一种信息处理方法、装置及计算机可读存储介质与流程

计算;推算;计数设备的制造及其应用技术1.本技术涉及计算机技术领域，具体涉及一种信息处理方法、装置及计算机可读存储介质。背景技术：2.随着人工智能的不断发展，推荐系统越来越智能化，例如，在进行广告或者视频推荐时，系统可以基于用户的使用习惯智能的推荐出用户感兴趣的广告类型或者视频类型，实现精准的推荐。3.但是，传统的ctr(click-through-rate，点击率预估)模型，只会推理出用户要不要点广告，而不会对广告关联的视频是否喜欢有任何的关联性推理，如需结合推理则需要再做一个视频喜好的模型，过程繁琐且两者无法联合处理，因此，如何对多任务推荐类型进行准确的多维度推荐还丞待解决。技术实现要素：4.本技术实施例提供一种信息处理方法、装置及计算机可读存储介质，可以提升信息处理的准确性。5.为解决上述技术问题，本技术实施例提供以下技术方案：6.一种信息处理方法，包括：7.获取用户特征信息转化后的用户特征向量、视频特征信息转化后的视频特征向量以及推广特征信息转化后的推广特征向量；8.基于所述视频特征向量和推广特征向量分别对所述用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量；9.将所述用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量；10.根据所述联合向量和标签信息对预设多任务学习模型按照不同的任务类型进行特征加权训练，得到训练后的预设多任务学习模型；11.显示目标视频信息以及与所述目标视频信息的关联度大于预设阈值的目标推广信息，所述目标视频信息和目标推广信息为通过所述训练后的预设多任务学习模型对用户进行推送得到。12.一种信息处理装置，包括：13.获取单元，用于获取用户特征信息转化后的用户特征向量、视频特征信息转化后的视频特征向量以及推广特征信息转化后的推广特征向量；14.注意力处理单元，用于基于所述视频特征向量和推广特征向量分别对所述用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量；15.拼接单元，用于将所述用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量；16.训练单元，用于根据所述联合向量和标签信息对预设多任务学习模型按照不同的任务类型进行特征加权训练，得到训练后的预设多任务学习模型；17.显示单元，用于显示目标视频信息以及与所述目标视频信息的关联度大于预设阈值的目标推广信息，所述目标视频信息和目标推广信息为通过所述训练后的预设多任务学习模型对用户进行推送得到。18.在一些实施例中，所述注意力处理单元，包括：19.降维子单元，用于通过预设全连接层将所述视频特征向量和推广特征向量进行降维，得到预设尺寸的目标视频特征向量和目标推广特征向量；20.处理子单元，用于根据所述目标视频特征向量和目标推广特征向量分别对所述用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量。21.在一些实施例中，所述处理子单元，用于：22.将所述用户特征向量中的每一用户特征域向量乘以第一预设矩阵向量，得到对应数量的过渡向量；23.将每一过渡向量分别与所述目标视频特征向量进行转置相乘，得到每一用户特征域向量对应的第一权重值；24.根据每一用户特征域向量和对应的第一权重值进行加权，并将加权后的多个用户特征域向量进行向量平均化处理，得到用户视频融合向量；25.将每一过渡向量分别与所述目标推广特征向量进行转置相乘，得到每一用户特征域向量对应的第二权重值；26.根据每一用户特征域向量和对应的第二权重值进行加权，并将加权后的多个用户特征域向量进行向量平均化处理，得到用户推广融合向量。27.在一些实施例中，所述训练单元，包括：28.输入子单元，用于将所述联合向量输入至预设多任务学习模型，对所述预设多任务学习模型中的多个专家网络进行训练，得到训练后的多个专家网络；29.确定子单元，用于确定每一专家网络在不同的任务类型下对应的第三权重值；30.加权子单元，用于将每一专家网络的输出按照每一任务类型下对应的第三权重值进行加权连接；31.输出子单元，用于按照任务类型将对应的加权连接之后的输出加载至预设多任务学习模型中对应的任务训练网络，输出每一任务类型对应的目标输出结果；32.对比子单元，用于将每一任务类型的目标输出结果与对应的标签信息进行对比，得到差异值；33.调整子单元，用于根据所述差异值对所述任务训练网络的网络参数进行调整，直至所述差异值收敛，得到训练后的预设多任务学习模型。34.在一些实施例中，所述确定子单元，用于：35.将所述联合向量与目标视频特征向量进行连接，得到第一连接向量；36.将所述第一连接向量乘以第二预设矩阵向量，得到每一专家网络在视频任务类型下对应的第三权重值；37.将所述联合向量与目标推广特征向量进行连接，得到第二连接向量；38.将所述第二连接向量乘以第二预设矩阵向量，得到每一专家网络在推广任务类型下对应的第三权重值。39.在一些实施例中，所述加权子单元，用于：40.将每一专家网络的输出按照视频任务类型下对应的第三权重值进行加权连接；41.将每一专家网络的输出按照推广任务类型下对应的第三权重值进行加权连接。42.在一些实施例中，所述输出子单元，用于：43.按照视频任务类型将对应的加权连接之后的输出加载至预设多任务学习模型中对应的第一任务训练网络，输出视频任务类型对应的第一输出结果；44.获取视频任务类型对应的第一低阶交叉特征，并将所述第一低阶交叉特征输入因子分解机模型，输出第一低阶交叉特征对应的第二输出结果；45.按照推广任务类型将对应的加权连接之后的输出加载至预设多任务学习模型中对应的第二任务训练网络，输出推广任务类型对应的第三输出结果；46.获取推广任务类型对应的第二低阶交叉特征，并将所述第二低阶交叉特征输入因子分解机模型，输出第二低阶交叉特征对应的第四输出结果；47.将第一输出结果和第二输出结果相加，得到视频任务类型对应的目标输出结果；48.将第三输出结果和第四输出结果相加，得到推广任务类型对应的目标输出结果。49.在一些实施例中，所述获取单元，用于：50.获取用户特征信息、视频特征信息以及推广特征信息；51.将所述用户特征信息中的每一特征域对应的特征标识进行向量化处理，得到每一特征域对应的用户特征域向量；52.根据每一特征域对应的用户特征域向量进行拼接，得到用户特征向量；53.将所述视频特征信息中的每一特征域对应的特征标识进行向量化处理，得到每一特征域对应的视频特征域向量；54.根据每一特征域对应的视频特征域向量进行拼接，得到视频特征向量；55.将所述推广特征信息中的每一特征域对应的特征标识进行向量化处理，得到每一特征域对应的推广特征域向量；56.根据每一特征域对应的推广特征域向量进行拼接，得到推广特征向量。57.一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行上述信息处理方法中的步骤。58.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可以在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述信息处理方法中的步骤。59.一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在存储介质中。计算机设备的处理器从存储介质读取所述计算机指令，处理器执行所述计算机指令，使得所述计算机上述信息处理方法中的步骤。60.本技术实施例通过获取用户特征信息转化后的用户特征向量、视频特征信息转化后的视频特征向量以及推广特征信息转化后的推广特征向量；基于视频特征向量和推广特征向量分别对用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量；将用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量；根据联合向量和标签信息对预设多任务学习模型按照不同的任务类型进行特征加权训练，得到训练后预设多任务学习模型；显示目标视频信息以及与目标视频信息的关联度大于预设阈值的目标推广信息，该目标视频信息和目标推广信息为通过训练后的预设多任务学习模型对用户进行推送得到。以此，利用注意力机制，通过视频特征向量和推广特征向量分别对用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量，该用户视频融合向量和用户推广融合向量可以表征出视频任务和推广任务对于用户特征向量中更为关注的特征信息，既可以保留多任务的共性，又可以为各任务捕捉到关注的信息，进而，将用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量对预设多任务学习模型按照不同的任务类型进行特征加权训练，得到训练后的预设多任务学习模型，并输出目标视频信息以及与目标视频信息的关联度大于预设阈值的目标推广信息进行显示，相对于传统的ctr模型的预测方法，本技术训练后的预设多任务学习模型可以通过自注意力机制，关注于任务需要的特征进行学习，并且可以同时对多任务进行预测，使得模型输出结果的准确性更高，极大的提升了信息处理的准确率。附图说明61.为了更清楚地说明本技术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单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，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。62.图1是本技术实施例提供的信息处理系统的场景示意图；63.图2是本技术实施例提供的信息处理方法的流程示意图；64.图3是本技术实施例提供的信息处理方法的另一流程示意图；65.图4a为本技术实施例提供的信息处理方法的产品示意图；66.图4b为本技术实施例提供的多任务学习模型的架构示意图；67.图5是本技术实施例提供的信息处理装置的结构示意图；68.图6是本技术实施例提供的服务器的结构示意图。具体实施方式69.下面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一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作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。70.本技术实施例提供一种信息处理方法、装置、及计算机可读存储介质。71.请参阅图1，图1为本技术实施例所提供的信息处理系统的场景示意图，包括：终端a、和服务器(该信息处理系统还可以包括除终端a之外的其他终端，终端具体个数在此处不作限定)，终端a与服务器之间可以通过通信网络连接，该通信网络，可以包括无线网络以及有线网络，其中无线网络包括无线广域网、无线局域网、无线城域网、以及无线个人网中的一种或多种的组合。网络中包括路由器、网关等等网络实体，图中并未示意出。终端a可以通过通信网络与服务器进行信息交互，比如终端a通过即时通讯应用将用户特征信息、视频特征信息以及推广特征信息发送至服务器。72.该信息处理系统可以包括信息处理装置，该信息处理装置具体可以集成在服务器中，该服务器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、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。如图1所示，该服务器接收终端a发送的用户特征信息、视频特征信息以及推广特征信息，获取用户特征信息转化后的用户特征向量、视频特征信息转化后的视频特征向量以及推广特征信息转化后的推广特征向量；基于该视频特征向量和推广特征向量分别对该用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量；将该用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量；根据该联合向量和标签信息对预设多任务学习模型按照不同的任务类型进行特征加权训练，得到训练后的预设多任务学习模型；基于该训练后的预设多任务学习模型对终端进行目标视频信息以及与该目标视频信息的关联度大于预设阈值的目标推广信息的推送，使得该终端可以显示目标视频信息以及与该目标视频信息的关联度大于预设阈值的目标推广信息，从而实现视频信息和推广信息的同时推荐。73.该信息处理系统中终端a可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。该终端a可以安装各种用户需要的应用，比如视频应用等，终端a可以采集用户在使用视频应用时的用户特征信息、视频特征信息以及推广特征信息，并将其发送至服务器，并且，还可以接收服务器基于训练后的预设多任务学习模型对用户进行推送得到显示目标视频信息以及与该目标视频信息的关联度大于预设阈值的目标推广信息并进行显示。74.需要说明的是，图1所示的信息处理系统的场景示意图仅仅是一个示例，本技术实施例描述的信息处理系统以及场景是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域普通技术人员可知，随着信息处理系统的演变和新业务场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。75.以下分别进行详细说明。76.在本实施例中，将从信息处理装置的角度进行描述，该信息处理装置具体可以集成在具备储存单元并安装有微处理器而具有运算能力的服务器中。77.请参阅图2，图2是本技术实施例提供的信息处理方法的流程示意图。该信息处理方法包括：78.在步骤101中，获取用户特征信息转化后的用户特征向量、视频特征信息转化后的视频特征向量以及推广特征信息转化后的推广特征向量。79.其中，本技术实施例可以实时采集用户特征信息、视频特征信息以及推广特征信息，该用户特征信息可以由多个用户特征域的特征信息组成，例如用户对视频的偏好特征信息、用户性别特征信息和最近点击过的标签特征信息组成。该视频特征信息可以由多个视频特征域的特征信息组成，例如视频的分类特征信息和视频的时长特征信息组成。该推广特征信息可以由多个推广特征域的特征信息组成，例如推广信息的分类特征信息和推广信息的价格区间特征信息组成，该推广信息可以为广告信息。80.进一步的，可以分别将用户特征信息、视频特征信息以及推广特征信息的每一特征域的特征信息通过embedding(降维)处理，得到每一特征域的向量，作为特征域的表达，该embedding可以实现将大型稀疏向量转换为保留语义关系的低维空间。将用户特征信息中每一特征域的向量进行拼接，得到用户特征向量。将视频特征信息中每一特征域的向量进行拼接，得到视频特征向量。将推广特征信息中每一特征域的向量进行拼接，得到推广特征向量。81.在一些实施方式中，该获取用户特征信息、视频特征信息以及推广特征信息转化后的用户特征向量、视频特征向量以及推广特征向量的步骤，包括：82.(1)获取用户特征信息、视频特征信息以及推广特征信息；83.(2)将该用户特征信息中的每一特征域对应的特征标识进行向量化处理，得到每一特征域对应的用户特征域向量；84.(3)根据每一特征域对应的用户特征域向量进行拼接，得到用户特征向量；85.(4)将该视频特征信息中的每一特征域对应的特征标识进行向量化处理，得到每一特征域对应的视频特征域向量；86.(5)根据每一特征域对应的视频特征域向量进行拼接，得到视频特征向量；87.(6)将该推广特征信息中的每一特征域对应的特征标识进行向量化处理，得到每一特征域对应的推广特征域向量；88.(7)根据每一特征域对应的推广特征域向量进行拼接，得到推广特征向量。89.其中，获取用户特征信息、视频特征信息以及推广特征信息，将该用户特征信息中的每一特征域对应的特征标识进行向量化处理，得到每一特征域对应的用户特征域向量，该特征域中可以包含多个特征标识，该特征标识为通过特征hash(哈希)成的代表该特征的值，例如性别特征可以哈希为0或者1，0可以代表女生，1可以代表男生。为了更好的理解本技术实施例，可以参照如下举例：假设用户特征由三个特征域组成，分别为用户对视频的偏好(特征域1)，用户性别(特征域2)和用户最近点击过的标签(特征域3)组成，其中特征域1中包含3个特征标识(id)，特征域2中包含1个特征标识，特征域3中包含8个特征标识，设置特征的embedding尺寸(size)为8，则通过embedding处理之后，特征域1得到3个1乘8维度的向量，特征域2得到1个1乘8维度的向量，特征域3得到3个1乘8维度的向量，然后对每个特征域内的多个向量进行平均池化操作，使得每一特征域得到一个1*8维度的向量，作为各自特征域的表达，将三个特征域向量进行拼接，得到用户特征向量。以此类推，视频特征向量和推广特征向量的生成过程同理，此处不作具体赘述。90.在步骤102中，基于视频特征向量和推广特征向量分别对用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量。91.人工智能(artificial intelligence,ai)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。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。92.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。93.机器学习(machine learning,ml)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。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、式教学习等技术。94.本技术实施例提供的方案涉及人工智能的机器学习等技术，具体通过如下实施例进行说明：95.其中，注意力(attention)机制，为将有限的注意力集中在重点信息上，从而节省资源，快速获得最有效的信息。即attention操作是为了更好地找到不同任务类型对于用户特征信息的独有关注点。96.基于此，本技术实施例基于视频特征向量和推广特征向量分别对该用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量，该用户视频融合向量为在视频任务类型中，对用户特征向量中每一特征域的重要度关注分布信息，对于视频任务类型处理重要的用户特征域往往会分布较大的权重，表示关注度高，对于视频任务类型处理不重要的用户特征域往往会分布较小的权重，表示关注度低。97.进一步的，该用户推广融合向量为在推广任务类型中，对用户特征向量中每一特征域的重要度关注分布信息，对于推广任务类型处理重要的用户特征域往往会分布较大的权重，表示关注度高，对于推广任务类型处理不重要的用户特征域往往会分布较小的权重，表示关注度低。98.以此，通过表征视频任务和推广任务对用户特征向量中更为关注的特征信息的自注意力处理，可以实现用户视频融合向量和用户推广融合向量，既可以保留多任务的共性，又可以为各任务捕捉到关注的信息，使得后续对于多任务处理的训练会更为精确。99.在一些实施方式中，该基于该视频特征向量和推广特征向量分别对该用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量的步骤，可以包括：100.(1)通过预设全连接层将该视频特征向量和推广特征向量进行降维，得到预设尺寸的目标视频特征向量和目标推广特征向量；101.(2)根据该目标视频特征向量和目标推广特征向量分别对该用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量。102.其中，该预设全连接层可以为一层全连接层，通过该一层全连接层将视频特征向量和推广特征向量进行降维，降维至预设尺寸的目标视频特征向量和目标推广特征向量，该预设尺寸可以为1乘8维度。103.进一步的，将该目标视频特征向量和目标推广特征向量作为注意力操作中的上下文向量，对用户特征向量中每一特征域的向量做注意力融合，分别得到用户特征信息基于视频任务类型的目标视频特征向量和用户特征信息基于推广任务类型的目标推广特征向量。104.在一些实施方式中，该根据该目标视频特征向量和目标推广特征向量分别对该用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量的步骤，包括：105.(1.1)将该用户特征向量中的每一用户特征域向量乘以第一预设矩阵向量，得到对应数量的过渡向量；106.(1.2)将每一过渡向量分别与该目标视频特征向量进行转置相乘，得到每一用户特征域向量对应的第一权重值；107.(1.3)根据每一用户特征域向量和对应的第一权重值进行加权，并将加权后的多个用户特征域向量进行向量平均化处理，得到用户视频融合向量；108.(1.4)将每一过渡向量分别与该目标推广特征向量进行转置相乘，得到每一用户特征域向量对应的第二权重值；109.(1.5)根据每一用户特征域向量和对应的第二权重值进行加权，并将加权后的多个用户特征域向量进行向量平均化处理，得到用户推广融合向量。110.可以理解的是，attention操作是为了更好地找到不同任务对于用户特征的独有关注点，例如推广预测任务中，用户的性别会起到很重要的作用，用户对视频的偏好所起的作用较小，那么attention操作得到的权重，用户的性别这个特征域的1*8维向量，所得到的权重就会大一些，而用户对视频的偏好这个field的向量，权重会小很多。相应的，视频预测任务中，可能用户对视频的偏好所起的作用很大，attention权重高；而用户的性别特征起的作用很小，attention权重低。111.其中，可以将该用户特征向量中的每一用户特征域向量乘以第一预设矩阵向量，该第一预设矩阵向量可以为一个8乘8的矩阵，得到每一用户特征域对应的1*8的过渡向量(也可以称为中间向量)。将每一过渡向量分别与上一步的目标视频特征向量进行转置相乘，得到每一特征域向量的对应的分数。对全部分数进行softmax(归一化处理)，得到每一特征域向量对应的第一权重值。该权重值越高，说明视频任务类型对该特征域向量的关注度越高。该权重值越低，说明视频任务类型对该特征域向量的关注度越低。根据每一用户特征域向量和对应的第一权重值进行加权，并将加权后的多个用户特征域向量进行向量平均化处理，得到用户视频融合向量作为视频类型任务的注意力向量表达。112.进一步的，将每一过渡向量分别与上一步的目标推广特征向量进行转置相乘，得到每一特征域向量的对应的分数。对全部分数进行softmax，得到每一特征域向量对应的第一权重值。该权重值越高，说明推广任务类型对该特征域向量的关注度越高。该权重值越低，说明推广任务类型对该特征域向量的关注度越低。根据每一用户特征域向量和对应的第一权重值进行加权，并将加权后的多个用户特征域向量进行向量平均化处理，即将多个用户特征域向量进行向量求和之后进行平均值处理，得到用户推广融合向量作为推广类型任务的注意力向量表达。113.在步骤103中，将用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量。114.其中，可以通过concat(拼接)层将用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量，作为接进来多任务学习模型的输入。115.在步骤104中，根据联合向量和标签信息对预设多任务学习模型按照不同的任务类型进行特征加权训练，得到训练后的预设多任务学习模型。116.在一实施方式中，该预设多任务学习模型可以为mmoe(multi-gate mixture-of-experts)模型，该预设多任务学习模型可以对关联不紧密的任务进行处理，例如，预设多任务学习模型可以将用户喜欢的视频推荐出来，同时又要考虑到用户对这个视频所携带的商品有没有兴趣。117.其中，该标签信息为每一任务类型对应的标签信息，假设任务类型为两个，视频任务类型和推广任务类型，视频任务类型对应的标签信息包含0或1，0为用户未点击视频，1为用户点击了视频。推广任务类型对应的标签信息也可以包含0或1，0为用户未点击推广信息，1为用户点击了推广信息。根据联合向量和标签信息对预设多任务学习模型进行训练，按照不同的任务类型通过联合向量中的用户视频融合向量和用户推广融合向量进行特征加权训练，相对于现有的多任务学习模型，本技术实施例通过用户视频融合向量和用户推广融合向量可以在不同任务类型的训练过程中，使预设多任务学习模型在对于不同的任务类型训练中更关注有正收益的用户特征域，根据标签信息和输出结果之间的差异度对于预设多任务学习模型进行网络参数进行引导，直至该差异度收敛，得到训练后的预设多任务学习模型。118.在一些实施方式中，该根据联合向量和标签信息对预设多任务学习模型按照不同的任务类型进行特征加权训练，得到训练后的预设多任务学习模型的步骤，可以包括：119.(1)将该联合向量输入至预设多任务学习模型，对该预设多任务学习模型中的多个专家网络进行训练，得到训练后的多个专家网络；120.(2)确定每一专家网络在不同的任务类型下对应的第三权重值；121.(3)将每一专家网络的输出按照每一任务类型下对应的第三权重值进行加权连接；122.(4)按照任务类型将对应的加权连接之后的输出加载至预设多任务学习模型中对应的任务训练网络，输出每一任务类型对应的目标输出结果；123.(5)将每一任务类型的目标输出结果与对应的标签信息进行对比，得到差异值；124.(6)根据该差异值对该任务训练网络的网络参数进行调整，直至该差异值收敛，得到训练后的预设多任务学习模型。125.其中，可以将该联合向量输入至预设多任务学习模型，对该预设多任务学习模型中的多个专家网络进行训练，该专家网络为标准的深度神经网络(deep neural networks，dnn)结构，该专家网络的个数可以自由设定，每个专家网络可以自由学习到不同的知识，例如，一部分专家网络更多的学习关于视频信息喜好的知识，另一部分的专家网络更多的学习关于推广信息喜好的知识。126.进一步的，由于不同的任务对于每一专家网络的输出的关注点不同，例如视频任务类型的任务中，对于更多学习关于视频信息喜好的知识的专家网络的关注点更强，而对于推广任务类型的任务中，对于更多的学习关于推广信息喜好的知识的专家网络的关注点更强，以此，可以确定每一专家网络在不同的任务类型下对应的第三权重值，使得该预设多任务学习模型可以将每一专家网络的输出按照每一任务类型下对应的第三权重值进行加权连接，该预设多任务学习模型中对于不同的任务类型的任务均独立设置对应的任务训练网络，该任务训练网络由若干层全连接网络所构成，按照任务类型将对应的加权连接之后的输出加载至对应的任务训练网络，可以输出每一任务类型对应的目标输出结果，该目标输出结果可以在【0，1】之间，为预测分数，该目标输出结果越接近于0，代表该任务越接近负样本，该目标输出结果越接近于1，代表该任务越接近正样本。127.将每一任务类型的目标输出结果与对应的标签信息进行对比，得到差异值，该差异值即代表模型的预测值与真实值之间的差异程度，根据该差异值对相应的任务训练网络的网络参数进行调整，使得该任务训练网络对于任务的预测越来越准确，直至每一任务训练网络的输出的差异值开始收敛，代表训练完成，得到训练后的预设多任务学习模型。128.在步骤105中，显示目标视频信息以及与目标视频信息的关联度大于预设阈值的目标推广信息。129.其中，该训练后的预设多任务学习模型根据用户的用户特征信息不仅可以推理出该用户是否会点击视频信息，还同时可以推理出用户是否会点击该视频信息携带的推广信息，以此，可以为用户推送与用户特征信息高度相关的目标视频信息和目标推广信息，即实现在推送出用户感兴趣的目标视频信息的基础上，还可以同时推送出与该目标视频信息强相关的目标推广信息，该预设阈值即为判定目标视频信息和目标推广信息之间是否强相关的临界值，当该目标视频信息和目标推广信息的关联度大于预设阈值时，判定为两者属于强相关，即可以为用户推送感兴趣的视频信息，且用户同时对该感兴趣的视频信息携带的推广信息也同时感兴趣，在一实施方式中，可以将该目标视频信息以及目标推广信息实时推送至终端进行实时显示，提高了信息推送的准确性。130.由上述可知，本技术实施例通过获取用户特征信息转化后的用户特征向量、视频特征信息转化后的视频特征向量以及推广特征信息转化后的推广特征向量；基于视频特征向量和推广特征向量分别对用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量；将用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量；根据联合向量和标签信息对预设多任务学习模型按照不同的任务类型进行特征加权训练，得到训练后预设多任务学习模型；显示目标视频信息以及与目标视频信息的关联度大于预设阈值的目标推广信息，该目标视频信息和目标推广信息为通过训练后的预设多任务学习模型对用户进行推送得到。以此，利用注意力机制，通过视频特征向量和推广特征向量分别对用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量，该用户视频融合向量和用户推广融合向量可以表征出视频任务和推广任务对于用户特征向量中更为关注的特征信息，既可以保留多任务的共性，又可以为各任务捕捉到关注的信息，进而，将用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量对预设多任务学习模型按照不同的任务类型进行特征加权训练，得到训练后的预设多任务学习模型，并输出目标视频信息以及与目标视频信息的关联度大于预设阈值的目标推广信息进行显示，相对于传统的ctr模型的预测方法，本技术训练后的预设多任务学习模型可以通过自注意力机制，关注于任务需要的特征进行学习，并且可以同时对多任务进行预测，使得模型输出结果的准确性更高，极大的提升了信息处理的准确率。131.结合上述实施例所描述的方法，以下将举例作进一步详细说明。132.在本实施例中，将以该信息处理装置具体集成在服务器中为例进行说明，具体参照以下说明。133.请参阅图3，图3为本技术实施例提供的信息处理方法的另一流程示意图。该方法流程可以包括：134.在步骤201中，服务器获取用户特征信息、视频特征信息以及推广特征信息。135.为了更好的说明本技术实施例，请参阅图4a所示，图4a为本技术实施例提供的信息处理方法的产品示意图，该产品界面10包含视频播放区域11和推送信息展示区域12，该推送信息可以为广告信息，用于链接到商品的出售界面，即本产品界面在为用户进行推送时，即要将用户喜欢的视频推荐在视频播放区域11，同时又要考虑到用户对这个视频携带的推送信息是否感兴趣。136.本技术实施例为解决上述问题，进行更准确的推送，服务器需要获取用户特征信息、视频特征信息以及推广特征信息。该用户特征信息可以由多个用户特征域的特征信息组成，例如用户对视频的偏好特征信息、用户性别特征信息和最近点击过的标签特征信息组成。该视频特征信息可以由多个视频特征域的特征信息组成，例如视频的分类特征信息和视频的时长特征信息组成。该推广特征信息可以由多个推广特征域的特征信息组成，例如推广信息的分类特征信息和推广信息的价格区间特征信息组成。137.在步骤202中，服务器将用户特征信息中的每一特征域对应的特征标识进行向量化处理，得到每一特征域对应的用户特征域向量，根据每一特征域对应的用户特征域向量进行拼接，得到用户特征向量。138.其中，请同时参阅图4b，图4b为本技术实施例提供的多任务学习模型的架构示意图，用户特征可以由三个特征域组成，分别为用户对视频的偏好(特征域1)，用户性别(特征域2)和用户最近点击过的标签(特征域3)组成，其中特征域1中包含3个特征标识(id)，特征域2中包含1个特征标识，特征域3中包含8个特征标识，设置特征的embedding尺寸(size)为8，则通过embedding处理之后，特征域1得到3个1乘8维度的向量，特征域2得到1个1乘8维度的向量，特征域3得到3个1乘8维度的向量，然后对每个特征域内的多个向量进行平均池化操作，使得每一特征域得到一个1*8维度的向量，作为各自特征域的表达，将三个特征域向量进行拼接，得到1乘24维度的用户特征向量。139.在步骤203中，服务器将视频特征信息中的每一特征域对应的特征标识进行向量化处理，得到每一特征域对应的视频特征域向量，根据每一特征域对应的视频特征域向量进行拼接，得到视频特征向量，将推广特征信息中的每一特征域对应的特征标识进行向量化处理，得到每一特征域对应的推广特征域向量，根据每一特征域对应的推广特征域向量进行拼接，得到推广特征向量。140.其中，请参阅用户特征向量的推导过程，视频特征向量和推广特征向量的生成过程同理，可以得到1乘16维度的视频特征向量和1乘16维度的推广特征向量，此处不作具体赘述。141.在步骤204中，服务器通过预设全连接层将视频特征向量和推广特征向量进行降维，得到预设尺寸的目标视频特征向量和目标推广特征向量。142.其中，请一并参阅图4b所示，服务器通过一层全连接层将视频特征向量和推广特征向量降维至1乘8的预设尺寸的目标视频特征向量和目标推广特征向量。143.在步骤205中，服务器将用户特征向量中的每一用户特征域向量乘以第一预设矩阵向量，得到对应数量的过渡向量，将每一过渡向量分别与目标视频特征向量进行转置相乘，得到每一用户特征域向量对应的第一权重值，根据每一用户特征域向量和对应的第一权重值进行加权，并将加权后的多个用户特征域向量进行向量平均化处理，得到用户视频融合向量。144.其中，请一并参阅图4b所示，服务器将用户特征向量中的每一用户特征域的1乘8维度向量分别与8乘8维度的第一预设矩阵向量进行相乘，得到每一用户特征域对应的1乘8的过渡向量。将每一过渡向量分别与上一步的目标视频特征向量进行转置相乘，得到每一特征域向量的对应的分数。对全部分数进行softmax(归一化处理)，得到每一特征域向量对应的第一权重值。该权重值越高，说明视频任务类型对该特征域向量的关注度越高。该权重值越低，说明视频任务类型对该特征域向量的关注度越低。根据每一用户特征域向量和对应的第一权重值进行加权，并将加权后的多个用户特征域向量进行向量平均化处理，得到用户视频融合向量作为视频类型任务的自注意力向量表达。145.在步骤206中，服务器将每一过渡向量分别与目标推广特征向量进行转置相乘，得到每一用户特征域向量对应的第二权重值，根据每一用户特征域向量和对应的第二权重值进行加权，并将加权后的多个用户特征域向量进行向量平均化处理，得到用户推广融合向量。146.其中，请一并参阅图4b所示，将每一过渡向量分别与上一步的目标推广特征向量进行转置相乘，得到每一特征域向量的对应的分数。对全部分数进行softmax，得到每一特征域向量对应的第一权重值。该权重值越高，说明推广任务类型对该特征域向量的关注度越高。该权重值越低，说明推广任务类型对该特征域向量的关注度越低。根据每一用户特征域向量和对应的第一权重值进行加权，并将加权后的多个用户特征域向量进行向量平均化处理，得到用户推广融合向量作为推广类型任务的自注意力向量表达。147.在步骤207中，服务器将用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量。148.其中，请一并参阅图4b所示，服务器可以通过concat input层将用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量，作为接进来多任务学习模型的输入。149.在步骤208中，服务器将联合向量输入至预设多任务学习模型，对预设多任务学习模型中的多个专家网络进行训练，得到训练后的多个专家网络。150.其中，请一并参阅图4b所示，服务器可以将联合向量输入至预设多任务学习模型中的多个专家网络进行训练，该专家网络为标准的深度神经网络，该专家网络可以为三个，其中两个专家可以更多地学到了关于推广信息的知识，另一个专家更多的学到了关于视频信息的知识。得到训练后的专家网络，该训练后的专家网络可以输出对应学习之后的结果信息。151.在步骤209中，服务器将联合向量与目标视频特征向量进行连接，得到第一连接向量，将第一连接向量乘以第二预设矩阵向量，得到每一专家网络在视频任务类型下对应的第三权重值，将联合向量与目标推广特征向量进行连接，得到第二连接向量，将第二连接向量乘以第二预设矩阵向量，得到每一专家网络在推广任务类型下对应的第三权重值。152.其中，请一并参阅图4b所示，由于不同的任务对于每一专家网络的输出的关注点不同，可以通过注意力机制门控网络(attention gate)将联合向量和目标视频特征向量进行连接，得到第一连接向量，再将该第一连接向量乘以第二预设矩阵向量，假设该第一连接向量为1乘50维度的向量，该第二预设矩阵向量可以为50乘3维度的向量，以此，可以得到3个得分，对3个得分进行归一化处理，得到每一专家网络在视频任务类型下对应第三权重值，代表在视频任务类型下三个专家网络对于视频类型任务处理的关注度，该权重值越高，关注度越高，对于任务处理的有益性越好。153.进一步的，可以通过注意力机制门控网络将联合向量和目标推广特征向量进行连接，得到第二连接向量，再将该第二连接向量乘以第二预设矩阵向量，假设该第一连接向量为1乘50维度的向量，该第二预设矩阵向量可以为50乘3维度的向量，以此，可以得到3个得分，对3个得分进行归一化处理，得到每一专家网络在推广任务类型下对应第三权重值，代表在推广任务类型下三个专家网络对于推广类型任务处理的关注度，该权重值越高，关注度越高，对于任务处理的有益性越好。154.在步骤210中，服务器将每一专家网络的输出按照视频任务类型下对应的第三权重值进行加权连接，将每一专家网络的输出按照推广任务类型下对应的第三权重值进行加权连接。155.其中，请一并参阅图4b所示，服务器将每一专家网络的输出按照视频类型下对应的第三权重值通过任务合并层a(task a merge layer)进行加权连接，将每一专家网络的输出按照推广任务类型下对应的第三权重值通过任务合并层b(task b merge layer)进行加权连接。156.在步骤211中，服务器按照视频任务类型将对应的加权连接之后的输出加载至预设多任务学习模型中对应的第一任务训练网络，输出视频任务类型对应的第一输出结果，获取视频任务类型对应的第一低阶交叉特征，并将第一低阶交叉特征输入因子分解机模型，输出第一低阶交叉特征对应的第二输出结果。157.可以理解的是，由于预设多任务学习模型中只有高阶交叉特征，没有低阶交叉特征，为了更好帮助该预设多任务学习模型进行拟合，避免损失有效信息，本技术实施例引入低阶交叉特征，具体请参照以下步骤：158.其中，请一并参阅图4b所示，服务器可以通过任务合并层a按照视频任务类型将对应加权连接之后的输出加载至预设多任务学习模型中对应的第一任务训练网络(tower a)，输出视频任务类型对应的第一输出结果，为了引入低阶交叉特征进行结合计算，可以获取视频任务类型对应的第一低阶交叉特征，该第一低阶交叉特征可以包含该用户视频融合向量和视频特征向量，将该用户视频融合向量和视频特征向量输入因子分解机模型(video factor machine，fm)中，输出该第一低阶交叉特征对应预测的第二输出结果。159.在步骤212中，服务器按照推广任务类型将对应的加权连接之后的输出加载至预设多任务学习模型中对应的第二任务训练网络，输出推广任务类型对应的第三输出结果，获取推广任务类型对应的第二低阶交叉特征，并将第二低阶交叉特征输入因子分解机模型，输出第二低阶交叉特征对应的第四输出结果。160.其中，请一并参阅图4b所示，服务器可以通过任务合并层b按照推广任务类型将对应加权连接之后的输出加载至预设多任务学习模型中对应的第一任务训练网络b(tower b)，输出推广任务类型对应的第三输出结果，为了引入低阶交叉特征进行结合计算，可以获取推广任务类型对应的第二低阶交叉特征，该第二低阶交叉特征可以包含该用户推广融合向量和推广特征向量，将该用户推广融合向量和推广特征向量输入因子分解机模型(ads factor machine，fm)中，输出该第二低阶交叉特征对应预测的第四输出结果。161.在步骤213中，服务器将第一输出结果和第二输出结果相加，得到视频任务类型对应的目标输出结果，将第三输出结果和第四输出结果相加，得到推广任务类型对应的目标输出结果，将每一任务类型的目标输出结果与对应的标签信息进行对比，得到差异值，根据差异值对任务训练网络的网络参数进行调整，直至差异值收敛，得到训练后的预设多任务学习模型。162.其中，请一并参阅图4b所示，服务器将第一输出结果和第二输出结果相加，得到视频任务类型对应的目标输出结果，由于在视频任务类型对应的目标输出结果中引入低阶交叉特征对应的输出信息，使得预设多任务模型可以更好进行数据拟合，避免丢失低阶特征数据对应的有效信息，使得视频任务类型的任务对应的预测结果会更准确。163.进一步的，服务器将第三输出结果和第四输出结果相加，得到推广任务类型对应的目标输出结果，实现在推广任务类型对应的目标输出结果中引入低阶交叉特征的信息，使得推广任务类型的任务对应的预测结果更准确。164.其中，该标签信息为每一任务类型对应的标签信息，任务类型为两个，视频任务类型和推广任务类型，视频任务类型对应的标签信息包含0或1，0为用户未点击视频，1为用户点击了视频。推广任务类型对应的标签信息也可以包含0或1，0为用户未点击推广信息，1为用户点击了推广信息。将视频任务类型和推广任务类型的目标输出结果与对应的标签信息进行对比，得到差异值，根据差异值对两个任务训练网络的网络参数进行调整，直至差异值收敛，得到训练后的预设多任务学习模型。165.在步骤214中，服务器显示目标视频信息以及与目标视频信息的关联度大于预设阈值的目标推广信息。166.其中，该训练后的预设多任务学习模型根据用户的用户特征信息不仅可以推理出该用户是否会点击视频信息，还同时可以推理出用户是否会点击该视频信息携带的推广信息，以此，实现在推送出用户感兴趣的目标视频信息的基础上，还可以同时推送出与该目标视频信息强相关的目标推广信息，即可以为用户推送感兴趣的视频信息，且用户同时对该感兴趣的视频信息携带的推广信息也同时感兴趣，服务器可以直接显示该目标视频信息以及与目标视频信息的关联度大于预设阈值的目标推广信息，将该显示画面推流至对应的用户终端进行实时显示，提高了信息推送的准确性。167.在一些实施方式中，由于广告的点击率非常低，只有0.35％，样本比例不平衡，所以采用了focal loss来解决这个不平衡问题，通过该focal loss实现模型更关注正样本。168.由上述可知，本技术实施例通过获取用户特征信息转化后的用户特征向量、视频特征信息转化后的视频特征向量以及推广特征信息转化后的推广特征向量；基于视频特征向量和推广特征向量分别对用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量；将用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量；根据联合向量和标签信息对预设多任务学习模型按照不同的任务类型进行特征加权训练，得到训练后预设多任务学习模型；显示目标视频信息以及与目标视频信息的关联度大于预设阈值的目标推广信息，该目标视频信息和目标推广信息为通过训练后的预设多任务学习模型对用户进行推送得到。以此，利用注意力机制，通过视频特征向量和推广特征向量分别对用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量，该用户视频融合向量和用户推广融合向量可以表征出视频任务和推广任务对于用户特征向量中更为关注的特征信息，既可以保留多任务的共性，又可以为各任务捕捉到关注的信息，进而，将用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量对预设多任务学习模型按照不同的任务类型进行特征加权训练，得到训练后的预设多任务学习模型，并输出目标视频信息以及与目标视频信息的关联度大于预设阈值的目标推广信息进行显示，相对于传统的ctr模型的预测方法，本技术训练后的预设多任务学习模型可以通过自注意力机制，关注于任务需要的特征进行学习，并且可以同时对多任务进行预测，使得模型输出结果的准确性更高，极大的提升了信息处理的准确率。169.进一步的根据实验发现本技术实施例的模型的表现明显优于mmoe模型，具体实验数据如下：[0170][0171]为便于更好的实施本技术实施例提供的信息处理方法，本技术实施例还提供一种基于上述信息处理方法的装置。其中名词的含义与上述信息处理方法中相同，具体实现细节可以参考方法实施例中的说明。[0172]请参阅图5，图5为本技术实施例提供的信息处理装置的结构示意图，其中该信息处理装置可以包括获取单元301、注意力处理单元302、拼接单元303、训练单元304以及显示单元305等。[0173]获取单元301，用于获取用户特征信息转化后的用户特征向量、视频特征信息转化后的视频特征向量以及推广特征信息转化后的推广特征向量。[0174]在一些实施方式中，该获取单元301，用于：[0175]获取用户特征信息、视频特征信息以及推广特征信息；[0176]将该用户特征信息中的每一特征域对应的特征标识进行向量化处理，得到每一特征域对应的用户特征域向量；[0177]根据每一特征域对应的用户特征域向量进行拼接，得到用户特征向量；[0178]将该视频特征信息中的每一特征域对应的特征标识进行向量化处理，得到每一特征域对应的视频特征域向量；[0179]根据每一特征域对应的视频特征域向量进行拼接，得到视频特征向量；[0180]将该推广特征信息中的每一特征域对应的特征标识进行向量化处理，得到每一特征域对应的推广特征域向量；[0181]根据每一特征域对应的推广特征域向量进行拼接，得到推广特征向量。[0182]注意力处理单元302，用于基于该视频特征向量和推广特征向量分别对该用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量。[0183]在一些实施方式中，该注意力处理单元302，包括：[0184]降维子单元，用于通过预设全连接层将该视频特征向量和推广特征向量进行降维，得到预设尺寸的目标视频特征向量和目标推广特征向量；[0185]处理子单元，用于根据该目标视频特征向量和目标推广特征向量分别对该用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量。[0186]在一些实施方式中，该处理子单元，用于：[0187]将该用户特征向量中的每一用户特征域向量乘以第一预设矩阵向量，得到对应数量的过渡向量；[0188]将每一过渡向量分别与该目标视频特征向量进行转置相乘，得到每一用户特征域向量对应的第一权重值；[0189]根据每一用户特征域向量和对应的第一权重值进行加权，并将加权后的多个用户特征域向量进行向量平均化处理，得到用户视频融合向量；[0190]将每一过渡向量分别与该目标推广特征向量进行转置相乘，得到每一用户特征域向量对应的第二权重值；[0191]根据每一用户特征域向量和对应的第二权重值进行加权，并将加权后的多个用户特征域向量进行向量平均化处理，得到用户推广融合向量。[0192]拼接单元303，用于将该用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量。[0193]训练单元304，用于根据该联合向量和标签信息对预设多任务学习模型按照不同的任务类型进行特征加权训练，得到训练后的预设多任务学习模型。[0194]在一些实施方式中，该训练单元304，包括：[0195]输入子单元，用于将该联合向量输入至预设多任务学习模型，对该预设多任务学习模型中的多个专家网络进行训练，得到训练后的多个专家网络；[0196]确定子单元，用于确定每一专家网络在不同的任务类型下对应的第三权重值；[0197]加权子单元，用于将每一专家网络的输出按照每一任务类型下对应的第三权重值进行加权连接；[0198]输出子单元，用于按照任务类型将对应的加权连接之后的输出加载至预设多任务学习模型中对应的任务训练网络，输出每一任务类型对应的目标输出结果；[0199]对比子单元，用于将每一任务类型的目标输出结果与对应的标签信息进行对比，得到差异值；[0200]调整子单元，用于根据该差异值对该任务训练网络的网络参数进行调整，直至该差异值收敛，得到训练后的预设多任务学习模型。[0201]在一些实施方式中，该确定子单元，用于：[0202]将该联合向量与目标视频特征向量进行连接，得到第一连接向量；[0203]将该第一连接向量乘以第二预设矩阵向量，得到每一专家网络在视频任务类型下对应的第三权重值；[0204]将该联合向量与目标推广特征向量进行连接，得到第二连接向量；[0205]将该第二连接向量乘以第二预设矩阵向量，得到每一专家网络在推广任务类型下对应的第三权重值。[0206]在一些实施方式中，该加权子单元，用于：[0207]将每一专家网络的输出按照视频任务类型下对应的第三权重值进行加权连接；[0208]将每一专家网络的输出按照推广任务类型下对应的第三权重值进行加权连接。[0209]在一些实施方式中，该输出子单元，用于：[0210]按照视频任务类型将对应的加权连接之后的输出加载至预设多任务学习模型中对应的第一任务训练网络，输出视频任务类型对应的第一输出结果；[0211]获取视频任务类型对应的第一低阶交叉特征，并将该第一低阶交叉特征输入因子分解机模型，输出第一低阶交叉特征对应的第二输出结果；[0212]按照推广任务类型将对应的加权连接之后的输出加载至预设多任务学习模型中对应的第二任务训练网络，输出推广任务类型对应的第三输出结果；[0213]获取推广任务类型对应的第二低阶交叉特征，并将该第二低阶交叉特征输入因子分解机模型，输出第二低阶交叉特征对应的第四输出结果；[0214]将第一输出结果和第二输出结果相加，得到视频任务类型对应的目标输出结果；[0215]将第三输出结果和第四输出结果相加，得到推广任务类型对应的目标输出结果。[0216]显示单元305，用于显示目标视频信息以及与该目标视频信息的关联度大于预设阈值的目标推广信息，该目标视频信息和目标推广信息为通过该训练后的预设多任务学习模型对用户进行推送得到。[0217]以上各个单元的具体实施可参见前面的实施例，在此不再赘述。[0218]由上述可知，本技术实施例通过获取单元301获取用户特征信息转化后的用户特征向量、视频特征信息转化后的视频特征向量以及推广特征信息转化后的推广特征向量；注意力处理单元302基于视频特征向量和推广特征向量分别对用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量；拼接单元303将用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量；训练单元304根据联合向量和标签信息对预设多任务学习模型按照不同的任务类型进行特征加权训练，得到训练后预设多任务学习模型；显示单元305显示目标视频信息以及与目标视频信息的关联度大于预设阈值的目标推广信息，该目标视频信息和目标推广信息为通过训练后的预设多任务学习模型对用户进行推送得到。以此，利用注意力机制，通过视频特征向量和推广特征向量分别对用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量，该用户视频融合向量和用户推广融合向量可以表征出视频任务和推广任务对于用户特征向量中更为关注的特征信息，既可以保留多任务的共性，又可以为各任务捕捉到关注的信息，进而，将用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量对预设多任务学习模型按照不同的任务类型进行特征加权训练，得到训练后的预设多任务学习模型，并输出目标视频信息以及与目标视频信息的关联度大于预设阈值的目标推广信息进行显示，相对于传统的ctr模型的预测方法，本技术训练后的预设多任务学习模型可以通过自注意力机制，关注于任务需要的特征进行学习，并且可以同时对多任务进行预测，使得模型输出结果的准确性更高，极大的提升了信息处理的准确率。[0219]本技术实施例还提供一种计算机设备，如图6所示，其示出了本技术实施例所涉及的服务器的结构示意图，具体来讲：[0220]该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图6中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：[0221]处理器401是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；可选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。[0222]存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。[0223]计算机设备还包括给各个部件供电的电源403，可选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。[0224]计算机设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。[0225]尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现前述实施例提供的各种方法步骤，如下：[0226]获取用户特征信息转化后的用户特征向量、视频特征信息转化后的视频特征向量以及推广特征信息转化后的推广特征向量；基于该视频特征向量和推广特征向量分别对该用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量；将该用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量；根据该联合向量和标签信息对预设多任务学习模型按照不同的任务类型进行特征加权训练，得到训练后的预设多任务学习模型；显示目标视频信息以及与该目标视频信息的关联度大于预设阈值的目标推广信息，该目标视频信息和目标推广信息为通过该训练后的预设多任务学习模型对用户进行推送得到。[0227]在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对信息处理方法的详细描述，此处不再赘述。[0228]由上述可知，本技术实施例的计算机设备可以通过获取用户特征信息转化后的用户特征向量、视频特征信息转化后的视频特征向量以及推广特征信息转化后的推广特征向量；基于视频特征向量和推广特征向量分别对用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量；将用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量；根据联合向量和标签信息对预设多任务学习模型按照不同的任务类型进行特征加权训练，得到训练后预设多任务学习模型；显示目标视频信息以及与目标视频信息的关联度大于预设阈值的目标推广信息，该目标视频信息和目标推广信息为通过训练后的预设多任务学习模型对用户进行推送得到。以此，利用注意力机制，通过视频特征向量和推广特征向量分别对用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量，该用户视频融合向量和用户推广融合向量可以表征出视频任务和推广任务对于用户特征向量中更为关注的特征信息，既可以保留多任务的共性，又可以为各任务捕捉到关注的信息，进而，将用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量对预设多任务学习模型按照不同的任务类型进行特征加权训练，得到训练后的预设多任务学习模型，并输出目标视频信息以及与目标视频信息的关联度大于预设阈值的目标推广信息进行显示，相对于传统的ctr模型的预测方法，本技术训练后的预设多任务学习模型可以通过自注意力机制，关注于任务需要的特征进行学习，并且可以同时对多任务进行预测，使得模型输出结果的准确性更高，极大的提升了信息处理的准确率。[0229]本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。[0230]为此，本技术实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本技术实施例所提供的任一种信息处理方法中的步骤。例如，该指令可以执行如下步骤：[0231]获取用户特征信息转化后的用户特征向量、视频特征信息转化后的视频特征向量以及推广特征信息转化后的推广特征向量；基于该视频特征向量和推广特征向量分别对该用户特征向量进行注意力融合处理，得到用户视频融合向量和用户推广融合向量；将该用户特征向量、视频特征向量、推广特征向量、用户视频融合向量以及用户推广融合向量进行拼接，得到联合向量；根据该联合向量和标签信息对预设多任务学习模型按照不同的任务类型进行特征加权训练，得到训练后的预设多任务学习模型；显示目标视频信息以及与该目标视频信息的关联度大于预设阈值的目标推广信息，该目标视频信息和目标推广信息为通过该训练后的预设多任务学习模型对用户进行推送得到。[0232]根据本技术的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例提供的各种可选实现方式中提供的方法。[0233]以上各个操作的具体实施可参见前面的实施例，在此不再赘述。[0234]其中，该计算机可读存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、磁盘或光盘等。[0235]由于该计算机可读存储介质中所存储的指令，可以执行本技术实施例所提供的任一种信息处理方法中的步骤，因此，可以实现本技术实施例所提供的任一种信息处理方法所能实现的有益效果，详见前面的实施例，在此不再赘述。[0236]以上对本技术实施例所提供的一种信息处理方法、装置及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上该，本说明书内容不应理解为对本技术的限制。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!