本技术实施例涉及多媒体，特别涉及一种多媒体内容的推送方法和装置。
背景技术：
1、在互联网发展的过程中，涌现出越来越多的应用程序。部分应用程序具有推送功能，可以向应用程序的使用对象推送多媒体内容。例如，部分应用程序可以向使用对象推送游戏视频、新闻资讯等。一般情况下，应用程序需要向不同的使用对象推送不同的多媒体内容，因此，如何推送多媒体内容成为一个亟需解决的问题。
技术实现思路
1、本技术提供了一种多媒体内容的推送方法和装置，可用于通过事件发生模型来准确地确定出参考对象发生与多媒体内容相关的相关事件的可能性，有利于提高多媒体内容的转化率，从而提高多媒体内容的推送效果，所述技术方案包括如下内容。
2、第一方面，提供了一种事件发生模型的训练方法，所述方法包括：
3、获取多个样本对象的数据和各个样本对象的标注信息，所述样本对象的标注信息表征所述样本对象是否发生与多媒体内容相关的相关事件；
4、通过神经网络模型对所述多个样本对象的数据进行特征提取，得到所述各个样本对象的初始特征；
5、通过所述神经网络模型基于所述各个样本对象的初始特征，确定所述各个样本对象的预测信息，所述样本对象的预测信息表征所述样本对象发生所述相关事件的可能性；
6、基于所述各个样本对象的初始特征，确定所述各个样本对象的参考权重，所述样本对象的参考权重用于使所述样本对象的初始特征趋于非线性独立；
7、基于所述各个样本对象的标注信息、预测信息和参考权重，对所述神经网络模型进行训练，得到事件发生模型，所述事件发生模型用于确定参考对象发生所述相关事件的可能性。
8、第二方面，提供了一种多媒体内容的推送方法，所述方法包括：
9、获取参考对象的数据；
10、通过事件发生模型基于所述参考对象的数据，确定所述参考对象的初始特征，所述事件发生模型是按照第一方面所述的事件发生模型的训练方法训练得到的；
11、通过所述事件发生模型基于所述参考对象的初始特征，确定所述参考对象的预测信息，所述参考对象的预测信息表征所述参考对象发生与多媒体内容相关的相关事件的可能性；
12、基于所述参考对象的预测信息，确定是否向所述参考对象推送所述多媒体内容。
13、第三方面，提供了一种事件发生模型的训练装置，所述装置包括：
14、获取模块，用于获取多个样本对象的数据和各个样本对象的标注信息，所述样本对象的标注信息表征所述样本对象是否发生与多媒体内容相关的相关事件；
15、特征提取模块，用于通过神经网络模型对所述多个样本对象的数据进行特征提取，得到所述各个样本对象的初始特征；
16、确定模块，用于通过所述神经网络模型基于所述各个样本对象的初始特征，确定所述各个样本对象的预测信息，所述样本对象的预测信息表征所述样本对象发生所述相关事件的可能性；
17、所述确定模块，还用于基于所述各个样本对象的初始特征，确定所述各个样本对象的参考权重，所述样本对象的参考权重用于使所述样本对象的初始特征趋于非线性独立；
18、训练模块，用于基于所述各个样本对象的标注信息、预测信息和参考权重，对所述神经网络模型进行训练，得到事件发生模型，所述事件发生模型用于确定参考对象发生所述相关事件的可能性。
19、在一种可能的实现方式中，所述多个样本对象包括被推送多媒体内容的多个第一对象和未被推送所述多媒体内容的多个第二对象；
20、所述确定模块，用于通过所述神经网络模型基于第一标识信息和所述多个第一对象的初始特征，确定所述各个第一对象的预测信息，所述第一标识信息表征被推送多媒体内容的情况；通过所述神经网络模型基于第二标识信息和所述多个第二对象的初始特征，确定所述各个第二对象的预测信息，所述第二标识信息表征未被推送多媒体内容的情况。
21、在一种可能的实现方式中，所述确定模块，用于对所述各个样本对象的初始特征进行傅里叶变换，得到所述各个样本对象的变换特征；基于所述各个样本对象的变换特征，确定所述各个样本对象的参考权重。
22、在一种可能的实现方式中，所述样本对象的变换特征包括所述样本对象在多个维度的变换子特征；
23、所述确定模块，用于对于任一个样本对象，基于所述任一个样本对象在第一维度的变换子特征和所述各个样本对象在所述第一维度的变换子特征，确定第一特征差异，所述第一维度是所述多个维度中的任一个维度；基于所述任一个样本对象在第二维度的变换子特征和所述各个样本对象在所述第二维度的变换子特征，确定第二特征差异，所述第二维度是所述多个维度中除所述第一维度之外的任一个维度；基于所述第一特征差异和所述第二特征差异，确定任一个样本对象在所述第一维度和所述第二维度之间的变换子特征相关性；基于所述各个样本对象在每两个维度之间的变换子特征相关性，确定所述各个样本对象的参考权重。
24、在一种可能的实现方式中，所述确定模块，用于基于所述各个样本对象的初始权重和所述各个样本对象在所述第一维度的变换子特征，确定所述第一维度的平均变换子特征；基于所述任一个样本对象的初始权重和所述任一个样本对象在所述第一维度的变换子特征，确定所述任一个样本对象在所述第一维度的加权变换子特征；将所述任一个样本对象在所述第一维度的加权变换子特征和所述第一维度的平均变换子特征之间的差值，作为所述第一特征差异。
25、在一种可能的实现方式中，所述训练模块，用于对于任一个样本对象，基于所述任一个样本对象的标注信息和所述任一个样本对象的预测信息，确定所述任一个样本对象对应的第一子损失，基于所述任一个样本对象对应的第一子损失和所述任一个样本对象的参考权重，确定所述任一个样本对象的加权第一子损失；基于所述各个样本对象的加权第一子损失，确定第一损失；基于所述第一损失对所述神经网络模型进行训练，得到所述事件发生模型。
26、在一种可能的实现方式中，所述多个样本对象包括被推送多媒体内容的多个第一对象和未被推送所述多媒体内容的多个第二对象；
27、所述训练模块，用于基于所述各个样本对象的标注信息、预测信息和参考权重，确定第一损失；基于所述多个第一对象的初始特征和所述多个第二对象的初始特征之间的初始特征差异，确定第二损失；基于所述第一损失和所述第二损失，对所述神经网络模型进行训练，得到所述事件发生模型。
28、在一种可能的实现方式中，所述训练模块，用于基于所述各个样本对象的标注信息、预测信息和参考权重，确定第一损失；基于所述神经网络模型的参数确定复杂度信息，所述复杂度信息表征所述神经网络模型的复杂度；基于所述复杂度信息和所述样本对象的数量，确定第三损失；基于所述第一损失和所述第三损失，对所述神经网络模型进行训练，得到所述事件发生模型。
29、在一种可能的实现方式中，所述训练模块，用于基于所述各个样本对象的标注信息、预测信息和参考权重，确定第一损失；基于所述各个样本对象的参考权重和所述样本对象的数量，确定第四损失；基于所述第一损失和所述第四损失，对所述神经网络模型进行训练，得到所述事件发生模型。
30、第四方面，提供了一种多媒体内容的推送装置，所述装置包括：
31、获取模块，用于获取参考对象的数据；
32、确定模块，用于通过事件发生模型基于所述参考对象的数据，确定所述参考对象的初始特征，所述事件发生模型是按照第一方面所述的事件发生模型的训练方法训练得到的；
33、所述确定模块，还用于通过所述事件发生模型基于所述参考对象的初始特征，确定所述参考对象的预测信息，所述参考对象的预测信息表征所述参考对象发生与多媒体内容相关的相关事件的可能性；
34、所述确定模块，还用于基于所述参考对象的预测信息，确定是否向所述参考对象推送所述多媒体内容。
35、在一种可能的实现方式中，所述参考对象的预测信息包括第一预测信息和第二预测信息，所述第一预测信息表征在所述参考对象被推送多媒体内容的情况下，所述参考对象发生所述相关事件的可能性，所述第二预测信息表征在所述参考对象未被推送多媒体内容的情况下，所述参考对象发生所述相关事件的可能性；
36、所述确定模块，用于如果满足第一条件和第二条件，则向所述参考对象推送所述多媒体内容，满足所述第一条件是所述第一预测信息大于所述第二预测信息，满足所述第二条件是所述第一预测信息和所述第二预测信息之间的差值大于阈值；如果不满足所述第一条件和所述第二条件中的至少一项，则确定不向所述参考对象推送所述多媒体内容。
37、第五方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以使所述电子设备实现上述第一方面所述的事件发生模型的训练方法或者上述第二方面所述的多媒体内容的推送方法。
38、第六方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以使电子设备实现上述第一方面所述的事件发生模型的训练方法或者上述第二方面所述的多媒体内容的推送方法。
39、第七方面，还提供了一种计算机程序或计算机程序产品，所述计算机程序或计算机程序产品中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以使电子设备实现上述第一方面所述的事件发生模型的训练方法或者上述第二方面所述的多媒体内容的推送方法。
40、本技术提供的技术方案至少带来如下有益效果：
41、本技术提供的技术方案通过神经网络模型对样本对象的数据进行特征提取，得到样本对象的初始特征。一方面，通过神经网络模型基于样本对象的初始特征，确定样本对象的预测信息，通过样本对象的预测信息表征样本对象发生相关事件的可能性，通过样本对象的标注信息表征样本对象是否发生相关事件。在通过样本对象的标注信息和预测信息，对神经网络模型进行训练时，可以使模型输出的预测信息趋近于标注信息，使得事件发生模型能够准确地确定出参考对象发生相关事件的可能性。另一方面，基于样本对象的初始特征，确定样本对象的参考权重，通过样本对象的参考权重使样本对象的初始特征趋于非线性独立。在通过样本对象的参考权重，对神经网络模型进行训练时，可以使模型确定的初始特征趋近于非线性独立，使得模型具有强大的非线性映射能力和泛化能力，从而使事件发生模型能更准确地确定出参考对象发生相关事件的可能性。通过确定参考对象发生与多媒体内容相关的相关事件的可能性，有利于提高多媒体内容的转化率，从而提高多媒体内容的推送效果。
1.一种事件发生模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述多个样本对象包括被推送多媒体内容的多个第一对象和未被推送所述多媒体内容的多个第二对象；
3.根据权利要求1所述的方法，其特征在于，所述基于所述各个样本对象的初始特征，确定所述各个样本对象的参考权重，包括：
4.根据权利要求3所述的方法，其特征在于，所述样本对象的变换特征包括所述样本对象在多个维度的变换子特征；
5.根据权利要求4所述的方法，其特征在于，所述基于所述任一个样本对象在第一维度的变换子特征和所述各个样本对象在所述第一维度的变换子特征，确定第一特征差异，包括：
6.根据权利要求1所述的方法，其特征在于，所述基于所述各个样本对象的标注信息、预测信息和参考权重，对所述神经网络模型进行训练，得到事件发生模型，包括：
7.根据权利要求1所述的方法，其特征在于，所述多个样本对象包括被推送多媒体内容的多个第一对象和未被推送所述多媒体内容的多个第二对象；
8.根据权利要求1所述的方法，其特征在于，所述基于所述各个样本对象的标注信息、预测信息和参考权重，对所述神经网络模型进行训练，得到事件发生模型，包括：
9.根据权利要求1所述的方法，其特征在于，所述基于所述各个样本对象的标注信息、预测信息和参考权重，对所述神经网络模型进行训练，得到事件发生模型，包括：
10.一种多媒体内容的推送方法，其特征在于，所述方法包括：
11.根据权利要求10所述的方法，其特征在于，所述参考对象的预测信息包括第一预测信息和第二预测信息，所述第一预测信息表征在所述参考对象被推送多媒体内容的情况下，所述参考对象发生所述相关事件的可能性，所述第二预测信息表征在所述参考对象未被推送多媒体内容的情况下，所述参考对象发生所述相关事件的可能性；
12.一种事件发生模型的训练装置，其特征在于，所述装置包括：
13.一种多媒体内容的推送装置，其特征在于，所述装置包括：
14.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以使所述电子设备实现如权利要求1至9任一所述的事件发生模型的训练方法或者实现如权利要求10至11任一所述的多媒体内容的推送方法。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以使电子设备实现如权利要求1至9任一所述的事件发生模型的训练方法或者实现如权利要求10至11任一所述的多媒体内容的推送方法。
16.一种计算机程序产品，其特征在于，所述计算机程序产品中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以使电子设备实现如权利要求1至9任一所述的事件发生模型的训练方法或者实现如权利要求10至11任一所述的多媒体内容的推送方法。
