[发明专利]多媒体内容的相关参数的确定方法、装置及存储介质

权利要求书

1.一种多媒体内容的相关参数的确定方法，其特征在于，应用于计算机设备中，所述方法包括：

获取目标多媒体内容的特征信息，所述特征信息用于指示所述目标多媒体内容的相关属性；

调用完成训练的机器学习模型，将所述特征信息输入至所述机器学习模型，通过所述机器学习模型提取所述特征信息的抽象特征，所述抽象特征用于反映所述特征信息之间的相互关系；其中，所述机器学习模型包括第一特征提取模块和第二特征提取模块，所述第一特征提取模块用于提取所述特征信息的高阶抽象特征，所述第二特征提取模块用于提取所述特征信息的低阶抽象特征；

根据所述特征信息的高阶抽象特征和所述特征信息的低阶抽象特征，采用sigmoid函数计算所述目标多媒体内容的未考虑新鲜度系数，所述未考虑新鲜度系数用于表征未考虑到的新鲜度指标对所述目标多媒体内容的曝光量过滤结果的影响；

根据所述目标多媒体内容的曝光量和所述未考虑新鲜度系数，计算所述目标多媒体内容的曝光量过滤结果。

2.根据权利要求1所述的方法，其特征在于，所述将所述特征信息输入至所述机器学习模型，包括：

当所述特征信息中包含连续特征信息时，直接将所述连续特征信息输入至所述机器学习模型；

当所述特征信息中包含单值离散特征信息时，对所述单值离散特征信息执行嵌入处理，得到所述单值离散特征信息的嵌入值；将所述单值离散特征信息的嵌入值输入至所述机器学习模型；

当所述特征信息中包含多值离散特征信息时，对所述多值离散特征信息进行独热编码，得到所述多值离散特征信息的独热码；对所述多值离散特征信息的独热码执行嵌入处理，得到所述独热码的嵌入值；对所述独热码的嵌入值进行平均处理，得到所述多值离散特征信息的嵌入值；将所述多值离散特征信息的嵌入值输入至所述机器学习模型。

3.根据权利要求1所述的方法，其特征在于，所述机器学习模型的训练过程如下：

构建所述机器学习模型；

获取至少一个训练样本，每个所述训练样本包括一个多媒体内容样本的特征信息以及所述多媒体内容样本的未考虑新鲜度系数；

采用所述训练样本对所述机器学习模型进行训练，得到完成训练的所述机器学习模型。

4.根据权利要求3所述的方法，其特征在于，所述获取至少一个训练样本，包括：

获取至少一个候选多媒体内容的特征数据表；

从所述至少一个候选多媒体内容中筛选出符合预设条件的多媒体内容，作为所述多媒体内容样本，其中，所述预设条件包括：属于目标类型和/或历史投放时长大于预设时长；

从所述多媒体内容样本的特征数据表中提取所述多媒体内容样本的特征信息，得到所述训练样本。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述特征信息包括基本特征信息、投放特征信息、定向特征信息组成的群组中选择的至少一个；

其中，所述基本特征信息用于指示所述目标多媒体内容的基本属性，所述投放特征信息用于指示所述目标多媒体内容的投放属性，所述定向特征信息用于指示所述目标多媒体内容的定向属性。

6.一种多媒体内容的相关参数的确定装置，其特征在于，应用于计算机设备中，所述装置包括：

信息获取模块，用于获取目标多媒体内容的特征信息，所述特征信息用于指示所述目标多媒体内容的相关属性；

特征提取模块，用于调用完成训练的机器学习模型，将所述特征信息输入至所述机器学习模型，通过所述机器学习模型提取所述特征信息的抽象特征，所述抽象特征用于反映所述特征信息之间的相互关系；其中，所述机器学习模型包括第一特征提取模块和第二特征提取模块，所述第一特征提取模块用于提取所述特征信息的高阶抽象特征，所述第二特征提取模块用于提取所述特征信息的低阶抽象特征；

系数计算模块，用于根据所述特征信息的高阶抽象特征和所述特征信息的低阶抽象特征，采用sigmoid函数计算所述目标多媒体内容的未考虑新鲜度系数，所述未考虑新鲜度系数用于表征未考虑到的新鲜度指标对所述目标多媒体内容的曝光量过滤结果的影响；

结果计算模块，用于根据所述目标多媒体内容的曝光量和所述未考虑新鲜度系数，计算所述目标多媒体内容的曝光量过滤结果。