[发明专利]媒体资源的推送方法和装置、存储介质及电子设备

权利要求书

1.一种媒体资源的推送方法，其特征在于，包括：

获取目标帐号的目标帐号特征以及目标媒体资源的目标媒体资源特征，并将所述目标帐号特征转换成第一特征向量，将所述目标媒体资源特征转换成第二特征向量；

根据所述第一特征向量与所述第二特征向量，生成目标特征向量；

根据所述目标帐号特征，在多个多层神经网络MLP结构中选择目标MLP结构，其中，所述多个MLP结构中的每个MLP结构对应不同的帐号群组，所述目标MLP结构对应所述目标帐号所在的帐号群组；

将所述目标特征向量输入到所述目标MLP结构，得到第一预测值，并将所述目标特征向量输入到目标公共MLP结构，得到第二预测值，其中，所述第一预测值和所述第二预测值用于表示所述目标帐号对所述目标媒体资源执行目标操作的预测概率；

在所述第一预测值和所述第二预测值满足预设的推送条件的情况下，向所述目标帐号推送所述目标媒体资源。

2.根据权利要求1所述的方法，其特征在于，所述根据所述目标帐号特征，在多个多层神经网络MLP结构中选择目标MLP结构，包括：

将所述目标帐号特征输入到目标选择神经网络结构，得到目标预测向量，其中，所述多个MLP结构为N个MLP结构，所述目标预测向量中包括N个比特，每个比特对应所述多个MLP结构中的一个MLP结构，所述每个比特的取值用于表示对应的一个MLP结构是否被选中，N为大于或等于2的正整数；

在所述目标预测向量中与所述目标MLP结构对应的比特的取值表示所述目标MLP结构被选中的情况下，在所述多个MLP结构中选择所述目标MLP结构。

3.根据权利要求2所述的方法，其特征在于，所述将所述目标帐号特征输入到目标选择神经网络结构，得到目标预测向量，包括：

在所述目标帐号特征包括U个帐号特征的情况下，将所述U个帐号特征中的每个帐号特征分别转换成特征向量，得到U个特征向量，其中，U为大于或等于2的正整数；

将所述U个特征向量拼接成第三特征向量；

将所述第三特征向量输入到所述目标选择神经网络结构中的全连接层，得到所述全连接层输出的所述目标预测向量。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

使用目标样本集合对待训练的预测神经网络模型进行多轮训练，直到所述预测神经网络模型对应的预测损失值满足预设的收敛条件，结束训练，并将结束训练时的所述待训练的预测神经网络模型确定为目标预测神经网络模型，其中，所述待训练的预测神经网络模型中包括待训练的选择神经网络结构，多个待训练的MLP结构，以及待训练的公共MLP结构，在训练的过程中，当所述预测神经网络模型对应的预测损失值不满足所述预设的收敛条件时，对所述待训练的预测神经网络模型中的所述待训练的选择神经网络结构、所述多个待训练的MLP结构以及所述待训练的公共MLP结构中的至少一个结构中的参数进行调整；

其中，所述目标样本集合中包括所述不同的帐号群组中的样本帐号。

5.根据权利要求4所述的方法，其特征在于，所述使用目标样本集合对待训练的预测神经网络模型进行多轮训练，包括：

在所述目标样本集合包括验证样本集合和训练样本集合的情况下，重复执行以下步骤，直到所述预测神经网络模型对应的所述预测损失值满足预设的所述收敛条件；

将所述验证样本集合中的一个验证样本输入到所述预测神经网络模型，得到所述验证样本的预测值；通过目标损失函数对所述验证样本的实际值和所述验证样本的预测值进行计算，得到所述验证样本对应的预测损失值；在所述验证样本对应的预测损失值不满足所述收敛条件时，对所述待训练的选择神经网络结构中的参数进行调整；

将所述训练样本集合中的一个训练样本输入到所述预测神经网络模型，得到所述训练样本的预测值；通过所述目标损失函数对所述训练样本的实际值和所述训练样本的预测值进行计算，得到所述训练样本对应的预测损失值；在所述训练样本对应的预测损失值不满足所述收敛条件时，对所述多个待训练的MLP结构以及所述待训练的公共MLP结构中的至少一个结构中的参数进行调整。