[发明专利]数字内容的推荐值生成方法、装置、电子设备及存储介质

权利要求书

1.一种数字内容的推荐值生成方法，其特征在于，包括：

根据目标数字内容的属性信息以及目标数字内容的文本描述信息，得到目标数字内容的第一特征向量；所述文本描述信息包括对目标数字内容进行详细描述的第一文本描述信息和对目标数字内容进行简单描述的第二文本描述信息；

根据目标数字内容的第一特征向量，得到目标数字内容的第二特征向量；其中，所述第二特征向量是用于反映数字内容受欢迎程度的特征向量；

根据所述目标数字内容的第二特征向量，得到所述目标数字内容的推荐值；

所述根据目标数字内容的属性信息以及目标数字内容的文本描述信息，得到目标数字内容的第一特征向量，包括：

将目标数字内容的属性信息输入预先训练的属性特征向量生成模型，得到目标数字内容的属性特征列向量；其中，所述属性特征向量生成模型是基于样本数字内容的属性信息训练得到的；

根据所述第一文本描述信息得到目标数字内容的关键词信息，融合所述关键词信息与所述第二文本描述信息，将融合后的结果输入预先训练的内容属性特征向量生成模型，得到目标数字内容的内容属性特征向量；其中，所述内容属性特征向量生成模型是基于样本数字内容的文本描述信息训练得到的；

根据所述属性特征列向量与所述内容属性特征向量，得到目标数字内容的第一特征向量。

2.根据权利要求1所述的数字内容的推荐值生成方法，其特征在于，所述根据目标数字内容的第一特征向量，得到目标数字内容的第二特征向量，包括：

将目标数字内容的第一特征向量输入预先训练得到的第二特征向量生成模型，得到目标数字内容的第二特征向量；其中，第二特征向量生成模型是基于样本数字内容的第一特征向量、样本数字内容的全网络表现数据训练得到的；所述样本数字内容的全网络表现数据用于反映样本数字内容在全网络的受欢迎程度。

3.根据权利要求1所述的数字内容的推荐值生成方法，其特征在于，所述根据所述目标数字内容的第二特征向量，得到所述目标数字内容的推荐值，包括：

将目标数字内容的第二特征向量输入预先训练的推荐值生成模型，得到目标数字内容的推荐值；其中，所述推荐值生成模型是基于样本数字内容的第二特征向量以及样本数字内容的推荐值训练得到的。

4.根据权利要求1至3任一项所述的数字内容的推荐值生成方法，其特征在于，方法还包括：

根据样本数字内容的属性信息，训练属性特征向量生成模型；基于训练确定的属性特征向量生成模型，得到样本数字内容的属性特征向量；

根据样本数字内容的文本描述信息，训练内容属性特征向量生成模型；基于训练确定的内容属性特征向量生成模型，得到样本数字内容的内容属性特征向量；

根据样本数字内容的属性特征向量与内容属性特征向量，得到样本数字内容的第一特征向量；

根据样本数字内容的第一特征向量以及样本数字内容的全网络表现数据，训练第二特征向量生成模型；基于训练确定的第二特征向量生成模型，得到样本数字内容的第二特征向量；

根据样本数字内容的第二特征向量以及样本数字内容的推荐值，训练推荐值生成模型。

5.根据权利要求4所述的数字内容的推荐值生成方法，其特征在于，所述第二特征向量生成模型包括生成网络和对抗网络；

相应的，所述根据样本数字内容的第一特征向量以及样本数字内容的全网络表现数据，训练第二特征向量生成模型，包括：

将样本数字内容的第一特征向量与随机噪声向量输入所述生成网络，得到样本数字内容的第三特征向量；其中，所述第三特征向量为所述生成网络训练过程中所产生的中间向量；

将所述样本数字内容的全网络表现数据做降维分解，得到样本数字内容的第四特征向量；

将所述样本数字内容的第一特征向量、所述样本数字内容的第三特征向量与所述样本数字内容的第四特征向量输入所述对抗网络；

当损失函数不收敛时，调整所述生成网络与所述对抗网络的参数，然后重新进行训练，直至损失函数收敛并确定所述生成网络、所述对抗网络的参数。

6.根据权利要求4所述的数字内容的推荐值生成方法，其特征在于，所述推荐值生成模型是基于Logistic回归模型实现的。