CN109284445A

CN109284445A - 网络资源的推荐方法、装置、服务器及存储介质

Info

Publication number: CN109284445A
Application number: CN201811509612.8A
Authority: CN
Inventors: 田晓宇
Original assignee: Beijing Dajia Internet Information Technology Co Ltd
Current assignee: Beijing Dajia Internet Information Technology Co Ltd
Priority date: 2018-12-11
Filing date: 2018-12-11
Publication date: 2019-01-29
Anticipated expiration: 2038-12-11
Also published as: CN109284445B

Abstract

本申请是关于一种网络资源的推荐方法、装置、服务器及存储介质，属于信息推荐领域。所述方法包括：将用户账号的用户特征与该用户特征关联的多个资源特征分别进行特征组合，得到多个联合特征；根据关联模型，确定该多个联合特征对应的关联度，该关联模型用于确定任一联合特征中用户特征和资源特征关联的概率；根据该多个联合特征对应的关联度，从该多个联合特征中获取目标联合特征，根据目标联合特征，从备选网络资源中获取匹配的网络资源；根据获取的网络资源，对该用户账号进行资源推荐。本申请能够将相似用户浏览过的网络资源中热度较高的网络资源推荐给目标用户，提高了推荐内容的多样性，进而提高了用户的浏览兴趣以及推荐的有效性。

Description

网络资源的推荐方法、装置、服务器及存储介质

技术领域

本申请涉及信息推荐领域，尤其涉及一种网络资源的推荐方法、装置、服务器及存储介质。

背景技术

随着互联网技术的发展，目前的视频播放平台、电商平台或新闻平台等网络资源平台都承载有海量的网络资源，而为了满足用户的快速浏览需求，网络资源平台需要从海量数据中选择合适的网络资源推荐给用户，网络资源的推荐算法是各个网络资源平台的核心技术能力。

相关技术中，通常根据用户的浏览习惯，对用户进行资源推荐。具体地，当接收到目标用户账号的资源推荐请求时，可以获取目标用户账号的历史浏览数据，以及预先选定好的兴趣标签，然后对历史浏览数据和选定的兴趣标签进行分析，确定目标用户账号的浏览习惯。之后，从存储的海量网络资源中选取与目标用户账号的浏览习惯匹配的网络资源，并将选取的网络资源推荐给目标用户账号。

但是，根据用户的浏览习惯进行资源推荐时，向用户推荐的都是用户习惯浏览的网络资源，内容较为单一，缺乏新颖性，容易使用户产生浏览的疲倦感，推荐有效性较低。

发明内容

本申请提供了一种网络资源的推荐方法、装置、服务器及存储介质，可以用于解决相关技术中根据用户的浏览习惯进行资源推荐时，推荐内容较为单一、缺乏新颖性从而推荐有效性较低的问题。

根据本申请实施例的第一方面，提供了一种网络资源的推荐方法，所述方法包括：

将待进行资源推荐的用户账号的用户特征与所述用户特征关联的多个资源特征分别进行特征组合，得到多个联合特征，所述用户特征关联的多个资源特征是根据具有所述用户特征的不同用户账号的历史浏览数据确定得到；

根据关联模型，确定所述多个联合特征对应的关联度，每个联合特征对应的关联度是指所述每个联合特征中用户特征和资源特征之间的关联度，所述关联模型用于确定任一联合特征中用户特征和资源特征关联的概率；

根据所述多个联合特征对应的关联度，从所述多个联合特征中获取目标联合特征，根据所述目标联合特征，从备选网络资源中获取匹配的网络资源；

根据获取的网络资源，对所述用户账号进行资源推荐。

可选地，所述用户特征包括多个用户子特征；

所述将待进行资源推荐的用户账号的用户特征与所述用户特征关联的多个资源特征分别进行特征组合，得到多个联合特征，包括：

对于所述多个用户子特征中的每个用户子特征，将所述每个用户子特征与所述每个用户子特征关联的源特征分别进行特征组合，得到所述每个用户子特征对应的联合特征；

将所述多个用户子特征分别对应的联合特征，确定为所述多个联合特征。

可选地，所述多个用户子特征包括性别特征、年龄特征、地域特征、职业特征和兴趣特征中的至少两种。

可选地，所述根据关联模型，确定所述多个联合特征对应的关联度，包括：

调用所述关联模型，将所述多个联合特征输入到所述关联模型中，输出每个联合特征中用户特征和资源特征关联的概率；将所述每个联合特征中用户特征和资源特征关联的概率，确定为所述每个联合特征对应的关联度；或者，

从所述关联模型的模型参数包括的各个联合特征对应的权重中，确定所述多个联合特征对应的权重；将所述多个联合特征对应的权重确定为所述多个联合特征对应的关联度；其中，每个联合特征对应的权重用于影响所述每个联合特征中用户特征和资源特征关联的概率。

可选地，所述根据所述多个联合特征对应的关联度，从所述多个联合特征中获取目标联合特征，包括：

按照对应的关联度从大到小的顺序，从所述多个联合特征中选择前第一预设数目的联合特征，作为所述目标联合特征。

可选地，所述根据所述目标联合特征，从备选网络资源中获取匹配的网络资源，包括：

从所述备选网络资源中，确定与所述目标联合特征中的资源特征匹配的网络资源；

按照预设选择策略，从确定的网络资源中获取第二预设数目的网络资源。

可选地，所述按照预设选择策略，从确定的网络资源中获取第二预设数目的网络资源，包括：

从确定的网络资源中，随机选择所述第二预设数目的网络资源；或者，

按照发布时间从早到晚的顺序，从确定的网络资源中选择前所述第二预设数目的网络资源；或者，

按照资源热度从大到小的顺序，从确定的网络资源中选择前所述第二预设数目的网络资源。

所述将待进行资源推荐的用户账号的用户特征与所述用户特征关联的多个资源特征分别进行特征组合之前，还包括：

从用户特征和资源特征的关联关系中，确定所述用户特征关联的资源特征；

从所述用户特征关联的资源特征中，获取所述多个资源特征。

可选地，所述用户特征和资源特征的关联关系包括多个参考用户子特征和资源特征的关联关系，所述用户特征包括多个用户子特征；

所述从用户特征和资源特征的关联关系中，确定所述用户特征关联的资源特征，包括：

对于所述多个用户子特征中的每个用户子特征，从所述多个参考用户子特征和资源特征的关联关系中，确定所述每个用户子特征关联的资源特征；

所述从所述用户特征关联的资源特征中，获取所述多个资源特征，包括：

从所述多个用户子特征分别关联的资源特征中，获取所述多个资源特征。

可选地，所述从用户特征和资源特征的关联关系中，确定所述用户特征关联的资源特征之前，还包括：

获取多个参考用户账号中每个参考用户账号浏览的网络资源，作为所述每个参考用户账号关联的网络资源；

获取所述每个参考用户账号的用户特征，以及所述每个参考用户账号关联的网络资源的资源特征；

根据所述每个参考用户账号的用户特征，以及所述每个参考用户账号关联的网络资源的资源特征，确定所述每个参考用户账号的用户特征关联的资源特征；

对所述多个参考用户账号的用户特征关联的资源特征进行统计，得到所述用户特征和资源特征的关联关系。

可选地，所述每个参考用户账号的用户特征包括多个用户子特征；

所述根据所述每个参考用户账号的用户特征，以及所述每个参考用户账号关联的网络资源的资源特征，确定所述每个参考用户账号的用户特征关联的资源特征，包括：

将所述每个参考用户账号关联的网络资源的资源特征，确定为所述每个参考用户账号的多个用户子特征中每个用户子特征关联的资源特征；

所述对所述多个参考用户账号的用户特征关联的资源特征进行统计，得到所述用户特征和资源特征的关联关系，包括：

对所述多个参考用户账号的相同用户子特征进行合并，得到多个参考用户子特征；

对所述多个参考用户子特征中每个参考用户子特征关联的资源特征进行统计，得到所述每个参考用户子特征和资源特征的关联关系。

可选地，所述从关联模型的模型参数中，确定所述多个联合特征的权重之前，还包括：

获取样本联合特征，所述样本联合特征是由用户特征和所述用户特征关联的资源特征进行特征组合得到；

根据所述样本联合特征，对所述关联模型进行训练，以更新所述关联模型的模型参数。

可选地，所述根据所述样本联合特征，对所述关联模型进行训练，包括：

将所述样本联合特征输入到所述关联模型中，得到预测误差；

根据反向传播算法对所述预测误差进行反向传播，以更新所述关联模型的模型参数。

可选地，所述根据所述样本联合特征，对所述关联模型进行训练之前，还包括：

采用随机化方式，对所述关联模型的模型参数包括的各个联合特征对应的权重进行初始化。

可选地，所述关联模型为LR(Logistic Regression，逻辑回归)模型。

根据本申请实施例的第二方面，提供了一种网络资源的推荐装置，所述装置包括：

组合模块，用于将待进行资源推荐的用户账号的用户特征与所述用户特征关联的多个资源特征分别进行特征组合，得到多个联合特征，所述用户特征关联的多个资源特征是根据具有所述用户特征的不同用户账号的历史浏览数据确定得到；

第一确定模块，用于根据关联模型，确定所述多个联合特征对应的关联度，每个联合特征对应的关联度是指所述每个联合特征中用户特征和资源特征之间的关联度，所述关联模型用于确定任一联合特征中用户特征和资源特征关联的概率；

第一获取模块，用于根据所述多个联合特征对应的关联度，从所述多个联合特征中获取目标联合特征；

第二获取模块，用于根据所述目标联合特征，从备选网络资源中获取匹配的网络资源；

推荐模块，用于根据获取的网络资源，对所述目标用户账号进行资源推荐。

可选地，所述用户特征包括多个用户子特征；

所述组合模块具体用于：

可选地，所述第一确定模块具体用于：

可选地，所述第一获取模块具体用于：

可选地，所述第二获取模块包括：

确定单元，用于从所述备选网络资源中，确定与所述目标联合特征中的资源特征匹配的网络资源；

第二确定单元，用于按照预设选择策略，从确定的网络资源中获取第二预设数目的网络资源。

可选地，所述第二确定单元具体用于：

可选地，所述装置还包括：

第二确定模块，用于从用户特征和资源特征的关联关系中，确定所述用户特征关联的资源特征；

第三获取模块，用于从所述用户特征关联的资源特征中，获取所述多个资源特征。

所述第二确定模块具体用于：

所述第三获取模块具体用于：

可选地，所述装置还包括：

第四获取模块，用于获取多个参考用户账号中每个参考用户账号浏览的网络资源，作为所述每个参考用户账号关联的网络资源；

第五获取模块，用于获取所述每个参考用户账号的用户特征，以及所述每个参考用户账号关联的网络资源的资源特征；

第三确定模块，用于根据所述每个参考用户账号的用户特征，以及所述每个参考用户账号关联的网络资源的资源特征，确定所述每个参考用户账号的用户特征关联的资源特征；

统计模块，用于对所述多个参考用户账号的用户特征关联的资源特征进行统计，得到所述用户特征和资源特征的关联关系。

所述第三确定模块具体用于：

所述统计模块具体用于：

可选地，所述装置还包括：

第六获取模块，用于获取样本联合特征，所述样本联合特征是由用户特征和所述用户特征关联的资源特征进行特征组合得到；

训练模块，用于据所述样本联合特征，对所述关联模型进行训练，以更新所述关联模型的模型参数。

可选地，所述训练模块具体用于：

可选地，所述装置还包括：

初始化模块，用于采用随机化方式，对所述关联模型的模型参数包括的各个联合特征对应的权重进行初始化。

可选地，所述关联模型为逻辑回归LR模型。

根据本申请实施例提供的第三方面，提供了一种服务器，所述服务器包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

根据获取的网络资源，对所述用户账号进行资源推荐。

根据本申请实施例提供的第四方面，提供了一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由计算机的处理器执行时，使得计算机能够执行一种网络资源的推荐方法，所述方法包括：

根据获取的网络资源，对所述用户账号进行资源推荐。

根据本申请实施例提供的第五方面，提供了一种计算机程序产品，当其在计算机上运行时，使得计算机执行下述网络资源的推荐方法：

根据获取的网络资源，对所述用户账号进行资源推荐。

本申请的实施例提供的技术方案可以包括以下有益效果：

本申请实施例中，对于待进行资源推荐的用户账号，可以先将该用户账号的用户特征与该用户特征关联的多个资源特征进行特征组合，得到多个联合特征，由于该用户特征关联的多个资源特征是根据具有该用户特征的各个用户账号的历史浏览数据确定得到，因此，该多个联合特征可以指示该用户的相似用户浏览过的多个网络资源。之后，再根据关联模型的模型参数，确定多个联合特征对应的关联度，由于每个联合特征对应的关联度用于指示每个联合特征中用户特征和资源特征之间的关联度，能够反映具有对应用户特征的用户对符合对应资源特征的网络资源的浏览率，即能够反映对应资源特征的网络资源的热度，因此，根据该多个联合特征对应的关联度，从多个联合特征中获取目标联合特征，再根据目标联合特征匹配的网络资源进行资源推荐，即可实现将相似用户浏览过的网络资源中热度较高的网络资源推荐给用户，相对于仅根据用户的浏览习惯进行资源推荐的方案，避免了向用户推荐的都是该用户习惯浏览的网络资源、缺乏新颖性的问题，提高了推荐内容的多样性，进而提高了用户的浏览兴趣以及推荐的有效性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是本申请实施例提供的一种网络资源推荐系统的示意图。

图2是本申请实施例提供的另一种网络资源推荐系统的示意图。

图3是本申请实施例提供的一种网络资源的推荐方法的逻辑结构示意图。

图4是本申请实施例提供的一种用户特征和资源特征的关联关系的建立方法流程图。

图5是本申请实施例提供的一种用户账号对应的用户特征的示意图。

图6是本申请实施例提供的一种用户子特征和资源特征的关联关系示意图。

图7是本申请实施例提供的一种关联模型的训练方法流程图。

图8是本申请实施例提供的一种签名空间的示意图。

图9是本申请实施例提供的一种网络资源的推荐方法的流程图。

图10是本申请实施例提供的一种网络资源的推荐装置的结构框图。

图11是本申请实施例提供的一种终端1100的结构框图。

图12是本申请实施例提供的一种服务器1200的结构框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在对本申请实施例进行详细说明之前，先对本申请实施例的应用场景予以说明。

本申请实施例应用于在网络资源平台中为用户推荐网络资源的场景中。该网络资源平台可以为视频播放平台、音乐播放平台、电商平台或新闻平台等，相应地，所推荐的网络资源可以为视频、音乐、商品或新闻等等。进一步地，该视频播放平台包括直播平台或短视频平台，相应地，所述推荐的视频包括直播视频或短视频。其中，短视频是指时长较短的视频，比如时长小于预设时长的视频。

以视频推荐场景为例，用户可以打开终端中安装的视频播放应用，进入视频推荐页面。在视频推荐页面中，用户可以通过页面刷新操作或点击“更多推荐”选项的操作等，触发视频推荐指令，使得视频推荐页面向用户展示更多推荐视频。

但是，相关技术中，视频播放应用通常采用的推荐方式是根据用户的浏览习惯进行视频推荐，导致推荐给用户的视频都是该用户习惯浏览的视频，内容较为单一，缺乏新颖性，容易使用户产生浏览的疲倦感，推荐有效性较低。本申请实施例，通过将用户特征与资源特征组合成联合特征，再根据关联模型确定联合特征对应的关联度，根据联合特征对应的关联度进行资源推荐，能够将相似用户的用户浏览过的网络资源中热度较高的网络资源推荐给用户，从而提供了一种能够兼顾个性化、多样性和资源热度等各个方面，更加满足用户需求的资源推荐方法。

接下来，对本申请实施例的实施环境进行介绍。

图1是本申请实施例提供的一种网络资源推荐系统的示意图，如图1所示，该系统包括终端120以及终端120中安装的网络资源应用121。终端120可以为手机、平板电脑、计算机、掌上设备、MP3、MP4或可穿戴设备等。网络资源应用121用于为用户提供网络资源，具体可以为视频播放应用、音乐播放应用、电商应用、电子书应用或新闻应用等。可选地，该网络资源应用121登录有用户账号。另外，该网络资源应用121还可以按照本申请实施例提供的方法为用户进行资源推荐。

图2是本申请实施例提供的另一种网络资源推荐系统的示意图，如图2所示，该系统包括终端120和服务器集群140。

终端120可以通过无线网络或有线网络与服务器集群140连接。可选地，终端120安装有网络资源应用，用户通过安装的网络资源应用浏览网络资源。网络资源应用中登录有用户账号。可选地，在用户通过网络资源应用浏览网络资源的过程中，还可以触发终端120向服务器集群140发送资源推荐请求。

服务器集群140包括一台服务器、多台服务器、云计算平台和虚拟化中心中的至少一种。服务器集群140用于为网络资源应用提供后台服务，例如提供资源推荐服务。可选地，服务器集群140承担主要计算工作，终端120承担次要计算工作；或者，服务器集群140承担次要计算工作，终端120承担主要计算工作；或者，服务器集群140和终端120之间采用分布式计算架构进行协同计算。可选地，服务器集群140可以周期性地按照本申请实施例提供的方法，主动对用户账号进行资源推荐。或者，服务器集群140在接收到终端120发送的携带用户账号的资源推荐请求时，对用户账号进行资源推荐。

接下来，对本申请实施例提供的网络资源的推荐方法的逻辑结构进行详细介绍。

图3是本申请实施例提供的一种网络资源的推荐方法的逻辑结构示意图，如图3所示，该逻辑结构包括网络资源应用31、模型训练模块32、模型触发模块33和推荐模块34。

网络资源应用31用于为用户提供网络资源，具体可以为视频播放应用、音频播放应用、电商应用或新闻应用等。而且，网络资源应用31可以获取用户的交互数据，并对获取的用户数据进行处理，得到模型训练模块的训练样本。比如，网络资源应用31可以获取实时用户浏览的网络资源，并获取该用户的用户特征以及该网络资源的资源特征，将用户特征与资源特征组合成联合特征X(即联合特征X＝用户特征+资源特征)，然后将联合特征X输入到模型训练模块32中进行训练。

模型训练模块32用于训练关联模型，可以将网络资源应用31实时处理得到的训练样本，输入到关联模型中进行训练。具体地，可以将实时处理得到的联合特征X作为训练样本，输入到关联模型中进行训练，并将训练后的关联模型传输到模型触发模块33。

推荐模块34用于对用户账号进行实时推荐。具体地，对于待进行资源推荐的用户账号，推荐模块34获取用户账号的用户特征，并获取目标用户特征关联的多个资源特征，将用户特征与该多个资源特征中的每个资源特征进行特征组合，得到多个联合特征，这多个联合特征可以称为联合特征候选集。

模型触发模块33用于确定联合特征候选集中每个联合特征对应的关联度，将每个联合特征对应的关联度返回给推荐模块34。具体地，可以根据关联模型确定每个联合特征中的用户特征和资源特征关联的概率，将确定的概率作为每个联合特征对应的关联度。或者，从关联模型的模型参数中，确定每个联合特征的权重，将每个联合特征的权重作为每个联合特征对应的关联度。

推荐模块34还用于根据该多个联合特征对应的关联度，从该多个联合特征中获取目标联合特征，根据获取的目标联合特征，从备选网络资源中获取匹配的网络资源，然后根据获取的网络资源，对目标用户账号进行资源推荐。可选地，可以将获取的网络资源进行排序或打散后，再推荐给用户账号。

本申请实施例中，为了便于确定任一用户特征关联的多个资源特征，可以预先建立用户特征和资源特征的关联关系，该关联关系可以根据多个用户账号的历史浏览数据统计得到。其中，用户特征关联的资源特征是指具有该用户特征的用户所浏览的网络资源的资源特征。接下来，将对该用户特征和资源特征的关联关系的建立过程进行详细描述。

图4是本申请实施例提供的一种用户特征和资源特征的关联关系的建立方法流程图，该方法可以应用于电子设备或电子设备的应用程序中，该电子设备可以为终端或服务器等，接下来将以该方法应用于服务器中为例进行说明。如图4所示，该方法包括如下步骤：

步骤401：获取多个参考用户账号中每个参考用户账号浏览的网络资源，作为每个参考用户账号关联的网络资源。

其中，参考用户账号是指用于进行数据统计的用户账号。可选地，该多个参考用户账号可以为网络资源应用的用户账号，该网络资源应用可以为视频播放应用、音频播放应用、电商应用或新闻应用等，相应地，每个参考用户账号浏览的网络资源可以为视频、音频、商品或新闻等。

其中，每个参考用户账号关联的网络资源就是每个参考用户账号浏览过的网络资源，如每个参考用户账号主动查找并浏览的网络资源，或者浏览的推荐网络资源等。

具体地，可以对该多个参考用户账号中每个参考用户账号与网络资源应用的实时交互数据进行统计，得到每个参考用户账号浏览过的网络资源，然后将每个参考用户账号浏览过的网络资源作为每个参考用户账号关联的网络资源。

步骤402：获取每个参考用户账号的用户特征，以及每个参考用户账号关联的网络资源的资源特征。

其中，每个参考用户账号的用户特征可以包括多个用户子特征，比如，可以包括性别特征、年龄特征、地域特征、职业特征和兴趣特征中的至少两种，当然也可以包括其他用户子特征。例如，假设每个参考用户账号的用户特征包括性别特征、年龄特征和地域特征，则某个参考用户账号A的性别特征为女，年龄特征为30岁，地域特征为上海。

可选地，每个用户子特征可以指示每个参考用户在一个维度上的特征，可以用向量形式表示。例如，年龄特征可以用M维向量表示，每个维度表示一个年龄段，若用户的年龄处于某个维度指示的年龄段，则该维度的数值为1，若用户的年龄不处于某个维度指示的年龄段，则该维度的数值为0。例如，某个用户账号的年龄特征为[0,0,1,0,0,..,0]，表示该用户账号对应的用户的年龄在20-30岁的年龄段内。示例的，性别特征可以用一维向量进行表示，[1]表示男，[0]表示女。

其中，网络资源的资源特征可以指示网络资源的资源类型。以视频为例，视频类型可以包括美妆、健身、宠物、吃播、游戏、动漫或美食等。可选地，资源特征可以用N维向量表示，每个维度表示一个资源类型，若一个网络资源属于某个维度指示的资源类型，则该维度的数值为1，若不属于某个维度指示的资源类型，则该维度的数值为0。示例的，假设资源特征用4维向量表示，4个维度分别指示第一资源类型、第二资源类型、第三资源类型和第四资源类型，若某个网络资源属于第一资源类型，则该网络资源的资源特征可以为[1，0，0，0]。

在获取每个参考用户账号的用户特征时，若服务器中已存储有某个参考用户账号的用户特征，则可以直接从存储空间中获取该参考用户账号的用户特征，若服务器未存储有某个参考用户账号的用户特征，则可以对该参考用户账号进行特征提取，得到该参考用户账号的用户特征。具体地，可以获取每个参考用户账号的多个用户子特征。例如，参见图5，参考用户账号A的用户特征包括用户子特征1、用户子特征2和用户子特征3。

在获取每个参考用户账号关联的网络资源的资源特征时，若服务器已存储有某个关联的网络资源的资源特征，则可以直接从存储空间中获取该资源特征，若服务器未存储有某个关联的网络资源的资源特征，则可以对该网络资源进行特征提取，得到该网络资源的资源特征。例如，若某个用户账号关联有3个网络资源，则对该用户账号关联的网络资源进行特征提取，可以得到3个资源特征。

步骤403：根据每个参考用户账号的用户特征，以及每个参考用户账号关联的网络资源的资源特征，确定每个参考用户账号的用户特征关联的资源特征。

具体地，若每个参考用户账号的用户特征包括多个用户子特征，则可以将每个参考用户账号关联的网络资源的资源特征，确定为每个参考用户账号的多个用户子特征中每个用户子特征关联的资源特征。

步骤404：对该多个参考用户账号的用户特征关联的资源特征进行统计，得到用户特征和资源特征的关联关系。

具体地，若每个参考用户账号的用户特征包括多个用户子特征，则对该多个参考用户账号的用户特征关联的资源特征进行统计，得到用户特征和资源特征的关联关系的操作可以包括如下步骤1)-2)：

1)对该多个参考用户账号的相同用户子特征进行合并，得到多个参考用户子特征。

也即是，可以将该多个参考用户账号的用户子特征中，相同的用户子特征合并成一个用户子特征，从而得到多个参考用户子特征。例如，该多个参考用户子特征可以包括不同年龄段的年龄特征、不同性别的性别特征、不同地域的地域特征等。

示例的，假设参考用户账号A的用户特征包括：20-30，女，上海；参考用户账号B的用户特征包括：20-30，女，北京，则对参考用户账号A和参考用户账号B的相同用户子特征进行合并，得到的多个参考用户子特征包括：20-30，女，上海，北京。

2)对该多个参考用户子特征中每个参考用户子特征关联的资源特征进行统计，得到每个参考用户子特征和资源特征的关联关系。

也即是，可以根据每个参考用户子特征关联的资源特征，建立每个参考用户子特征和资源特征的关联关系。示意的，参考用户子特征1和资源特征的关联关系可以如图6所示，由图6可知，参考用户子特征1关联的资源特征包括：资源特征1，资源特征2，...，资源特征n。

由上述参考用户子特征和资源特征的关联关系的建立过程可知，每个参考用户子特征关联的资源特征是指具有该参考用户子特征的各个用户账号浏览的网络资源的资源特征。

进一步地，用户特征和资源特征的关联关系还可以根据实时用户的浏览数据更新得到。例如，每当检测到一个用户账号浏览了某个网络资源时，可以获取该用户账号的用户特征以及该网络资源的资源特征，判断是否已建立该用户特征和资源特征的关联关系。若已建立，则将该资源特征添加到该用户特征关联的资源特征中；若还未建立，则先建立该用户特征和资源特征的关联关系，并将该资源特征添加到该用户特征关联的资源特征中。

可选地，若每个用户账号的用户特征包括多个用户子特征，则每当检测到一个用户账号浏览了某个网络资源时，可以获取该用户账号的多个用户子特征以及该网络资源的资源特征。对于该多个用户子特征中的每个用户子特征，判断是否已建立该用户子特征和资源特征的关联关系。若已建立，则将该资源特征添加到该用户子特征关联的资源特征中；若还未建立，则先建立该用户子特征和资源特征的关联关系，并将该资源特征添加到该用户子特征关联的资源特征中。

本申请实施例中，还需要用到一个关联模型，该关联模型用于确定任一联合特征对应的用户特征和资源特征关联的概率。为了得到该关联模型，需要根据训练样本进行训练，接下来对该关联模型的训练过程进行详细介绍。

图7是本申请实施例提供的一种关联模型的训练方法流程图，该方法可以应用于电子设备或电子设备的应用程序中，该电子设备可以为终端或服务器等。如图7所示，该方法包括如下步骤701-702：

步骤701：获取样本联合特征，该样本联合特征是由用户特征和用户特征关联的资源特征进行特征组合得到。

也即是，本申请实施例中，该关联模型的训练样本，是由用户特征和用户特征关联的资源特征进行特征组合得到的联合特征。

可选地，可以在线获取用户的实时浏览数据，根据用户的实时浏览数据，实时获取样本联合特征。例如，每当检测到一个用户账号浏览了某个网络资源时，可以获取该用户账号的用户特征以及该网络资源的资源特征，并将该用户特征和该网络资源特征进行特征组合，得到一个样本联合特征。进一步地，若每个用户账号的用户特征包括多个用户子特征，则每当检测到一个用户账号浏览了某个网络资源时，可以获取该用户账号的多个用户子特征以及该网络资源的资源特征，并将多个用户子特征中的每个用户子特征分别与该网络资源特征进行特征组合，得到多个样本联合特征。

可选地，还可以预先设置m个签名空间，每个签名空间用于存储一种样本联合特征，也即是，不同样本联合特征与不同签名空间进行映射。另外，还可以将签名空间的编号作为对应样本联合特征的编号。其中，m可以根据用户特征和资源特征的组合数量进行设置，以便能够将不同的样本联合特征存储到不同的签名空间中。

例如，参见图8，可以预先设置2⁶⁴个签名空间，每个签名空间的空间长度为8个字节，且这2⁶⁴个签名空间的标识为0～2⁶⁴-1。另外，每个签名空间由两部分构成，第一部分用于存储用户特征，第二部分用于存储联合特征。示例的，每当检测到一个用户账号浏览了某个网络资源时，可以获取该用户账号的用户特征以及该网络资源的资源特征，并判断这2⁶⁴个签名空间中是否已有一个签名空间中存储了由该用户特征和该资源特征组成的样本联合特征，若是，则获取该签名空间中存储的样本联合特征和该签名空间的编号，若否，则将该用户特征和该资源特征存储在还未存储数据的一个签名空间中，并确定该用户特征和该资源特征组成的样本联合特征和该签名空间的编号。

步骤702：根据该样本联合特征，对该关联模型进行训练，以更新该关联模型的模型参数。

其中，该关联模型为能够解决分类问题的机器学习模型，并且该关联模型能够输出样本数据属于某个类别的概率。该关联模型并不是直接对分类结果进行建模，而是对表示样本联合特征x的线性函数f(x)进行建模。

而且，该关联模型的模型参数包括各个样本联合特征的权重，每个样本联合特征的权重用于影响每个样本联合特征中的用户特征和资源特征关联的概率，且某个样本联合特征的权重越大，则该样本联合特征中的用户特征和资源特征关联的概率越大，也即是，权重和概率呈正比。

在根据该样本联合特征，对该关联模型进行训练的过程中，更新该关联模型的模型参数时，具体可以更新该样本联合特征的权重。

可选地，该关联模型为LR模型。LR模型能够在线性回归的基础上，对样本联合特征进行线性组合，再把对组合的结果通过一层sigmoid函数映射成结果是1或是0的概率。示例的，该LR模型可以用下述函数进行表示：

其中，x为LR模型的输入数据，h_θ(x)为输出结果。

其中，由此可知，该LR模型包括n个联合特征的权重：θ₀～θ_n-1。

具体地，根据该样本联合特征，对该关联模型进行训练可以包括以下两种实现方式：

第一种实现方式：将样本联合特征输入到该关联模型中，得到预测误差；根据反向传播算法对该预测误差进行反向传播，以更新该关联模型的模型参数。

具体地，可以将该样本联合特征输入到该关联模型中，输出该样本联合特征的预测值，将该样本联合特征的预测值与实际值进行比较，得到该预测误差。可选地，可以采用基于梯度下降的反向传播算法对预测误差进行反向传播，从而更新该关联模型的模型参数。

第二种实现方式：将样本联合特征输入到该关联模型中，构建似然函数；根据该似然函数，采用梯度上升法更新该关联模型的模型参数。

具体地，可以采用梯度上升法，确定能够使该似然函数最大的模型参数，根据确定的模型参数，对该关联模型的模型参数进行更新。

示例的，若该关联模型为LR模型，则获取到一个样本联合特征之后，可以根据该样本联合特征对应的签名空间的编号，确定该样本联合特征的下标，并将该LR模型的模型参数中具有相同下标的权重与该样本联合特征进行相乘，得到θ^Tx。然后根据θ^Tx和上述公式(1)构建似然函数，采用梯度上升法，确定能够使该似然函数最大的模型参数，根据确定的模型参数，对该关联模型的模型参数进行更新。

例如，假设该样本联合特征存储于图8的第2个签名空间内，由于第2个签名空间的编号为1，则上述公式(1)中的θ^Tx＝θ₁x₁。

另外，在模型训练之前，还可以对未训练的关联模型的模型参数进行初始化。可选地，该关联模型包括各个联合特征的权重，在对模型参数进行初始化时，可以对模型参数包括的各个联合特征的权重分别进行初始化。

可选地，可以采用随机化方式，对待训练的关联模型的模型参数包括的各个联合特征对应的权重进行初始化。也即是，可以按照预设随机数生成方式生成随机数，根据生成的随机数对各个联合特征进行赋值。示例的，假设待训练的关联模型的模型参数中预先设置有2⁶⁴个联合特征的权重，则可以随机生成2⁶⁴个随机数，并将这2⁶⁴个随机数赋值给2⁶⁴个联合特征的权重。

本申请实施例中，可以将一个样本联合特征输入该关联模型进行训练，视为一次训练过程，而且，该训练过程可以在线执行。例如，每当检测到用户行为发生，即检测到一个用户账号浏览了一个用户资源时，就对该次行为数据进行处理，得到一个样本联合特征，并将该样本联合特征输入到关联模型中进行训练。当然，也可以将一组样本联合特征输入该关联模型进行训练，视为一次训练过程，也即是，可以一次获取多个样本联合特征，并根据该多个样本联合特征，对该关联模型进行训练。

接下来，对本申请实施例提供的网络资源的推荐方法进行详细介绍。

图9是本申请实施例提供的一种网络资源的推荐方法的流程图，该方法应用于电子设备或电子设备的应用程序中，该电子设备可以为终端或服务器，接下来将以应用于服务器中为例进行说明。如图9所示，该方法包括如下步骤：

步骤901：获取待进行资源推荐的用户账号的用户特征。

本申请实施例中，服务器可以主动对该用户账号进行资源推荐，比如，每隔预设时长，对该用户账号进行一次资源推荐。或者，也可以在接收到携带该用户账号的资源推荐请求时，被动对该用户账号进行资源推荐。

在一个实施例中，终端当基于安装的网络资源应用，接收到资源推荐指令时，向服务器发送资源推荐请求，该资源推荐请求携带该网络资源应用登录的用户账号。当服务器接收到该资源推荐请求时，获取该用户账号的用户特征。其中，该资源推荐指令可以由用户触发，比如，用户可以通过对网络资源应用的页面刷新操作，或者对“更多推荐”选项的点击操作等，触发该资源推荐指令。

其中，该用户特征可以包括多个用户子特征，该多个用户子特征可以包括性别特征、年龄特征、地域特征、职业特征和兴趣特征中的至少两种，当然也可以包括其他维度的用户子特征。

具体地，当服务器中已存储有该用户账号的用户特征，则可以直接从存储空间中获取该用户账号的用户特征，若服务器中未存储有该用户账号的用户特征，则可以对该用户账号进行特征提取，得到该用户账号的用户特征。

步骤902：根据用户特征和资源特征的关联关系，确定该用户特征关联的多个资源特征。

其中，该用户特征和资源特征的关联关系中包括多个用户特征，以及与每个用户特征关联的多个资源特征，每个用户特征关联的资源特征用于指示具有该用户特征的用户账号浏览的网络资源。

可选地，用户特征和资源特征的关联关系包括多个参考用户子特征和资源特征的关联关系，该多个参考用户子特征和资源特征的关联关系包括多个参考用户子特征以及与每个参考用户子特征关联的资源特征。每个参考用户子特征关联的资源特征用于指示具有该参考用户子特征的用户账号浏览的网络资源。

其中，该用户特征关联的多个资源特征用于指示具有该用户特征的用户浏览的网络资源，也即是，该用户的相似用户浏览的网络资源。本申请实施例中，通过确定该用户特征关联的多个资源特征，实现了从该用户的相似用户浏览的网络资源，选择多个网络资源。

具体地，可以从用户特征和资源特征的关联关系中，确定该用户特征关联的资源特征，然后从该用户特征关联的资源特征中，获取多个资源特征。其中，获取的多个资源特征的数目可以预先设置得到，具体可以由技术人员根据需要设置，也可以由用户设置，本申请实施例不做限定。例如，可以设置为2、5或10等。

可选地，若该用户特征和资源特征的关联关系包括多个参考用户子特征和资源特征的关联关系，该用户特征包括多个用户子特征，则对于该多个用户子特征中的每个用户子特征，可以从该多个参考用户子特征和资源特征的关联关系中，确定每个用户子特征关联的资源特征，然后从该多个用户子特征分别关联的资源特征中，获取该多个资源特征。

可选地，可以从该多个用户特征关联的资源特征中，随机获取该多个资源特征。例如，可以从该多个用户子特征分别关联的资源特征中，随机获取多个资源特征。

需要说明的是，本申请实施例仅是以根据预先建立的用户特征和资源特征的关联关系，确定该用户特征关联的多个资源特征为例，而在其他实施例中，也可以通过其他方式获取该用户特征关联的多个资源特征，本申请实施例对此不做限定。

步骤903：将该用户特征与该多个资源特征分别进行特征组合，得到多个联合特征。

也即是，可以将该用户特征与该多个资源特征中的每个资源特征分别进行特征组合，得到多个联合特征。每个联合特征是由用户特征和资源特征组成。

具体地，当该用户特征包括多个用户子特征时，将该用户特征与该多个资源特征分别进行特征组合，得到多个联合特征的操作可以包括：对于该多用户子特征中的每个用户子特征，将每个用户子特征与每个用户子特征关联的每个资源特征分别进行特征组合，得到每个用户子特征对应的联合特征，将该多个用户子特征分别对应的联合特征，确定为该多个联合特征。

例如，若该用户特征包括年龄特征1、性别特征2和地域特征3，则可以将年龄特征1与年龄特征1关联的资源特征进行特征组合，得到联合特征1，将性别特征2与性别特征2关联的资源特征进行特征组合，得到联合特征2，将地域特征3与地域特征3关联的资源特征进行特征组合，得到联合特征3，将联合特征1、联合特征2和联合特征3确定为该多个联合特征。

步骤904：根据关联模型，确定该多个联合特征对应的关联度，每个联合特征的关联度用于指示每个联合特征中的用户特征和资源特征之间的关联度。

其中，每个联合特征对应的关联度越高，表示具有该联合特征中的用户特征的用户账号，对符合该联合特征中的资源特征的网络资源的浏览率越高，即浏览次数越多，因此，每个联合特征的关联度能够指示每个联合特征中的资源特征对应的网络资源的热度，且关联度越高，热度越高。

其中，联合特征对应的关联度可以为联合特征的权重，也可以为联合特征中的用户特征和资源特征关联的概率。具体地，根据关联模型，确定该多个联合特征对应的关联度可以包括如下两种实现方式：

第一种实现方式：调用该关联模型，将该多个联合特征输入到该关联模型中，输出每个联合特征中的用户特征和资源特征关联的概率；将每个联合特征中的用户特征和资源特征关联的概率，确定为每个联合特征对应的关联度。

第二种实现方式：从该关联模型的模型参数包括的不同联合特征的权重中，确定该多个联合特征的权重；将该多个联合特征的权重确定为该多个联合特征对应的关联度；其中，每个联合特征的权重用于影响每个联合特征对应的用户特征和资源特征关联的概率。

步骤905：根据该多个联合特征对应的关联度，从该多个联合特征中获取目标联合特征。

具体地，可以按照对应的关联度从大到小的顺序，从该多个联合特征中选择前第一预设数目的联合特征，作为目标联合特征。其中，该第一预设数目可以预先设置，具体可以由用户设置，也可以由技术人员根据需要进行设置。

由于联合特征对应的关联度能够指示联合特征对应的网络资源的热度，因此，通过从该多个联合特征中，获取关联度较高的目标联合特征，即可实现从相似用户浏览过的网络资源中选择热度较高的网络资源。

步骤906：根据目标联合特征，从备选网络资源中获取匹配的网络资源。

其中，备选网络资源是指能够进行推荐的网络资源，比如，可以为网络资源应用的数据库中存储的海量网络资源。

具体地，可以先从备选网络资源中，确定与目标联合特征中的资源特征匹配的网络资源，然后再按照预设选择策略，从确定的网络资源中获取第二预设数目个网络资源。其中，该第二预设数目为预先设置的网络资源的推荐数目，具体可以由用户设置，也可以由技术人员根据需要进行设置。例如，该第二预设数目可以为2、3、5或10等。

其中，该预设选择策略可以为随机选择策略，也可以为与发布时间或资源热度等相关的选择策略，本申请实施例对此不做限定。具体地，按照预设选择策略，从确定的网络资源中获取第二预设数目个网络资源的操作可以包括：从确定的网络资源中，随机选择第二预设数目个网络资源；或者，按照发布时间从早到晚的顺序，从确定的网络资源中选择前第二预设数目个网络资源；或者，按照资源热度从大到小的顺序，从确定的网络资源中选择前第二预设数目个网络资源。

进一步地，还可以预先建立资源特征与网络资源的对应关系，该对应关系中包括多个资源特征以及与每个资源特征对应的多个网络资源，在从备选网络资源中，确定与目标联合特征中的资源特征匹配的网络资源时，可以根据该资源特征与网络资源的对应关系，确定与目标联合特征中的资源特征匹配的网络资源。可选地，该资源特征与网络资源的对应关系可以是网络资源与资源特征的倒排表。

步骤907：根据获取的网络资源，对该用户账号进行资源推荐。

具体地，可以直接将获取的网络资源，推荐给该用户账号。或者，对获取的网络资源进行排序，将排序后的网络资源推荐给该用户账号。或者，对获取的网络资源进行打散处理，将打散后的网络资源推荐给该用户账号。

可选地，可以按照发布时间或资源热度等顺序，对获取的网络资源进行排序。比如，按照发布时间从早到晚的顺序，对获取的网络资源进行排序。或者，按照资源热度从大到小的顺序，对获取的网络资源进行排序。

本申请实施例中，对于待进行资源推荐的用户账号，可以先将该用户账号的用户特征与该用户特征关联的多个资源特征进行特征组合，得到多个联合特征，由于该用户特征关联的多个资源特征是根据具有该用户特征的各个用户账号的历史浏览数据确定得到，因此，该多个联合特征可以指示该用户的相似用户浏览过的多个网络资源。之后，再根据关联模型的模型参数，确定多个联合特征对应的关联度，由于每个联合特征对应的关联度用于指示每个联合特征中用户特征和资源特征之间的关联度，能够反映具有对应用户特征的用户对符合对应资源特征的网络资源的浏览率，即能够反映对应资源特征的网络资源的热度，因此，根据该多个联合特征对应的关联度，从多个联合特征中获取目标联合特征，再根据目标联合特征匹配的网络资源进行资源推荐，即可实现将相似用户浏览过的网络资源中热度较高的网络资源推荐给用户，相对于仅根用户的浏览习惯进行资源推荐的方案，避免了向用户推荐的都是该用户习惯浏览的网络资源、缺乏新颖性的问题，提高了推荐内容的多样性，进而提高了用户的浏览兴趣以及推荐的有效性。

图10是本申请实施例提供的一种网络资源的推荐装置的结构框图，如图10所示，该装置包括包括组合模块1001，第一确定模块1002，第一获取模块1003，第二获取模块1004和推荐模块1005。

组合模块1001，用于将待进行资源推荐的用户账号的用户特征与该用户特征关联的多个资源特征分别进行特征组合，得到多个联合特征，该用户特征关联的多个资源特征是根据具有该用户特征的不同用户账号的历史浏览数据确定得到；

第一确定模块1002，用于根据关联模型，确定该多个联合特征对应的关联度，每个联合特征对应的关联度是指该每个联合特征中用户特征和资源特征之间的关联度，该关联模型用于确定任一联合特征中用户特征和资源特征关联的概率；

第一获取模块1003，用于根据该多个联合特征对应的关联度，从该多个联合特征中获取目标联合特征；

第二获取模块1004，用于根据该目标联合特征，从备选网络资源中获取匹配的网络资源；

推荐模块1005，用于根据获取的网络资源，对该目标用户账号进行资源推荐。

可选地，该用户特征包括多个用户子特征；

该组合模块1001具体用于：

对于该多个用户子特征中的每个用户子特征，将该每个用户子特征与该每个用户子特征关联的源特征分别进行特征组合，得到该每个用户子特征对应的联合特征；

将该多个用户子特征分别对应的联合特征，确定为该多个联合特征。

可选地，该多个用户子特征包括性别特征、年龄特征、地域特征、职业特征和兴趣特征中的至少两种。

可选地，该第一确定模块1002具体用于：

调用该关联模型，将该多个联合特征输入到该关联模型中，输出每个联合特征中用户特征和资源特征关联的概率；将该每个联合特征中用户特征和资源特征关联的概率，确定为该每个联合特征对应的关联度；或者，

从该关联模型的模型参数包括的各个联合特征对应的权重中，确定该多个联合特征对应的权重；将该多个联合特征对应的权重确定为该多个联合特征对应的关联度；其中，每个联合特征对应的权重用于影响该每个联合特征中用户特征和资源特征关联的概率。

可选地，该第一获取模块1003具体用于：

按照对应的关联度从大到小的顺序，从该多个联合特征中选择前第一预设数目的联合特征，作为该目标联合特征。

可选地，该第二获取模块1004包括：

确定单元，用于从该备选网络资源中，确定与该目标联合特征中的资源特征匹配的网络资源；

可选地，该第二确定单元具体用于：

从确定的网络资源中，随机选择该第二预设数目的网络资源；或者，

按照发布时间从早到晚的顺序，从确定的网络资源中选择前该第二预设数目的网络资源；或者，

按照资源热度从大到小的顺序，从确定的网络资源中选择前该第二预设数目的网络资源。

可选地，该装置还包括：

第二确定模块，用于从用户特征和资源特征的关联关系中，确定该用户特征关联的资源特征；

第三获取模块，用于从该用户特征关联的资源特征中，获取该多个资源特征。

可选地，该用户特征和资源特征的关联关系包括多个参考用户子特征和资源特征的关联关系，该用户特征包括多个用户子特征；

该第二确定模块具体用于：

对于该多个用户子特征中的每个用户子特征，从该多个参考用户子特征和资源特征的关联关系中，确定该每个用户子特征关联的资源特征；

该第三获取模块具体用于：

从该多个用户子特征分别关联的资源特征中，获取该多个资源特征。

可选地，该装置还包括：

第四获取模块，用于获取多个参考用户账号中每个参考用户账号浏览的网络资源，作为该每个参考用户账号关联的网络资源；

第五获取模块，用于获取该每个参考用户账号的用户特征，以及该每个参考用户账号关联的网络资源的资源特征；

第三确定模块，用于根据该每个参考用户账号的用户特征，以及该每个参考用户账号关联的网络资源的资源特征，确定该每个参考用户账号的用户特征关联的资源特征；

统计模块，用于对该多个参考用户账号的用户特征关联的资源特征进行统计，得到该用户特征和资源特征的关联关系。

可选地，该每个参考用户账号的用户特征包括多个用户子特征；

该第三确定模块具体用于：

将该每个参考用户账号关联的网络资源的资源特征，确定为该每个参考用户账号的多个用户子特征中每个用户子特征关联的资源特征；

该统计模块具体用于：

对该多个参考用户账号的相同用户子特征进行合并，得到多个参考用户子特征；

对该多个参考用户子特征中每个参考用户子特征关联的资源特征进行统计，得到该每个参考用户子特征和资源特征的关联关系。

可选地，该装置还包括：

第六获取模块，用于获取样本联合特征，该样本联合特征是由用户特征和该用户特征关联的资源特征进行特征组合得到；

训练模块，用于据该样本联合特征，对该关联模型进行训练，以更新该关联模型的模型参数。

可选地，该训练模块具体用于：

将该样本联合特征输入到该关联模型中，得到预测误差；

根据反向传播算法对该预测误差进行反向传播，以更新该关联模型的模型参数。

可选地，该装置还包括：

初始化模块，用于采用随机化方式，对该关联模型的模型参数包括的各个联合特征对应的权重进行初始化。

可选地，该关联模型为逻辑回归LR模型。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图11是本申请实施例提供的一种终端1100的结构框图。该终端1100可以是：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端1100还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。

通常，终端1100包括有：处理器1101和存储器1102。

处理器1101可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1101可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1101也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1101可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1101还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器1102可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1102还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1102中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1101所执行以实现本申请中方法实施例提供的网络资源的推荐方法。

在一些实施例中，终端1100还可选包括有：外围设备接口1103和至少一个外围设备。处理器1101、存储器1102和外围设备接口1103之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1103相连。具体地，外围设备包括：射频电路1104、触摸显示屏1105、摄像头1106、音频电路1107、定位组件1108和电源1109中的至少一种。

外围设备接口1103可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器1101和存储器1102。在一些实施例中，处理器1101、存储器1102和外围设备接口1103被集成在同一芯片或电路板上；在一些其他实施例中，处理器1101、存储器1102和外围设备接口1103中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路1104用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路1104通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1104将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1104包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1104可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路1104还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏1105用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1105是触摸显示屏时，显示屏1105还具有采集在显示屏1105的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1101进行处理。此时，显示屏1105还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏1105可以为一个，设置终端1100的前面板；在另一些实施例中，显示屏1105可以为至少两个，分别设置在终端1100的不同表面或呈折叠设计；在再一些实施例中，显示屏1105可以是柔性显示屏，设置在终端1100的弯曲表面上或折叠面上。甚至，显示屏1105还可以设置成非矩形的不规则图形，也即异形屏。显示屏1105可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。

摄像头组件1106用于采集图像或视频。可选地，摄像头组件1106包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1106还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路1107可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1101进行处理，或者输入至射频电路1104以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端1100的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1101或射频电路1104的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路1107还可以包括耳机插孔。

定位组件1108用于定位终端1100的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件1108可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。

电源1109用于为终端1100中的各个组件进行供电。电源1109可以是交流电、直流电、一次性电池或可充电电池。当电源1109包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端1100还包括有一个或多个传感器1110。该一个或多个传感器1110包括但不限于：加速度传感器1111、陀螺仪传感器1112、压力传感器1113、指纹传感器1114、光学传感器1115以及接近传感器1116。

加速度传感器1111可以检测以终端1100建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器1111可以用于检测重力加速度在三个坐标轴上的分量。处理器1101可以根据加速度传感器1111采集的重力加速度信号，控制触摸显示屏1105以横向视图或纵向视图进行用户界面的显示。加速度传感器1111还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器1112可以检测终端1100的机体方向及转动角度，陀螺仪传感器1112可以与加速度传感器1111协同采集用户对终端1100的3D动作。处理器1101根据陀螺仪传感器1112采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器1113可以设置在终端1100的侧边框和/或触摸显示屏1105的下层。当压力传感器1113设置在终端1100的侧边框时，可以检测用户对终端1100的握持信号，由处理器1101根据压力传感器1113采集的握持信号进行左右手识别或快捷操作。当压力传感器1113设置在触摸显示屏1105的下层时，由处理器1101根据用户对触摸显示屏1105的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

指纹传感器1114用于采集用户的指纹，由处理器1101根据指纹传感器1114采集到的指纹识别用户的身份，或者，由指纹传感器1114根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器1101授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1114可以被设置终端1100的正面、背面或侧面。当终端1100上设置有物理按键或厂商Logo时，指纹传感器1114可以与物理按键或厂商Logo集成在一起。

光学传感器1115用于采集环境光强度。在一个实施例中，处理器1101可以根据光学传感器1115采集的环境光强度，控制触摸显示屏1105的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏1105的显示亮度；当环境光强度较低时，调低触摸显示屏1105的显示亮度。在另一个实施例中，处理器1101还可以根据光学传感器1115采集的环境光强度，动态调整摄像头组件1106的拍摄参数。

接近传感器1116，也称距离传感器，通常设置在终端1100的前面板。接近传感器1116用于采集用户与终端1100的正面之间的距离。在一个实施例中，当接近传感器1116检测到用户与终端1100的正面之间的距离逐渐变小时，由处理器1101控制触摸显示屏1105从亮屏状态切换为息屏状态；当接近传感器1116检测到用户与终端1100的正面之间的距离逐渐变大时，由处理器1101控制触摸显示屏1105从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图11中示出的结构并不构成对终端1100的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

图12是本申请实施例提供的一种服务器1200的结构框图，该服务器1200可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processingunits，CPU)1201和一个或一个以上的存储器1202，其中，所述存储器1202中存储有至少一条指令，所述至少一条指令由所述处理器1201加载并执行以实现上述各个方法实施例提供的应用耗电监控方法。当然，该服务器1200还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器1200还可以包括其他用于实现设备功能的部件，在此不做赘述。

在另一实施例中，还提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由计算机的处理器执行时，使得计算机能够执行上述网络资源的推荐方法。

在另一实施例中，还提供了一种计算机程序产品，当其在计算机上运行时，使得计算机执行上述网络资源的推荐方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims

1.一种网络资源的推荐方法，其特征在于，所述方法包括：

根据获取的网络资源，对所述用户账号进行资源推荐。

2.根据权利要求1所述的方法，其特征在于，所述用户特征包括多个用户子特征；

3.根据权利要求1所述的方法，其特征在于，所述根据关联模型，确定所述多个联合特征对应的关联度，包括：

从所述关联模型的模型参数包括的各个联合特征的权重中，确定所述多个联合特征的权重；将所述多个联合特征的权重确定为所述多个联合特征对应的关联度；其中，每个联合特征的权重用于影响所述每个联合特征中用户特征和资源特征关联的概率。

4.根据权利要求1所述的方法，其特征在于，所述根据所述目标联合特征，从备选网络资源中获取匹配的网络资源，包括：

5.根据权利要求1所述的方法，其特征在于，所述将待进行资源推荐的用户账号的用户特征与所述用户特征关联的多个资源特征分别进行特征组合之前，还包括：

6.根据权利要求5所述的方法，其特征在于，所述用户特征和资源特征的关联关系包括多个参考用户子特征和资源特征的关联关系，所述用户特征包括多个用户子特征；

7.根据权利要求1-6任一所述的方法，其特征在于，所述从关联模型的模型参数中，确定所述多个联合特征的权重之前，还包括：

8.一种网络资源的推荐装置，其特征在于，所述装置包括：

确定模块，用于根据关联模型，确定所述多个联合特征对应的关联度，每个联合特征对应的关联度是指所述每个联合特征中用户特征和资源特征之间的关联度，所述关联模型用于确定任一联合特征中用户特征和资源特征关联的概率；

9.一种服务器，其特征在于，所述电服务器包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

根据获取的网络资源，对所述用户账号进行资源推荐。

10.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由计算机的处理器执行时，使得计算机能够执行一种网络资源的推荐方法，所述方法包括：

根据获取的网络资源，对所述用户账号进行资源推荐。