CN115470401A - 资源推荐方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了资源推荐方法、装置、电子设备及存储介质，涉及计算机技术领域，尤其涉及人工智能、大数据、信息流等技术领域。具体实现方案为：从目标对象的历史访问资源集中、过滤掉满足预设条件的历史访问资源，得到参考资源集；基于目标对象对各参考资源的用户操作数据，确定对各参考资源的兴趣度；基于对各参考资源的兴趣度，从各参考资源的相似资源集中筛选出多个待推荐资源推荐给目标对象。本公开从历史访问资源集中基于预设条件筛选掉用户不感兴趣的历史访问资源，得到感兴趣的参考资源集。而后基于用户操作数据，确定对各参考资源的兴趣度。最后基于相似资源与参考资源的相似度和兴趣度，进行资源筛选和推荐，可提高推荐准确性。

Description

资源推荐方法、装置、电子设备及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及人工智能、大数据、信息流等技术领域。

背景技术

完成资源推荐一般包括召回阶段和排序阶段两个部分。其中，召回阶段用于从海量资源中筛选出待推荐资源，然后在排序阶段对待推荐资源进行排序后推荐给用户。召回阶段，普遍都是以用户的历史浏览记录作为待推荐资源的索引依据，去召回相似资源。但该种资源推荐方式的准确性仍有待提高。

发明内容

本公开提供了一种资源推荐方法、装置、电子设备以及存储介质。

根据本公开的一方面，提供了一种资源推荐方法，包括：

从目标对象的历史访问资源集中、过滤掉满足预设条件的历史访问资源，得到参考资源集；预设条件用于筛选出目标对象不感兴趣的资源；

基于目标对象对参考资源集中各参考资源的用户操作数据，确定目标对象对各参考资源的兴趣度；

基于目标对象对各参考资源的兴趣度，从各参考资源的相似资源集中筛选出多个待推荐资源；

将多个待推荐资源推荐给目标对象。

根据本公开的另一方面，提供了一种资源推荐装置，包括：

过滤模块，用于从目标对象的历史访问资源集中、过滤掉满足预设条件的历史访问资源，得到参考资源集；预设条件用于筛选出目标对象不感兴趣的资源；

确定模块，用于基于目标对象对参考资源集中各参考资源的用户操作数据，确定目标对象对各参考资源的兴趣度；

筛选模块，用于基于目标对象对各参考资源的兴趣度，从各参考资源的相似资源集中筛选出多个待推荐资源；

推荐模块，用于将多个待推荐资源推荐给目标对象。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行资源推荐方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行资源推荐方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述的资源推荐方法。

本实施例提供的方案，本公开从历史访问资源集中基于预设条件筛选掉用户不感兴趣的历史访问资源，得到感兴趣的参考资源集。而后基于用户操作数据，确定对各参考资源的兴趣度。最后基于相似资源与参考资源的相似度和兴趣度，进行资源筛选和推荐，可提高推荐准确性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开一实施例的资源推荐方法的流程示意图；

图2是根据本公开另一实施例的资源推荐方法的流程示意图；

图3是根据本公开另一实施例的资源推荐方法的流程示意图；

图4是根据本公开另一实施例的资源推荐方法中确定兴趣度的示意图；

图5是根据本公开一实施例的资源推荐装置的结构示意图；

图6是根据本公开另一实施例的资源推荐装置的另一结构示意图；

图7是用来实现本公开实施例的资源推荐方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

相关技术中将用户的历史访问资源作为索引依据，去召回与浏览记录相似的资源进行排序推荐。例如，训练用户-资源图模型，以便于通过该模型能够得到资源的特征向量。然后两两资源之间用特征向量计算余弦相似度。余弦相似度的值越大，说明两个资源越相似；在召回阶段，取与历史访问资源相似度最高的n条资源供在线召回，其中n为大于1的正整数。

然而，考虑到不是每一条历史访问资源都是用户真正感兴趣的，即便对于用户所感兴趣的多个历史访问资源之间，也存在着兴趣度差异。有鉴于此，如果能够综合多种过滤因素、筛选出更为符合用户特点的资源进行推荐，客观上更能提高资源推荐的准确性。基于该发明构思，如图1所示，本公开第一方面的一实施例提供的资源推荐方法的流程示意图，包括：

S101，从目标对象的历史访问资源集中、过滤掉满足预设条件的历史访问资源，得到参考资源集；预设条件用于筛选出目标对象不感兴趣的资源。

本公开实施例中，目标对象是用户的唯一标识。目标对象可以是用户在资源平台的账号、目标对象也可以采用用户所使用的终端设备的唯一标识来表示。本公开实施例中，能够唯一标识一个用户的信息均可作为目标对象。

历史访问资源可以是目标对象近期访问的资源，如近一周、近一个月的历史访问资源构建历史访问资源集。

如果目标对象成为资源平台用户的时间较短，可以获取其全部的历史访问资源构建历史访问资源集。

可以限定指定访问时间段内的历史访问资源用于构建历史访问资源集，也可以限定历史访问资源集中的资源数量上限。当然也可以要求获取指定访问时间段内的指定数量的历史访问资源构建历史访问资源集。因此，获取哪些历史访问资源来构建历史访问资源集，本公开实施例对此不作具体限定。

其中，实施时，由于不同资源平台存在的用户行为差异，为了能够准确地筛选出用户不感兴趣的历史访问资源，可以根据不同的资源平台的业务需求，来确定具体的预设条件，由此过滤掉用户不感兴趣的历史访问资源，得到用户感兴趣的历史访问资源构建的参考资源集。

S102，基于目标对象对参考资源集中各参考资源的用户操作数据，确定目标对象对各参考资源的兴趣度。

S103，基于目标对象对各参考资源的兴趣度，从各参考资源的相似资源集中筛选出多个待推荐资源。

S104，将多个待推荐资源推荐给目标对象。

由此，在本公开实施例中，先获得目标对象的历史访问资源集。然后从中过滤掉满足预设条件的历史访问资源，从而过滤掉用户不感兴趣的历史访问资源，完成了对历史访问资源的筛选，得到了目标对象感兴趣的参考资源集。然后，在参考资源集中，进一步基于目标对象的用户操作数据，来确定目标对象对各参考资源的兴趣度。由于用户操作数据是目标对象个性化的数据，由此确定的兴趣度能够体现目标对象对不同参考资源的兴趣度差异，由此基于本公开实施例中的兴趣度和相似度能够准确筛选出待推荐资源。总之，本公开实施例中能够得到适合用户的待推荐资源，从而能够提高推荐的准确性。

由于用户行为能够直接明确地反应用户喜好，因此，在一些实施方式中，可基于如图2所示的方法过滤掉用户不感兴趣的历史访问资源：

S201,获取目标对象对历史访问资源的用户操作数据；该用户操作数据中包括至少一种第一操作参数。

例如，基于资源平台为用户提供的行为接口，对资源的用户行为可包括以下至少一种：点赞、点爱心、点不喜欢(dislike)、点踩、评论、打赏、收藏、评分、转发、分享、下载、购买资源等。其中，点不喜欢、点踩这类用户行为用于表达用户对资源不感兴趣。因此，第一操作参数可以包括点不喜欢、点踩这类用户行为。

此外，对资源的阅读时长也能从一定程度反应用户对资源的喜好，因此第一操作参数中还可以包括阅读时长。

S202，在任一第一操作参数满足该第一操作参数对应的过滤条件的情况下，从该历史访问资源集中过滤掉该历史访问资源。

本公开实施例中，用户操作行为中的第一操作参数能够衡量用户是否对资源感兴趣，基于第一操作参数实现了基于用户特点为用户筛选掉不感兴趣的历史访问资源，且每种第一操作参数有其对应的过滤条件，从而实现了基于第一操作参数自身特点精准地筛选出用户不感兴趣的历史访问资源，由此能够提高推荐的准确性。

为便于描述方便，点不喜欢、点踩这类用户行为产生的第一操作参数在后文可统称为负向反馈参数。简言之，负向反馈参数用于表征目标对象对历史访问资源不感兴趣。

实施时，可基于阅读时长、完播率、负向反馈参数中的至少一种来筛选掉满足预设条件的历史访问资源。一种可能的实施方式为以下至少一种方法过滤掉满足预设条件的历史访问资源：

1)、在第一操作参数包括阅读时长的情况下，过滤掉阅读时长低于时长阈值的历史访问资源；也即，阅读时长的过滤条件是：阅读时长低于时长阈值。

其中，时长阈值可以根据具体资源平台中的具体资源类型来进行界定，一般将时长阈值设置得较小，对于阅读时长低于此时长阈值的历史访问资源，可以归为不感兴趣的资源范围内。

2)、可将用户对历史访问资源的阅读时长与历史访问资源的总播放时长作比，得到完播率。完播率也可用于衡量目标对象对视频类历史访问资源的兴趣度。本公开实施例中也可以采用完播率来筛选用户不感兴趣的历史访问资源。

具体可实施为在第一操作参数包括完播率的情况下，过滤掉完播率低于完播率阈值的历史访问资源；也即，完播率的过滤条件是：完播率低于完播率阈值。

3)、在第一操作参数包括负向反馈参数的情况下，过滤掉具有负向反馈参数的历史访问资源。

此外，需要补充说明的是，以上三种方法可择一使用，也可以结合使用。

一种结合方式例如是，任一历史访问资源满足以上3种情况的任一情况，则该历史访问资源需要被过滤掉。

基于阅读时长、完播率、负向反馈参数中的至少一种来筛选掉目标对象不感兴趣的历史访问资源的另一种实施方式为：先采用阅读时长过滤出用户不感兴趣的历史访问资源(简称第一资源子集)。然后，由于视频类历史访问资源本身总时长存在差异，有些视频类历史访问资源总时长较短，为了避免因时长阈值的限定，而过滤掉用户实际感兴趣的短视频，本公开实施例中可以从第一资源子集中筛选掉完播率高于设定阈值的历史访问资源得到第二资源子集，由此第二资源子集中包括的历史访问资源是完播率较低且阅读时长较短的历史访问资源，这些历史访问资源均为用户不感兴趣的历史访问资源。此外，还从历史访问资源集中筛选出具有负向反馈参数的历史访问资源，得到用户不感兴趣的第三资源子集。那么最终，第二资源子集和第三资源子集的并集为最终需要过滤掉的历史访问资源。

类似的，除了负向反馈参数，本公开实施例中可将点赞、收藏、打赏、点爱心、分享、转发、下载、购买资源等这类能够明确表达用户对资源感兴趣的用户行为称之为正向反馈。相应的该类用户行为产生的用户行为参数可称之为正向反馈参数。基于阅读时长、完播率、负向反馈参数中的至少一种来筛选掉目标对象不感兴趣的历史访问资源的再一种实施方式为：先从历史访问资源集中筛选出具有正向反馈参数的历史访问资源，存储至参考资源集。从剩余的历史访问资源中筛选掉具有负向反馈参数的历史访问资源，得到第四资源子集(即由不具有正向反馈参数和负向反馈参数的历史访问资源构成的资源集)；之后，将第四资源子集中阅读时长小于时长阈值的历史访问资源筛选掉，得到第五资源子集，然后从第五资源子集中筛选掉完播率低于完播率阈值的历史访问资源，得到第六资源子集，将第六资源子集存储至参考资源集，由此完成过滤。

基于阅读时长、完播率、负向反馈参数中的至少一种来筛选掉目标对象不感兴趣的历史访问资源的又一种实施方式为：筛选掉具有负向反馈参数的历史访问资源、并且筛选掉阅读时长小于时长阈值且不具有正向反馈参数的历史访问资源、并且还筛选掉完播率低于完播率阈值且不具有正向反馈参数的历史访问资源。也即，针对阅读时长和完播率而言，阅读时长虽然较短但具有正向反馈参数的历史访问资源将被保留到参考资源集中，完播率较低但具有正向反馈参数的历史访问资源也将被保留到参考资源集中。

其中，负向反馈参数包括了用户对于历史访问资源的某些负向操作行为，该参数明确反应了用户已经失去了对此类历史访问资源的兴趣度，能够直接将该历史访问资源过滤掉。该负向反馈参数用于降低与该历史访问资源同类型资源的曝光率，即当用户历史访问资源中出现了该负向反馈参数，也可以将该历史访问资源的同类资源进行标记，同时减少该类资源在用户端的推荐。

本公开实施例中能够基于阅读时长、完播率和负向反馈参数准确地筛选掉用户不感兴趣的历史访问资源，从而提高推荐的准确性。

本公开实施例中，对历史访问资源集进行筛选后，得到用户感兴趣的参考资源集，为了能够进一步提高推荐的准确性，本公开实施例采用以下方法衡量用户对不同参考资源的兴趣度差异，可实施为如图3所示：

S301，获取参考资源的用户操作数据，用户操作数据中包括至少一种第二操作参数。

如前文所阐述的，类似于第一操作参数，打赏、收藏、分享、下载这类用户行为能够明确表达用户喜欢历史访问资源，该类用户行为产生的用户行为参数称之为正向反馈参数。其中，第二操作参数可包括正向反馈参数，此外还可以包括其他用户行为的操作参数。如评论，有些评论内容用户明确表达了对历史访问资源的喜好，而有些评论则无法明确表达对资源的喜好，但实施时为了提高兴趣度确定的准确性，弥补基于预设条件过滤时存在未能全面过滤的可能，可以将评论归类为第二操作参数。

由于已获取到的第二操作参数描述的是用户行为，而用户行为参数是无法直接被兴趣度预测模型所识别并进行相关计算的，故此，本公开实施例中需要将第二操作参数进行量化处理，转换成数字类型的特征值，以便于计算对参考资源的兴趣度。因此，在S302中，将各第二操作参数量化为兴趣度预测模型可识别的特征值。

本公开实施例中，第二操作参数的取值区间可能为连续取值区间，例如打赏，打赏值是一个连续取值区间的值。当然，第二操作参数可能没有连续区间，例如，点赞和不点赞两种用户行为的操作参数没有连续区间。甚至一些用户操作参数没有取值区间，如评论。因此，鉴于第二操作参数之间的差异，将第二操作参数量化为兴趣度预测模型可识别的特征值，可实施为：

在第二操作参数的取值区间为连续取值区间的情况下，将第二操作参数的取值进行归一化，得到第二操作参数的特征值。例如阅读时长，可将第二操作参数的取值进行归一化处理，一般指将取值范围归一化到[0，1]区间，此时将归一化后的第二操作参数取值作为第二操作参数的特征值。本公开实施例中，进行归一化能够有利于将不同第二操作参数整合到一个空间，避免某些第二操作参数过大，影响兴趣度的预测结果。

针对没有取值区间的第二操作参数，在第二操作参数的参数值包括字符的情况下，对字符进行语义分析，得到语义分析结果；

第二操作参数的参数值包括字符的情况，一般是指对用户的评论行为中所产生的评论内容的分析和处理。此时可以借助自然语言处理工具，对用户评论内容中的字符进行相关处理，得出对于评论内容的语义分析结果。此处，除了用户评论“不想看”、“拒绝再次推送”等，这种明确意义上不希望再次看到此历史访问资源的评论内容外，不管客观上评论内容是正向的还是负向的，只要评论内容表现出了用户对于历史访问资源存在较强的兴趣度，都将其理解成用户感兴趣的历史访问资源。例如用户针对历史访问资源作出一些类似于批评、声讨的负向评价，但是也表现了用户对该历史访问资源的兴趣。因此，得到语义分析结果后，可基于语义分析结果，确定第二操作参数的特征值。实施时，在得到的语义分析结果表达对参考资源感兴趣的情况下，第二操作参数的特征值可为第一预设值，例如为1。类似的，在得到的语义分析结果表达对参考资源不感兴趣的情况下，第二操作参数的特征值可为第二预设值，例如-1。

当然，对于点赞、点爱心这类第二操作参数，具有正向反馈则将其特征值设置为1，没有正向反馈即没有点赞、点爱心，则特征值取值为-1。

本公开实施例中能够将各第二操作参数量化为兴趣度预测模型可识别的特征值。通过对第二操作参数的取值进行归一化处理，可以使数值较小的第二操作参数取值不被吞食，且统一了样本数据的评价标准，避免了归一化前的第二操作参数取值存在的数值评价标准不一致的情况，提高兴趣度的准确性。通过对包含字符的第二操作参数进行内容分析和处理，可进一步丰富对用户行为所产生的第二操作数据的分析和判断，便于准确地确定出对参考资源的兴趣度。

S303，将各第二操作参数的特征值，输入兴趣度预测模型，得到目标对象对参考资源的兴趣度。

本公开实施例中，基于兴趣度预测模型能够得到用户对参考资源集中各参考资源的兴趣度，从而为基于兴趣度能够区分用户对不同参考资源的兴趣差异，基于兴趣度进行资源推荐，提供了更多的条件和依据，有利于根据兴趣度筛选出用户更有可能感兴趣的历史访问资源。

本公开实施例中，采用有监督的方式对初始模型进行训练，样本资源的训练标签为用户是否对样本资源感兴趣。训练标签可以人工标注，为了提高效率，训练标签也可以自动标注。例如自动标注方式可实施为：

在样本资源的用户操作数据包括正向反馈参数的情况下，确定样本资源的分类标签为正样本；

在样本资源的用户操作数据包括负向反馈参数的情况下，确定样本资源的分类标签为负样本。

正样本即用户感兴趣的资源；负样本即用户不感兴趣的资源。然后借助二分类可实现对初始模型的训练，得到兴趣度预测模型。实施时，可以基于以下方法训练初始模型，得到兴趣度预测模型：

首先，获取样本资源的第二操作参数的特征值；其中，样本资源的第二操作参数转换为特征值的方式与前述步骤S302描述相同，这里不再赘述。当然，为了提高训练的准确性，本申请实施例中也可以使用过滤完用户不感兴趣的资源后得到的参考资源集作为训练样本。

之后，将样本资源的第二操作参数的特征值输入至初始模型，得到样本资源的兴趣度；其中，初始模型可以为线性回归模型，当然为了能够更好地处理量化的离散特征，还可以选择xgbt(eXtreme Gradient Boosting，极端梯度提升)模型。

再之后，基于已经得到的兴趣度，继续对样本资源进行二分类，得到样本资源的分类结果；其中，分类结果为正样本或负样本；之后，基于样本资源的分类结果和样本资源的分类标签，确定损失值；再基于损失值调整初始模型，得到兴趣度预测模型。

其中，训练的收敛条件可以是达到预设迭代次数则中止训练，得到兴趣度预测模型，也可以在损失值基本不变的情况下中止训练，得到兴趣度预测模型。

本公开实施例中，基于有监督方式进行训练能够获得准确的兴趣度预测模型。相较于以连续取值区间的兴趣度作为训练标签，采用二分类结果作为训练标签更加准确且容易标注训练数据。

此外，本公开实施例中，除了采用目标对象对各参考资源的用户行为来确定兴趣度之外，还可以结合后验数据提高兴趣度的准确性。例如，针对任一参考资源，可获取该参考资源的资源类型；之后，获取目标对象对资源类型的点击次数。例如，参考资源为体育类的资源，可汇总统计目标对象对体育类资源的点击次数作为后验数据。之后，基于点击次数和参考资源的第二操作参数，确定目标对象对参考资源的兴趣度。

综上而言，本公开实施例中预测对参考资源的兴趣度的实施方式如图4所示，将对参考资源A的包括点赞、点爱心、打赏、分享、评论、完播率、下载、转发等第二操作参数量化为相应的特征值，输入给兴趣度预测模型，同时，获取参考资源A的同类型资源的点击次数，也输入给兴趣度预测模型，由此得到目标对象对参考资源A的兴趣度。

由此，本公开实施例中，基于目标对象对同类型资源的点击次数，实现了基于后验数据预测目标对象对参考资源的兴趣度，可提高兴趣度确定的准确性，由此提高推荐结果的准确性。

以上介绍了如何筛选出参考资源，并确定目标对象对不同参考资源的兴趣度。基于该兴趣度，本公开实施例中可基于目标对象对参考资源的兴趣度，以及相似资源与参考资源之间的相似度，得到相似资源的召回值；基于优先选择召回值高的相似资源的筛选原则，筛选出多个待推荐资源。

基于优先选择召回值高的相似资源的筛选原则，将相似资源集中召回值高的相似资源优先选择，筛选出多个待推荐资源，与参考资源集一并组成待推荐资源集。

其中，召回值指在待推荐资源集中，对待推荐资源进行排序的最终参考值依据。本公开实施例中，由于兴趣度能够衡量不同参考资源的兴趣差异、且参考资源是经过对历史访问资源集筛选后得到的，所以引入的兴趣度能够很好的反应目标对象的兴趣爱好，基于兴趣度和相似度确定召回值，相比于单纯采用相似度召回资源的方式，能够提高召回的准确性，从而提高推荐的准确性。

一种可能的实施方式中，每种资源可基于ICF(item-based collaborativefiltering，基于物品的协同过滤算法)召回方法确定各资源的相似资源集。例如，基于ICF构建资源的索引，供在线召回。索引例子如下：

nid1[nid2&0.91,nid3&0.82,nid4&0.71,…]

nid2[nid1&0.91,nid4&0.85,nid5&0.67,…]

其中，每行为一条索引，第一列为触发key(例如第一行的nid1，即为触发key)，第二列是多个资源的信息，例如第一行的第二列，nid2&0.91，表示nid2和nid1的余弦相似度为0.91，并且余弦相似度越高的排在越前面，一般仅保留余弦相似度最高的50个资源，且会设置一个余弦相似度的阈值，低于该阈值的关系不会放在索引里面。

实施时可以基于对参考资源的兴趣度以及参考资源和相似资源的相似度，来最终确定该相似资源的召回值。

一种召回值的确定方法为：确定兴趣度和相似度的乘积，得到相似资源的召回值。该实施例中将相似度与兴趣度作积运算，得到一个可信度较高的召回值，且该方式计算简便，对计算资源消耗较小。

另一种召回值的确定方法为：以兴趣度和相似度参数中的一个信息作为另一个信息的指数，确定相似资源与参考资源之间的召回值。

例如，相似度作为指数时，计算公式如式(1)所示：

Z＝C^L (1)

在式(1)中，Z为召回值、C为兴趣度、L为相似度。

需要说明的是，本公开实施例中召回值与相似度和兴趣度均具有正相关关系，基于该正相关关系设计的计算召回值的方式均适用于本公开实施例。采用如式(1)所示的指数形式确定召回值时，能够侧重相似度和兴趣度中的一个指标。当相似度作为指数时，达到更侧重相似度这一指标进行资源推荐的目的，当兴趣度作为指数时，达到更侧重兴趣度这一指标进行资源推荐的目的。

在另一些实施例中，兴趣度不仅可用于召回资源，本公开实施例中确定的兴趣度还可以在排序阶段使用。例如，筛选出多个待推荐资源之后，可以将兴趣度作为排序模型的一个输入特征，以便于排序模型进行资源排序。本公开实施例中的排序模型可以为双塔模型。由此，在使用兴趣度进行排序时，能够考虑用户对参考资源的兴趣爱好情况，提高排序的准确性，由此提高推荐的准确性。

基于相同的技术构思，本公开实施例第二方面，还提供一种资源推荐装置，如图5所示，包括：

过滤模块501，用于从目标对象的历史访问资源集中、过滤掉满足预设条件的历史访问资源，得到参考资源集；预设条件用于筛选出目标对象不感兴趣的资源；

确定模块502，用于基于目标对象对参考资源集中各参考资源的用户操作数据，确定目标对象对各参考资源的兴趣度；

筛选模块503，用于基于目标对象对各参考资源的兴趣度，从各参考资源的相似资源集中筛选出多个待推荐资源；

推荐模块504，用于将多个待推荐资源推荐给目标对象。

在一些实施例中，在图5的基础上，如图6所示，其中，过滤模块501，包括：

第一过滤子模块505，用于获取目标对象对历史访问资源的用户操作数据；用户操作数据中包括至少一种第一操作参数；

第二过滤子模块506，用于在任一第一操作参数满足第一操作参数对应的过滤条件的情况下，从历史访问资源集中过滤掉历史访问资源。

在一些实施例中，其中，在任一第一操作参数满足第一操作参数对应的过滤条件的情况下，第二过滤子模块506用于：

基于以下至少一种方法过滤掉满足预设条件的历史访问资源：

在第一操作参数包括阅读时长的情况下，过滤掉阅读时长低于时长阈值的历史访问资源；

在第一操作参数包括完播率的情况下，过滤掉完播率低于完播率阈值的历史访问资源；

在第一操作参数包括负向反馈参数的情况下，过滤掉具有负向反馈参数的历史访问资源，负向反馈参数用于表征目标对象对历史访问不感兴趣。

在一些实施例中，其中，确定模块502，用于：

针对各参考资源分别执行以下操作，得到各参考资源的兴趣度：

获取参考资源的用户操作数据，用户操作数据中包括至少一种第二操作参数；

将各第二操作参数量化为兴趣度预测模型可识别的特征值；

将各第二操作参数的特征值，输入兴趣度预测模型，得到目标对象对参考资源的兴趣度。

在一些实施例中，如图6所示，该资源推荐装置还包括：

训练模块507，用于基于以下方法训练初始模型，得到兴趣度预测模型：

获取样本资源的第二操作参数的特征值；

将样本资源的第二操作参数的特征值输入至初始模型，得到样本资源的兴趣度；

基于兴趣度，对样本资源进行二分类，得到样本资源的分类结果；其中，分类结果为正样本或负样本；

基于样本资源的分类结果和样本资源的分类标签，确定损失值；

基于损失值调整初始模型，得到兴趣度预测模型。

在一些实施例中，其中，确定模块502，基于以下至少一种方法将各第二操作参数量化为兴趣度预测模型可识别的特征值，包括：

在第二操作参数的取值区间为连续取值区间的情况下，将第二操作参数的取值进行归一化，得到第二操作参数的特征值；

在第二操作参数的参数值包括字符的情况下，对字符进行语义分析，得到语义分析结果；基于语义分析结果，确定第二操作参数的特征值。

在一些实施例中，其中，筛选模块503，用于：

基于目标对象对参考资源的兴趣度，以及相似资源与参考资源之间的相似度，得到相似资源的召回值；

基于优先选择召回值高的相似资源的筛选原则，筛选出多个待推荐资源。

在一些实施例中，确定模块502，还用于：

针对任一参考资源，获取参考资源的资源类型；

获取目标对象对资源类型的点击次数；

基于点击次数和参考资源的用户操作参数，确定目标对象对参考资源的兴趣度。

本公开实施例的装置的各模块、子模块的具体功能和示例的描述，可以参见上述方法实施例中对应步骤的相关描述，在此不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如资源推荐方法。例如，在一些实施例中，资源推荐方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的资源推荐方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行资源推荐方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (19)

1.一种资源推荐方法，包括：

从目标对象的历史访问资源集中、过滤掉满足预设条件的历史访问资源，得到参考资源集；所述预设条件用于筛选出所述目标对象不感兴趣的资源；

基于所述目标对象对所述参考资源集中各参考资源的用户操作数据，确定所述目标对象对各参考资源的兴趣度；

基于所述目标对象对各参考资源的兴趣度，从各参考资源的相似资源集中筛选出多个待推荐资源；

将所述多个待推荐资源推荐给所述目标对象。

2.根据权利要求1所述的方法，其中，所述从目标对象的历史访问资源集中、过滤掉满足预设条件的历史访问资源，得到参考资源集，包括：

获取所述目标对象对历史访问资源的用户操作数据；所述用户操作数据中包括至少一种第一操作参数；

在任一第一操作参数满足所述第一操作参数对应的过滤条件的情况下，从所述历史访问资源集中过滤掉所述历史访问资源。

3.根据权利要求2所述的方法，其中，所述在任一第一操作参数满足所述第一操作参数对应的过滤条件的情况下，从所述历史访问资源集中过滤掉所述历史访问资源，包括：

基于以下至少一种方法过滤掉满足预设条件的历史访问资源：

在第一操作参数包括阅读时长的情况下，过滤掉阅读时长低于时长阈值的历史访问资源；

在第一操作参数包括完播率的情况下，过滤掉完播率低于完播率阈值的历史访问资源；

在第一操作参数包括负向反馈参数的情况下，过滤掉具有所述负向反馈参数的历史访问资源，所述负向反馈参数用于表征目标对象对所述历史访问不感兴趣。

4.根据权利要求1-3中任一项所述的方法，其中，所述基于所述目标对象对所述参考资源集中各参考资源的用户操作数据，确定所述目标对象对各参考资源的兴趣度，包括：

针对各参考资源分别执行以下操作，得到各参考资源的兴趣度：

获取所述参考资源的用户操作数据，所述用户操作数据中包括至少一种第二操作参数；

将各所述第二操作参数量化为兴趣度预测模型可识别的特征值；

将各第二操作参数的特征值，输入所述兴趣度预测模型，得到所述目标对象对所述参考资源的兴趣度。

5.根据权利要求4所述的方法，还包括基于以下方法训练初始模型，得到所述兴趣度预测模型：

获取样本资源的第二操作参数的特征值；

将所述样本资源的第二操作参数的特征值输入至所述初始模型，得到所述样本资源的兴趣度；

基于所述兴趣度，对所述样本资源进行二分类，得到所述样本资源的分类结果；其中，分类结果为正样本或负样本；

基于所述样本资源的分类结果和所述样本资源的分类标签，确定损失值；

基于所述损失值调整所述初始模型，得到所述兴趣度预测模型。

6.根据权利要求4所述的方法，其中，基于以下至少一种方法将各所述第二操作参数量化为兴趣度预测模型可识别的特征值，包括：

在所述第二操作参数的取值区间为连续取值区间的情况下，将所述第二操作参数的取值进行归一化，得到所述第二操作参数的特征值；

在所述第二操作参数的参数值包括字符的情况下，对所述字符进行语义分析，得到语义分析结果；基于语义分析结果，确定第二操作参数的特征值。

7.根据权利要求1-6中任一项所述的方法，其中，所述基于所述目标对象对各参考资源的兴趣度，从各参考资源的相似资源集中筛选出待推荐资源，包括：

基于所述目标对象对所述参考资源的兴趣度，以及所述相似资源与所述参考资源之间的相似度，得到所述相似资源的召回值；

基于优先选择召回值高的相似资源的筛选原则，筛选出多个待推荐资源。

8.根据权利要求1或4所述的方法，所述基于所述目标对象对所述参考资源集中各参考资源的用户操作数据，确定所述目标对象对各参考资源的兴趣度，包括：

针对任一参考资源，获取所述参考资源的资源类型；

获取所述目标对象对所述资源类型的点击次数；

基于所述点击次数和所述参考资源的用户操作参数，确定所述目标对象对所述参考资源的兴趣度。

9.一种资源推荐装置，包括：

过滤模块，用于从目标对象的历史访问资源集中、过滤掉满足预设条件的历史访问资源，得到参考资源集；所述预设条件用于筛选出所述目标对象不感兴趣的资源；

确定模块，用于基于所述目标对象对所述参考资源集中各参考资源的用户操作数据，确定所述目标对象对各参考资源的兴趣度；

筛选模块，用于基于所述目标对象对各参考资源的兴趣度，从各参考资源的相似资源集中筛选出多个待推荐资源；

推荐模块，用于将所述多个待推荐资源推荐给所述目标对象。

10.根据权利要求9所述的装置，其中，所述过滤模块，包括：

第一过滤子模块，用于获取所述目标对象对历史访问资源的用户操作数据；所述用户操作数据中包括至少一种第一操作参数；

第二过滤子模块，用于在任一第一操作参数满足所述第一操作参数对应的过滤条件的情况下，从所述历史访问资源集中过滤掉所述历史访问资源。

11.根据权利要求10所述的装置，其中，所述在任一第一操作参数满足所述第一操作参数对应的过滤条件的情况下，第二过滤子模块用于：

基于以下至少一种方法过滤掉满足预设条件的历史访问资源：

在第一操作参数包括阅读时长的情况下，过滤掉阅读时长低于时长阈值的历史访问资源；

在第一操作参数包括完播率的情况下，过滤掉完播率低于完播率阈值的历史访问资源；

在第一操作参数包括负向反馈参数的情况下，过滤掉具有所述负向反馈参数的历史访问资源，所述负向反馈参数用于表征目标对象对所述历史访问不感兴趣。

12.根据权利要求9-11中任一项所述的装置，其中，所述确定模块，用于：

针对各参考资源分别执行以下操作，得到各参考资源的兴趣度：

获取所述参考资源的用户操作数据，所述用户操作数据中包括至少一种第二操作参数；

将各所述第二操作参数量化为兴趣度预测模型可识别的特征值；

将各第二操作参数的特征值，输入所述兴趣度预测模型，得到所述目标对象对所述参考资源的兴趣度。

13.根据权利要求12所述的装置，还包括：

训练模块，用于基于以下方法训练初始模型，得到所述兴趣度预测模型：

获取样本资源的第二操作参数的特征值；

将所述样本资源的第二操作参数的特征值输入至所述初始模型，得到所述样本资源的兴趣度；

基于所述兴趣度，对所述样本资源进行二分类，得到所述样本资源的分类结果；其中，分类结果为正样本或负样本；

基于所述样本资源的分类结果和所述样本资源的分类标签，确定损失值；

基于所述损失值调整所述初始模型，得到所述兴趣度预测模型。

14.根据权利要求12所述的装置，其中，所述确定模块，基于以下至少一种方法将各所述第二操作参数量化为兴趣度预测模型可识别的特征值，包括：

在所述第二操作参数的取值区间为连续取值区间的情况下，将所述第二操作参数的取值进行归一化，得到所述第二操作参数的特征值；

在所述第二操作参数的参数值包括字符的情况下，对所述字符进行语义分析，得到语义分析结果；基于语义分析结果，确定第二操作参数的特征值。

15.根据权利要求9-14中任一项所述的装置，其中，所述筛选模块，用于：

基于所述目标对象对所述参考资源的兴趣度，以及所述相似资源与所述参考资源之间的相似度，得到所述相似资源的召回值；

基于优先选择召回值高的相似资源的筛选原则，筛选出多个待推荐资源。

16.根据权利要求9或12所述的装置，所述确定模块，还用于：

针对任一参考资源，获取所述参考资源的资源类型；

获取所述目标对象对所述资源类型的点击次数；

基于所述点击次数和所述参考资源的用户操作参数，确定所述目标对象对所述参考资源的兴趣度。

17.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。

Images