9中任一项所述的多场景多任务的内容推荐方法。

技术总结
本公开涉及一种服务器、多场景多任务的内容推荐方法、及存储介质。该服务器包括：控制器，被配置为：根据目标显示设备的标识信息从媒资数据库中获取待推荐数据集合；所述待推荐数据集合包括目标显示设备在不同分类媒资推荐场景下的多条历史媒资播放数据；将所述待推荐数据集合输入多任务预测模型中，获取所述多任务预测模型输出的多个预测概率，所述多个预测概率与所述待推荐数据集合中各条媒资数据相关的各个媒资播放任务对应；所述多任务预测模型包括多个任务网络，每个任务网络用于预测一个媒资播放任务的完成概率；根据所述多个预测概率，获取至少一个场景下的至少一条媒资数据。采用本方法能提高多场景多任务下的内容推荐准确性。荐准确性。荐准确性。


技术研发人员：赵宝新 饶刚 黄山山
受保护的技术使用者：聚好看科技股份有限公司
技术研发日：2023.04.25
技术公布日：2023/8/28