[发明专利]一种音频数据的排序方法、装置、计算机设备和存储介质

说明书

本发明实施例提供了一种音频数据的排序方法、装置、计算机设备和存储介质，该方法包括：对用户播放的音频数据生成播放列表，音频数据中具有实体，对播放列表进行编码，获得表征音频数据的第一向量、表征实体的第二向量，根据第一向量生成表征用户的第三向量，根据第一向量生成表征用户对音频数据偏好的第四向量，根据第二向量生成表征用户对音频数据偏好的第五向量，至少将第一向量、第二向量、第三向量、第四向量与第五向量输入提升树模型进行训练，以对音频数据进行排序，自动抽取特征，避免了人工特征工程，大大降低了技术门槛，降低了成本，再者，引入用户播放音频数据的播放列表可以捕捉用户的兴趣变化。

技术领域

本发明实施例涉及计算机处理的技术领域，尤其涉及一种音频数据的排序方法、装置、计算机设备和存储介质。

背景技术

随着媒体娱乐的快速发展，尤其是移动终端的普及使得音频数据的制作成本大幅下降，用户可以随时随地制作音频数据并大量上传至媒体平台进行公开，使得各个媒体平台中聚合了大量的音频数据。

对于海量的音频数据，媒体平台会筛选用户用户可能感兴趣的音频数据，按照一定的方式排序并推送给用户，使得用户更加便捷地获取到可能感兴趣的音频数据。

目前，对音频数据排序的方式主要包括如下三种：

1、LR(Logistic Regression，逻辑回归)模型

在此方式中，通过人工特征工程抽取大量特征，将这些特征输入LR模型中对媒体节目进行排序。

但是，LR模型抽取特征需要依赖较多的业务知识，技术门槛高，成本高，并且，LR模型是一个线性模型，学习能力弱，处理高维特征的能力较低，导致排序的精确度较低。

2、WideDeep(宽度和深度)模型

WideDeep模型的核心思想是结合广义线性模型的记忆能力(memorization)和深度前馈神经网络模型的泛化能力(generalization)。利用广义线性模型从历史数据中学习特征相关性，利用深度前馈神经网络揭示隐式特征之间的相互作用。

但是，Wide模型的输入，依旧依赖人工特征工程，需要依赖较多的业务知识，技术门槛高，成本高。

发明内容

本发明实施例提出了一种音频数据的排序方法、装置、计算机设备和存储介质，以解决如何降低对音频数据排序的成本的问题。

第一方面，本发明实施例提供了一种音频数据的排序方法，包括：

对用户播放的音频数据生成播放列表，所述音频数据中具有实体；

对所述播放列表进行编码，获得表征所述音频数据的第一向量、表征所述实体的第二向量；

根据所述第一向量生成表征所述用户的第三向量；

根据所述第一向量生成表征所述用户对音频数据偏好的第四向量；

根据所述第二向量生成表征所述用户对音频数据偏好的第五向量；

至少将所述第一向量、所述第二向量、所述第三向量、所述第四向量与所述第五向量输入提升树模型进行训练，以对所述音频数据进行排序。

可选地，所述对用户播放的音频数据生成播放列表，包括：

若用户播放音频数据，则记录播放所述音频数据的时间戳、播放所述音频数据的时长；

依次将所述音频数据按照所述时间戳排列，形成播放列表；

若播放所述音频数据的时长小于预设的第一阈值，则在所述播放列表中滤除所述音频数据；