[发明专利]服务器、媒资推荐网络的训练方法及媒资推荐方法

权利要求书

1.一种服务器，其特征在于，所述服务器被配置为：

采集用户观看媒资的历史行为数据；

计算所述历史行为数据对应观看顺序的第一矩阵、计算所述历史行为数据对应观看间隔的第二矩阵、计算所述历史行为数据对应媒资内容的第三矩阵；

通过自注意力模型对所述第一矩阵、第二矩阵和第三矩阵进行自注意力计算，得到所述历史行为数据对应的媒资表示矩阵；

将所述媒资表示矩阵输入前馈神经网络，通过媒资训练集对所述前馈神经网络进行训练，得到用于进行媒资推荐的媒资推荐网络。

2.根据权利要求1所述的服务器，其特征在于，计算所述历史行为数据对应观看间隔的第二矩阵，包括：

计算所述历史行为数据中任意两个媒资的观看间隔；

将所述观看间隔进行归一化，得到相对间隔；

构建表示所述历史行为数据中任意两个媒资的相对间隔的第二矩阵。

3.根据权利要求1所述的服务器，其特征在于，计算所述历史行为数据对应观看顺序的第一矩阵，包括：

按照所述历史行为数据中的观看时间构建观看顺序序列；

将所述历史行为数据按照所述观看顺序序列构建第一矩阵。

4.根据权利要求1所述的服务器，其特征在于，计算所述历史行为数据对应媒资内容的第三矩阵，包括：

构建所述历史行为数据对应媒资的影片描述矩阵；

构建所述历史行为数据对应媒资的海报表示矩阵；

构建所述历史行为数据对应媒资的视频内容表示矩阵；

综合全部媒资的影片描述矩阵、海报表示矩阵和视频内容表示矩阵，得到所述历史行为数据对应媒资内容的第三矩阵。

5.根据权利要求1所述的服务器，其特征在于，通过自注意力模型对所述第一矩阵、第二矩阵和第三矩阵进行自注意力计算，得到所述历史行为数据对应的媒资表示矩阵，包括：

通过自注意力模型对所述第一矩阵和第二矩阵进行自注意力计算，得到位置矩阵；

通过所述自注意力模型对所述位置矩阵和第三矩阵进行自注意力计算，得到媒资表示矩阵。

6.根据权利要求5所述的服务器，其特征在于，通过自注意力模型对所述第一矩阵和第二矩阵进行自注意力计算，得到位置矩阵，包括：

计算所述第一矩阵的注意力机制的第一查询向量、第一键向量和第一值向量，计算所述第二矩阵的注意力机制的第二查询向量、第二键向量和第二值向量；

计算所述第一查询向量与第二查询向量的和，得到第一综合查询向量，计算所述第一键向量与第二键向量的和，得到第一综合键向量，计算所述第一值向量与第二值向量的和，得到第一综合值向量；

通过自注意力模型对所述第一综合查询向量、第一综合键向量和第一综合值向量进行自注意力计算，得到位置矩阵。

7.根据权利要求5所述的服务器，其特征在于，通过所述自注意力模型对所述位置矩阵和第三矩阵进行自注意力计算，得到媒资表示矩阵，包括：

将所述位置矩阵设置为第二综合查询向量，将所述第三矩阵设置为第二综合键向量和第二综合值向量；

通过自注意力模型对所述第二综合查询向量，将所述第三矩阵设置为第二综合键向量和第二综合值向量进行自注意力计算，得到媒资表示矩阵。

8.一种媒资推荐网络的训练方法，其特征在于，包括：

采集用户观看媒资的历史行为数据；

计算所述历史行为数据对应观看顺序的第一矩阵、计算所述历史行为数据对应观看间隔的第二矩阵、计算所述历史行为数据对应媒资内容的第三矩阵；

通过自注意力模型对所述第一矩阵、第二矩阵和第三矩阵进行自注意力计算，得到所述历史行为数据对应的媒资表示矩阵；

将所述媒资表示矩阵输入前馈神经网络，通过媒资训练集对所述前馈神经网络进行训练，得到媒资推荐网络。

9.根据权利要求1所述的媒资推荐方法，其特征在于，所述前馈神经网络为包括两个relu层的神经网络。

10.一种媒资推荐方法，其特征在于，包括：

接收用户的媒资推荐请求；

响应于所述媒资推荐请求，将所述用户的历史行为数据和媒资候选集输入媒资推荐网络；

若所述历史行为数据包括第一观看数据，所述媒资推荐网络在所述媒资候选集中筛选出包含第一媒资的第一媒资推荐数据；

若所述历史行为数据包括第二观看数据，所述媒资推荐网络在所述媒资候选集中筛选出包含第二媒资的第二媒资推荐数据；

其中，所述第一媒资与第二媒资不同，所述第一观看数据和所述第二观看数据中包含的历史观看媒资相同，且在所述第一观看数据中第一历史观看媒资与第二历史观看媒资的观看间隔，与在所述第二观看数据中第一历史观看媒资与第二历史观看媒资的观看间隔不同。