多媒体资源确定方法、装置、电子设备及存储介质与流程

1.本发明涉及数据处理技术领域，尤其涉及一种多媒体资源确定方法、装置、电子设备及存储介质。


背景技术：

2.随着互联网技术的发展，多媒体资源数量的增多，为提高针对多媒体资源的观看体验，各个多媒体资源应用会为目标对象推荐潜在感兴趣的多媒体资源。
3.在多媒体资源推荐的过程中，应先筛选出需要进行推荐的目标多媒体资源；目前，在目标多媒体资源筛选过程中，主要采用单一的筛选方式对目标多媒体资源进行筛选，使筛选出的多媒体资源不够准确。
4.综上，如何准确的筛选出多媒体资源，提高多媒体资源推荐的精确度，是目前需要解决的问题。


技术实现要素：

5.本技术提供一种多媒体资源确定方法、装置、电子设备及存储介质，用以提高多媒体资源推荐的精确度。
6.第一方面，本技术实施例提供一种多媒体资源确定方法，该方法包括：
7.基于目标对象的对象属性信息，在多媒体资源集合中，筛选出至少一个候选多媒体资源；其中，多媒体资源集合中，包含至少一个热度值达到第一阈值的多媒体资源；
8.分别获得至少一个候选多媒体资源中，各个候选多媒体资源的变异参数，其中，变异参数用于表征：各个历史对象之间，针对相应的多媒体资源的偏好差异程度；
9.基于获得的变异参数，从至少一个候选多媒体资源中，筛选出至少一个目标多媒体资源。
10.第二方面，本技术实施例提供一种多媒体资源确定装置，该装置包括：
11.第一筛选单元，用于基于目标对象的对象属性信息，在多媒体资源集合中，筛选出至少一个候选多媒体资源；其中，多媒体资源集合中，包含至少一个热度值达到第一阈值的多媒体资源；
12.获得单元，用于分别获得至少一个候选多媒体资源中，各个候选多媒体资源的变异参数，其中，变异参数用于表征：各个历史对象之间，针对相应的多媒体资源的偏好差异程度；
13.第二筛选单元，用于基于获得的变异参数，从至少一个候选多媒体资源中，筛选出至少一个目标多媒体资源。
14.在一种可能的实现方式中，第一筛选单元具体用于：
15.分别获得多媒体资源集合中，各个多媒体资源与目标对象的对象属性信息之间的匹配度；
16.基于获得的匹配度，筛选匹配度达到第二阈值的多媒体资源，并将筛选出的多媒
体资源作为候选多媒体资源。
17.在一种可能的实现方式中，获得单元通过如下方式确定候选多媒体资源对应的变异参数：
18.针对至少一个候选多媒体资源中的各个候选多媒体资源，分别获取各个候选多媒体资源各自对应的历史浏览参数集合；
19.基于获取的各个历史浏览参数集合，确定相应的候选多媒体资源对应的变异参数；其中，每个历史浏览参数集合包括：历史浏览时长子集合、历史浏览次数子集合中的至少一种。
20.在一种可能的实现方式中，若历史浏览参数集合括历史浏览时长子集合或历史浏览次数子集合，则获得单元具体用于：
21.基于历史浏览参数集合中各个历史浏览参数之间的标准差或方差，确定变异参数。
22.在一种可能的实现方式中，若历史浏览参数集合包括历史浏览时长子集合和历史浏览次数子集合，则获得单元具体用于：
23.基于历史浏览时长子集合和历史浏览次数子集合各自对应的标准差，分别确定相应的第一子变异参数以及第二子变异参数；并将第一子变异参数和第二子变异参数进行加权处理，获取的第一加权处理结果作为变异参数；或
24.基于历史浏览时长子集合和历史浏览次数子集合各自对应的方差，分别确定相应的第一子变异参数以及第二子变异参数；并将第一子变异参数和第二子变异参数进行加权处理，获取的第二加权处理结果作为变异参数。
25.在一种可能的实现方式中，第二筛选单元具体用于：
26.针对至少一个候选多媒体资源中的各个候选多媒体资源，分别基于各个候选多媒体资源各自对应的变异参数，对相应的多媒体资源对应的匹配度进行加权处理，获得相应的匹配度加权处理结果；
27.基于各个匹配度加权处理结果，筛选出匹配度加权处理结果达到第三阈值的候选多媒体资源，并将筛选出的候选多媒体资源作为目标多媒体资源。
28.在一种可能的实现方式中，第二筛选单元从至少一个候选多媒体资源集合中，筛选出至少一个目标多媒体资源之后，还用于：
29.将至少一个目标多媒体资源进行重排处理；
30.按照重排处理后的排列顺序，将至少一个目标多媒体资源推荐给目标对象。
31.第三方面，本技术实施例提供一种电子设备，包括：存储器和处理器，其中，存储器，用于存储计算机程序；处理器，用于执行计算机程序以实现本技术实施例提供的多媒体资源确定方法。
32.第四方面，本技术实施例提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现本技术实施例提供的多媒体资源确定方法。
33.本技术有益效果如下：
34.本技术实施例提供一种多媒体资源确定方法、装置、电子设备及存储介质，应用于数据处理技术领域。在本技术实施例中，首先基于各个多媒体资源的热度值，筛选出至少一
个热度值达到第一阈值的多媒体资源，并组成多媒体资源集合；然后基于目标对象的对象属性信息，在多媒体资源集合中，筛选出至少一个候选多媒体资源，此时，筛选出目标对象潜在感兴趣的候选多媒体资源；在确定各个候选多媒体资源后，获得各个候选多媒体资源对应的用于表征历史对象偏好差异程度的变异参数，基于变异参数，从至少一个候选多媒体资源中，筛选出至少一个目标多媒体资源，基于变异参数再进行一次筛选，筛选出普适性以及受喜爱程度较高的目标多媒体资源；采用本技术的实施方式对多媒体资源进行筛选，使筛选出的目标多媒体资源，更加符合目标对象的偏好，且被喜爱程度较高，进一步，提高多媒体资源推荐的精确度。
35.本技术的其它特征向量和优点将在随后的说明书中阐述，并且，子模型地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
36.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
37.图1为一种多媒体资源推荐系统的架构示意图；
38.图2为一种显示推荐的多媒体资源的示意图；
39.图3为一种应用场景示意图；
40.图4为本技术实施例提供的一种多媒体资源确定方法的流程图；
41.图5为本技术实施例提供的一种筛选候选多媒体资源的方法流程图；
42.图6为本技术实施例提供的一种确定目标多媒体资源的示意图；
43.图7为本技术实施例提供的另一种确定目标多媒体资源的示意图；
44.图8为本技术实施例提供的一种确定候选多媒体资源对应的变异参数的示意图；
45.图9为本技术实施例提供的一种基于推荐系统确定多媒体资源的示意图；
46.图10为本技术实施例提供的另一种基于推荐系统确定多媒体资源的示意图；
47.图11为本技术实施例提供的一种多媒体资源确定装置的结构图；
48.图12为本技术实施例提供的一种电子设备。
具体实施方式
49.为了使本技术的目的、技术方案及有益效果更加清楚明白，以下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部分实施例，并不是全部的实施例。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，都属于本技术保护的范围。
50.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。
51.以下对本技术实施例中的部分用语进行解释说明，以便于本领域技术人员理解。
52.1、多媒体资源，在计算机系统中，多媒体指组合两种或两种以上媒体的一种人机交互式信息交流和传播媒体；多媒体资源是人机交互过中需要传播的数据，其中包括但不限于：文字、图片、照片、声音、动画和影片。
53.2、对象属性信息又称为用户属性信息，其中包括但不限于：性别、年龄、语言信息。
54.3、变异参数用于表征各个历史对象之间，针对多媒体资源的偏好差异程度。
55.下面对本技术实施例的设计构思进行简单介绍。
56.本技术实施例涉及多媒体资源确定过程；随着互联网技术的发展，多媒体资源数量不断增多，目标对象每天都面对海量的多媒体资源。为了提高目标对象针对多媒体资源的观看体验，各个多媒体资源应用通常筛选出部分多媒体资源，然后将筛选出的多媒体资源推荐给目标对象。
57.在相关技术中，多媒体资源应用在筛选多媒体资源时，采用单一筛选方式对多媒体资源进行简单筛选；比如，基于目标对象历史浏览的多媒体资源对应的多媒体资源标签，筛选出与该标签相同的，且目标对象未点击过的多媒体资源，并将筛选出的多媒体资源推荐给目标对象。或基于各个多媒体资源对应的点击次数，筛选出点击次数较高的，且目标对象未点击过的多媒体资源，并将筛选出的多媒体资源推荐给目标对象。
58.但基于相关技术中给出的筛选方式，筛选出的多媒体资源不够准确，且无法预估目标对象对筛选出的目标多媒体资源是否感兴趣，此时，会将目标对象不感兴趣的多媒体资源推荐给目标对象，给目标对象造成困扰，降低观看体验。比如，基于点击次数对多媒体资源进行筛选时，会存在多媒体资源制作者找人刷播放次数或点击次数的情况，还可能存在历史对象误操作的情况，导致基于点击次数筛选出的多媒体资源不够准确。
59.显然，相关技术中，确定推荐多媒体资源时，对多媒体资源进行简单筛选，导致多媒体资源推荐的精确度较低。
60.考虑到可以先基于多媒体资源池中的各个多媒体资源的热度进行初步筛选，然后基于目标对象的对象属性信息进行再次筛选，最后基于历史对象的浏览参数进行最后一次筛选，以提高多媒体资源推荐的精确度，使推荐的多媒体资源更加符合目标对象的偏好；本技术实施例提供一种多媒体资源确定方法、装置、电子设备及存储介质。
61.在本技术实施例中，首先基于多媒体资源池中各个多媒体资源的热度值，从多媒体资源池中筛选出至少一个热度值达到第一阈值的多媒体资源，并组成多媒体资源集合；然后基于目标对象的对象属性信息，在多媒体资源集合中，筛选出至少一个候选多媒体资源，此时，筛选出目标对象潜在感兴趣的候选多媒体资源；在确定各个候选多媒体资源后，获得各个候选多媒体资源对应的用于表征历史对象偏好差异程度的变异参数，基于变异参数，从至少一个候选多媒体资源中，筛选出至少一个目标多媒体资源，基于变异参数再进行一次筛选，筛选出大部分历史对象均喜爱的多媒体资源，即筛选出普适性以及受喜爱程度较高的目标多媒体资源；筛选出的目标多媒体资源，更加符合目标对象的偏好，受喜爱程度较高，提高多媒体资源推荐的精确度。
62.本技术实施提供的确定多媒体资源方法可以应用到各种多媒体资源推荐系统中，如，视频推荐、文章推荐、新闻推荐、浏览器首页推荐以电商推荐等推荐系统中。请参考图1，
图1为一种多媒体资源推荐系统的架构示意图。该多媒体资源推荐系统包括索引、召回、粗排、精排以及重排等部分。
63.首先，索引阶段用于获取全部区块链中的区块中存储的各多媒体资源；
64.其中，区块链是分布式数据存储的计算机技术的新型应用模式；区块链中的每个区块可作为一个存储节点，该存储节点可以为部署在不同地区的服务器，由各个服务器存储多媒体资源。因此多个服务器可以通过区块链实现多媒体资源的共享，即多个服务器构成数据共享系统。且对于数据共享系统中的各个服务器，均具有与该服务器对应的节点标识，数据共享系统中的各个服务器均可以存储有数据共享系统中其他服务器的节点标识，以便后续根据其他服务器的节点标识，将生成的区块广播至数据共享系统中的其他服务器。
65.然后，依次通过召回、粗排以及精排对上一层传输的多媒体资源进行筛选，获得筛选后的目标多媒体资源；
66.比如，召回阶段根据目标对象的兴趣标签、历史行为以及各个多媒体资源的点击次数，快速找回目标对象潜在感兴趣的多媒体资源，并传输给粗排阶段。粗排阶段通过粗排模型，对目标对象和多媒体资源的内容特征进行匹配，确定匹配度，基于匹配度对召回阶段获得的多媒体资源进行粗略的排序，在保证一定精准的前提下，进一步减少传输给精排阶段的多媒体资源的数量。精排阶段使用全面多维的特征和精排模型，尽量精准地对多媒体资源进行个性化排序，并对粗排阶段传输的多媒体资源进行筛选，获得目标多媒体资源后，将目标多媒体资源传输给重排阶段。
67.最后，通过重排对筛选出的目标多媒体资源进行去重、重新排序、多样性保证等操作，防止相似的多媒体资源连续出现，最后向目标对象推荐重排后的目标多媒体资源。此时，在目标对象对应的终端设备安装的多媒体资源应用程序中，呈现多媒体资源推荐系统推荐的多媒体资源，具体的可参考图2，图2以多媒体资源为视频为例，需要说明的是，图2仅是举例说明，并不是唯一展现方式。
68.需要说明的是，粗排模型和精排模型都是基于用户行为信息，兴趣信息，多媒体资源信息，终端设备使用信息等信息组进行训练后获得的，但是由于粗排模型需要在多媒体资源池中快速筛选出多媒体资源传输给精排阶段，由精排阶段对粗排阶段筛选出的多媒体资源进行再加工，保证精确度；可见，粗排模型主要保证的是速度，精排模型保证的是精确度，因此，粗排阶段的粗排模型训练过程中使用的参数数量少于精排模型训练过程中使用的参数数量。
69.在本技术实施例中，确定目标多媒体资源时，在召回、粗排以及精排的过程中，涉及人工智能(artificial intelligence，ai)和机器学习技术，基于人工智能中的语音技术、自然语言处理技术和机器学习(machine learning，ml)而设计。
70.人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。
71.人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术主要包括计算机视觉技术、自然语言处理技术、以及机器学
习/深度学习等几大方向。随着人工智能技术研究和进步，人工智能在多个领域展开研究和应用，例如常见的智能家居、智能客服、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、机器人、智能医疗等，相信随着技术的发展，人工智能将在更多的领域获得应用，并发挥越来越重要的价值。
72.机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。对比于数据挖掘从大数据之间找相互特性而言，机器学习更加注重算法的设计，让计算机能够自动地从数据中“学习”规律，并利用规律对未知数据进行预测。
73.机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。强化学习(reinforcement learning,rl)，又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体(agent)在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。
74.在本技术实施例中，召回、粗排以及精排中均对应设置有相应的筛选条件，以通过设置的相应筛选条件对上一层传输的多媒体资源进行筛选。其中，筛选条件可以包括以下方式中的至少一种：
75.多媒体资源对应的热度值，筛选出热度值达到第一阈值的多媒体资源；这样可以筛选出当前热度较高的多媒体资源；
76.多媒体资源对应的各个历史对象的浏览参数，基于各个历史对象的浏览参数确定出相应的多媒体资源的变异参数，基于变异参数筛选出多媒体资源；这样可以区分出多媒体资源在历史对象之间的差异程度，筛选出普适性更好的多媒体资源；
77.目标对象浏览的多媒体资源的多媒体资源标签，筛选出确定的多媒体资源标签对应的多媒体资源；这样可以筛选出与目标对象感兴趣的多媒体资源相关的多媒体资源；
78.目标对象的对象属性信息，如，地域、语言以及性别等，对多媒体资源进行筛选；例如，目标对象的语言为汉语，则筛选出语言为汉语的多媒体资源；
79.目标对象的操作记录，如，检索记录以及历史记录等，筛选出与操作记录匹配的多媒体资源。
80.这样，先基于目标对象的对象属性信息，对热度值达到第一阈值的多媒体资源进行初步筛选，获得候选多媒体资源；然后基于历史对象的浏览参数对候选多媒体资源进行再次筛选，使筛选出的多媒体资源更加符合目标对象的偏好，提高推荐多媒体资源的精确度，提高目标对象的对多媒体资源应用的使用体验。
81.下面对本技术实施例的技术方案能够适用的应用场景做一些简单介绍，需要说明的是，以下介绍的应用场景仅用于说明本技术实施例而非限定。在具体实施过程中，可以根据实际需要灵活地应用本技术实施例提供的技术方案。
82.请参考图3，图3示例性提供本技术实施例中一种应用场景，该应用场景中包括终端设备10以及服务器20；
83.其中，终端设备10为安装运行有具有多媒体资源播放功能的多媒体资源应用程序及网站；可以为个人计算机、手机、平板电脑、笔记本、电子书阅读器、车载终端等电子设备。
84.服务器20为包含有目标多媒体播放器的服务端的服务器；该服务器20可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
85.在一种可能的实施方式中，终端设备10与服务器20之间可以通过通信网络进行通信，通信网络是有线网络或无线网络。因此终端设备10和服务器20可以通过有线或无线通信方式进行直接或间接地连接。比如，终端设备10还可以通过无线接入点12与服务器20间接地连接，或终端设备10通过因特网与服务器20直接地连接，本技术在此不做限制。
86.基于上述应用场景，下面结合上述描述的应用场景，根据附图来描述本技术示例性实施方式提供的多媒体资源确定方法，需要注意的是，上述应用场景仅是为了便于理解本技术的精神和原理而示出，本技术的实施方式在此方面不受任何限制。
87.请参考图4，图4示例性提供本技术实施例中一种多媒体资源确定方法，应用于多媒体资源的推荐服务器，该方法包括：
88.步骤s400，基于目标对象的对象属性信息，在多媒体资源集合中，筛选出至少一个候选多媒体资源；其中，多媒体资源集合中，包含至少一个热度值达到第一阈值的多媒体资源。
89.在向目标对象推荐多媒体资源的过程中，主要是在多媒体资源池中包含的大量多媒体资源中筛选出目标对象未点击过，且为目标对象潜在感兴趣的多媒体资源。
90.在筛选多媒体资源的过程中，有一类常用算法—热门算法，热门算法在个性化的多媒体资源推荐场景中，多媒体资源流量占比高，对目标对象的多媒体资源观看体验影响大。热点算法是选择热度值较高的多媒体资源，并将选择的多媒体资源推荐给目标对象，此时需要保证目标对象未点击过该热度值较高的多媒体资源。
91.基于热门算法筛选多媒体资源时，热度值是基于时间维度、互动量维度、内容维度以及对象维度等确定的。其中对热度值影响最大的为互动量维度和对象维度，在互动量维度和对象维度中主要包含有点击次数、播放完成度、互动率参数等。
92.因此，本技术实施例中的热度值主要是基于多媒体资源对应的点击次数、播放完成度、互动参数中的至少一种确定的。也就是说，在本技术实施例中，可基于多媒体资源对应的点击次数、播放完成度、互动参数中的至少一种在多媒体资源池中对多媒体资源进行筛选；比如，基于点击次数进行筛选，即筛选点击次数达到第一阈值的多媒体资源，并组成多媒体资源集合。
93.虽然多媒体资源集合中的多媒体资源是热度较高的，但是并不能保证目标对象对多媒体资源集合中的每个多媒体资源都喜爱；因此，本技术实施例中，基于目标对象的对象属性信息，在多媒体资源集合中，筛选出至少一个候选多媒体资源。
94.请参考图5，图5示例性提供本技术实施中一种筛选候选多媒体资源的方法流程图，包括如下步骤：
95.步骤s500，针对多媒体资源集合中的各个多媒体资源，分别确定多媒体资源与对象属性信息之间的匹配度；
96.其中，多媒体资源与对象属性信息之间的匹配度是通过推荐服务器中的内置模型
确定的，该内置模型是基于已知多媒体资源与对象属性信息之间的匹配度进行训练获得的。
97.步骤s501，筛选出匹配度达到第二阈值的多媒体资源，作为候选多媒体资源。
98.请参考图6，为本技术实施例提供的一种从多媒体资源池中筛选候选多媒体资源的示意图。
99.在一种可能的实现方式中，在确定了多媒体资源与对象属性信息之间的匹配度后，将多媒体资源集合中的多媒体资源，按照匹配度由大到小的顺序进行排列，然后筛选排列序号大于预设序号阈值的多媒体资源作为候选多媒体资源。请参考图7，图7示例性提供本技术实施例中另一种筛选候选多媒体资源的示意图。
100.需要说明的是，匹配度仅能预测目标对象对相应的多媒体资源的偏好程度，也就是说目标对象不一定喜爱筛选出的候选多媒体资源。
101.例如，在确定多媒体资源与目标对象的对象属性信息之间的匹配度阶段，多媒体资源1和多媒体资源2两个多媒体资源对应的匹配度都较高，且匹配度对应的数值相近。但是历史对象对多媒体资源2偏好表现较为一致，而对多媒体资源1的偏好表现呈现两极分化。此时，若将多媒体资源2和多媒体资源1均推荐分发后，获得的多媒体资源2被喜爱的概率将会高于多媒体资源1。因此，若将多媒体资源1和多媒体资源2均推荐给目标对象，可能存在目标对象喜爱多媒体资源2，反感多媒体资源1的情况。
102.因此，在确定了多媒体资源对应的匹配度，基于匹配度筛选出候选多媒体资源以后，为了获取目标对象喜爱程度较高的多媒体资源，提高目标多媒体资源推荐的精确度；本技术实施例中，针对各个候选多媒体资源，分别确定相应的变异参数。
103.步骤s401，分别获得至少一个候选多媒体资源中，各个候选多媒体资源的变异参数，其中，变异参数用于表征：各个历史对象之间，针对相应的多媒体资源的偏好差异程度。
104.在本技术实施例中，基于候选多媒体资源对应的历史浏览参数集合，确定相应的候选多媒体资源的变异参数，其中，历史浏览参数集合中包含：历史浏览时长子集合以及历史浏览次数子集合中的至少一种，且历史浏览时长子集合中包含有各个历史对象的浏览时长，历史浏览次数子集合中包含有各个历史对象的浏览次数。
105.在一种可能的实现方式中，多媒体资源的推荐服务器，对相应的多媒体资源应用中发布的各个多媒体资源的浏览日志进行记录。一个多媒体资源对应的浏览日志中包含有点击过该多媒体资源的所有历史对象，以及各个历史对象对应的浏览时长和浏览次数中的至少一种。
106.需要说明的是，各个多媒体资源对应的浏览日志可采用表格的方式进行记录，如表1所示：
107.表1
108.109.因此，在确定多媒体资源对应的变异参数之前，应先获取多媒体资源对应的历史浏览参数集合。
110.请参考图8，以确定一个候选多媒体资源对应的变异参数为例进行说明，图8为本技术实施例提供的一种确定候选多媒体资源对应的变异参数的方法流程图，包括如下步骤：
111.步骤s800，获取候选多媒体资源对应的历史浏览参数集合；
112.在一种可能的实现方式中，在该多媒体资源对应的浏览日志中，获取各个历史对象各自对应的浏览时长，组成历史浏览时长子集合；以及，在该多媒体资源对应的浏览日志中，获取各个历史对象各自对应的浏览次数，组成历史浏览次数子集合中的至少一种。
113.步骤s801，基于获取的历史浏览参数集合，确定候选多媒体资源对应的变异参数。
114.在一种可能的实现方式中，若仅获取到历史浏览时长子集合或历史浏览次数子集合，基于获取的历史浏览参数集合，确定相应的候选多媒体资源对应的变异参数时：
115.首先确定历史浏览参数集合中包含的各个历史浏览参数之间的标准差或方差；
116.然后，基于标准差或方差确定变异参数；比如，变异参数a＝(标准差/平均值)
×
100％，变异参数的取值范围[-1,1]，或变异参数a＝标准差，或变异参数a＝方差。
[0117]
在一种可能的实现方式中，若获取到历史浏览时长子集合和历史浏览次数子集合，基于获取的历史浏览参数集合，确定相应的候选多媒体资源对应的变异参数时：
[0118]
首先，确定历史浏览时长子集合和历史浏览次数子集合各自对应的标准差；
[0119]
然后，基于各个标准差，分别确定相应的第一子变异参数以及第二子变异参数；比如，第一子变异参数＝(浏览时长标准差/平均值)
×
100％，以及，第二子变异参数＝(浏览次数标准差/平均值)
×
100％；
[0120]
最后，将第一子变异参数和第二子变异参数进行加权处理，获取的第一加权处理结果作为变异参数；
[0121]
其中，第一子变异参数的权重 第二子变异参数的权重＝1。或者
[0122]
首先，确定历史浏览时长子集合和历史浏览次数子集合各自对应的方差；
[0123]
然后，基于各个方差，分别确定相应的第一子变异参数以及第二子变异参数；比如，第一子变异参数＝浏览时长方差，以及，第二子变异参数＝浏览次数方差；
[0124]
最后，将第一子变异参数和第二子变异参数进行加权处理，获取的第二加权处理结果作为变异参数。
[0125]
在一种可能的实现方式中，在确定变异系数时，还可以参考浏览完成度，其中浏览完成度是基于浏览时长确定的。
[0126]
在一种可能的实现方式中，在确定变异系数时，还可以参考各个候选多媒体资源与历史对象之间的互动率。
[0127]
在推荐场景中，变异参数是概率分布离散程度的一个归一化度量，可以体现历史对象对多媒体资源的偏好差异程度，变异参数越小，则历史对象之间针对多媒体资源的偏好差异越小，偏好更一致。
[0128]
步骤s402，基于获得的变异参数，从至少一个候选多媒体资源中，筛选出至少一个目标多媒体资源。
[0129]
在一种可能的实现方式中，在基于获得的变异参数，从至少一个候选多媒体资源
中，筛选至少一个目标多媒体资源时：
[0130]
首先，基于获取的变异系数，确定候选多媒体资源对应的匹配度权重；比如，匹配度权重＝e-a
，其中a是变异参数，当变异参数越大，函数值越小，最终得分越小，说明各个历史对象之间，对候选多媒体资源的偏好差异越大，候选多媒体资源对应被喜爱的稳定程度不高。
[0131]
然后，基于确定的匹配度权重，对相应的候选多媒体资源对应的匹配度进行加权处理，获得相应的匹配度加权处理结果；比如，候选多媒体资源1对应的匹配度为s1，对匹配度进行加权处理，获得的匹配度加权处理结果s
′
1＝s1*e-a1
，其中a1是候选多媒体资源1对应的匹配度权重；
[0132]
最后，基于各个匹配度加权处理结果，筛选出匹配度加权处理结果达到第三阈值的候选多媒体资源，并将筛选出的候选多媒体资源作为目标多媒体资源，具体可参考图6。
[0133]
在一种可能的实现方式中，在确定出各个候选多媒体资源各自对应的匹配度加权处理结果后，基于匹配度加权处理结果对候选多媒体资源进行排序，然后筛选出排列序号大于排列序号阈值的候选多媒体资源，作为目标多媒体资源，请参考图7。
[0134]
需要说明的是，上述多媒体资源确定的方式可以应用于推荐服务器对多媒体资源的召回、粗排以及精排的过程，也就是说在召回、粗排以及精排的过程都可以加入变异参数对多媒体资源进行筛选，请参考图9。
[0135]
还可以在召回、粗排以及精排的过程中，对上述三次筛选进行组合，比如在召回过程中基于点击次数确定多媒体资源集合；在粗排过程中，基于目标对象的对象属性信息，在多媒体资源集合中筛选出候选多媒体资源；在精排过程中，基于变异参数，在候选多媒体资源中筛选出目标多媒体资源，请参考图10。
[0136]
在本技术实施例中，从至少一个候选多媒体资源集合中，筛选出至少一个目标多媒体资源之后，将至少一个目标多媒体资源进行重排处理；并按照重排处理后的排列顺序，将至少一个目标多媒体资源推荐给目标对象。
[0137]
在本技术实施例中，对热门算法的优化，及对确定目标多媒体资源的方式进行优化，提升了目标对象针对推荐的多媒体资源的喜爱程度，提高推荐多媒体资源的精确度，保证目标对象针对多媒体资源的观看体验，整体体验提升。进一步，对应可激励创作者生产更多的相似多媒体资源。经过有效的控制后，引导生产普适性的多媒体资源，保障多媒体资源生产链路。
[0138]
基于同一发明构思，本技术实施例提供一种多媒体资源确定装置1100，图11示例性提供了本技术实施例中一种多媒体资源确定装置1100，该装置包括：
[0139]
第一筛选单元1101，用于基于目标对象的对象属性信息，在多媒体资源集合中，筛选出至少一个候选多媒体资源；其中，多媒体资源集合中，包含至少一个热度值达到第一阈值的多媒体资源；
[0140]
获得单元1102，用于分别获得至少一个候选多媒体资源中，各个候选多媒体资源的变异参数，其中，变异参数用于表征：各个历史对象之间，针对相应的多媒体资源的偏好差异程度；
[0141]
第二筛选单元1103，用于基于获得的变异参数，从至少一个候选多媒体资源中，筛选出至少一个目标多媒体资源。
[0142]
在一种可能的实现方式中，第一筛选单元1101具体用于：
[0143]
分别获得多媒体资源集合中，各个多媒体资源与目标对象的对象属性信息之间的匹配度；
[0144]
基于获得的匹配度，筛选匹配度达到第二阈值的多媒体资源，并将筛选出的多媒体资源作为候选多媒体资源。
[0145]
在一种可能的实现方式中，获得单元1102通过如下方式确定候选多媒体资源对应的变异参数：
[0146]
针对至少一个候选多媒体资源中的各个候选多媒体资源，分别获取各个候选多媒体资源各自对应的历史浏览参数集合；
[0147]
基于获取的各个历史浏览参数集合，确定相应的候选多媒体资源对应的变异参数；其中，每个历史浏览参数集合包括：历史浏览时长子集合、历史浏览次数子集合中的至少一种。
[0148]
在一种可能的实现方式中，若历史浏览参数集合括历史浏览时长子集合或历史浏览次数子集合，则获得单元1102具体用于：
[0149]
基于历史浏览参数集合中各个历史浏览参数之间的标准差或方差，确定变异参数。
[0150]
在一种可能的实现方式中，若历史浏览参数集合包括历史浏览时长子集合和历史浏览次数子集合，则获得单元1102具体用于：
[0151]
基于历史浏览时长子集合和历史浏览次数子集合各自对应的标准差，分别确定相应的第一子变异参数以及第二子变异参数；并将第一子变异参数和第二子变异参数进行加权处理，获取的第一加权处理结果作为变异参数；或
[0152]
基于历史浏览时长子集合和历史浏览次数子集合各自对应的方差，分别确定相应的第一子变异参数以及第二子变异参数；并将第一子变异参数和第二子变异参数进行加权处理，获取的第二加权处理结果作为变异参数。
[0153]
在一种可能的实现方式中，第二筛选单元1103具体用于：
[0154]
针对至少一个候选多媒体资源中的各个候选多媒体资源，分别基于各个候选多媒体资源各自对应的变异参数，对相应的多媒体资源对应的匹配度进行加权处理，获得相应的匹配度加权处理结果；
[0155]
基于各个匹配度加权处理结果，筛选出匹配度加权处理结果达到第三阈值的候选多媒体资源，并将筛选出的候选多媒体资源作为目标多媒体资源。
[0156]
在一种可能的实现方式中，第二筛选单元1103从至少一个候选多媒体资源集合中，筛选出至少一个目标多媒体资源之后，还用于：
[0157]
将至少一个目标多媒体资源进行重排处理；
[0158]
按照重排处理后的排列顺序，将至少一个目标多媒体资源推荐给目标对象。
[0159]
为了描述的方便，以上各子模型按照功能划分为各单元(或模块)分别描述。当然，在实施本技术时可以把各单元(或模块)的功能在同每个或多个软件或硬件中实现。
[0160]
在介绍了本技术示例性实施方式的多媒体资源确定方法及装置后，接下来介绍本技术的另一示例性实施方式的电子设备。
[0161]
所属技术领域的技术人员能够理解，本技术的各个方面可以实现为系统、方法或
程序产品。因此，本技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0162]
在一种可能的实现方式中，本技术实施例提供的电子设备可以至少包括处理器和存储器。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本技术中各种示例性实施方式的多媒体资源确定方法中的每个步骤。
[0163]
下面参照图12来描述根据本技术的这种实施方式的电子设备1200。如图12的电子设备1200仅仅是每个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0164]
如图12所示，电子设备1200的子模型可以包括但不限于：上述至少每个处理器1201、上述至少每个存储器1202、连接不同系统子模型(包括存储器1202和处理器1201)的总线1203。
[0165]
总线1203表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
[0166]
存储器1202可以包括易失性存储器形式的可读介质，例如随机存取存储器(ram)12021和/或高速缓存存储器12022，还可以进一步包括只读存储器(rom)12023。
[0167]
存储器1202还可以包括具有一组(至少每个)程序模块12024的程序/实用工具12025，这样的程序模块12024包括但不限于：操作系统、每个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每每个或某种组合中可能包括网络环境的实现。
[0168]
电子设备1200也可以与每个或多个外部设备1204(例如键盘、指向设备等)通信，还可与每个或者多个使得浏览者能与电子设备1200交互的设备通信，和/或与使得该电子设备1200能与每个或多个其它计算装置进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(v/o)接口1205进行。并且，电子设备1200还可以通过网络适配器1206与每个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图12所示，网络适配器1206通过总线1203与用于电子设备1200的其它模块通信。应当理解，尽管图12中未示出，可以结合电子设备1200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、ravd系统、磁带驱动器以及数据备份存储系统等。
[0169]
在一些可能的实施方式中，本技术提供的多媒体资源确定方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在电子设备上运行时，程序代码用于使电子设备执行本说明书上述描述的根据本技术各种示例性实施方式的多媒体资源确定方法中的步骤。
[0170]
程序产品可以采用每个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有每个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0171]
本技术的实施方式的短信息的发送控制的程序产品可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在计算装置上运行。
[0172]
可读信号介质可以包括在基带中或者作为载波一子模型传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由命令执行系统、装置或者器件使用或者与其结合使用的程序。
[0173]
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0174]
可以以一种或多种程序设计语言的任意组合来编写用于执行本技术操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。
[0175]
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本技术的实施方式，上文描述的两种或更多单元的特征向量和功能可以在每个单元中具体化。反之，上文描述的每个单元的特征向量和功能可以进一步划分为由多个单元来具体化。
[0176]
此外，尽管在附图中以特定顺序描述了本技术方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为每个步骤执行，和/或将每个步骤分解为多个步骤执行。
[0177]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。