CN113742600A - 资源推荐方法、装置、计算机设备及介质 - Google Patents

Abstract

本公开关于一种资源推荐方法、装置、计算机设备及介质，属于互联网技术领域。本公开在资源推荐时，参考了对象对目标媒体资源的查看情况以及对象的属性特征信息和行为特征信息，来预测对象的目标参数，由于该目标参数表示对象在查看目标媒体资源时发生目标操作行为的可能性，进而基于该目标参数来推荐该目标媒体资源，使得所推荐的对象是查看目标媒体资源时可能发生目标操作行为的对象，一方面，避免了对已发生过目标操作行为的对象进行重复推荐，减小了所推荐的对象的数量级，降低了目标媒体资源的推荐成本，另一方面，通过向其推荐目标媒体资源，能够为目标媒体资源带来新的可能发生目标操作行为的对象，提升了目标媒体资源的推荐效果。

Description

资源推荐方法、装置、计算机设备及介质

技术领域

本公开涉及互联网技术领域，尤其涉及一种资源推荐方法、装置、计算机设备及介质。

背景技术

随着互联网技术的飞速发展和网络用户规模的逐渐扩大，互联网类型的媒体资源已经渗透到人们生活的方方面面，同时，媒体资源的定向推荐作为一种新兴的推荐模式也随之迅速发展。

在实际应用中，在进行媒体资源的定向推荐时，为了提高媒体资源的推荐效果，通常会针对媒体资源的定向推荐人群（可能会发生转化的人群），进行大范围的媒体资源推荐。

上述技术中，通过大范围的媒体资源推荐，在提高媒体资源的推荐成本的同时，还降低了媒体资源的推荐效果。

发明内容

本公开提供一种资源推荐方法、装置、计算机设备及介质，降低了媒体资源的推荐成本，提升了媒体资源的推荐效果。本公开的技术方案包括以下内容。

根据本公开实施例的第一方面，提供一种资源推荐方法，该方法包括：

获取至少一个对象的第一特征信息和第二特征信息，该第一特征信息用于指示对象对目标媒体资源的查看情况，该第二特征信息包括该对象的属性特征信息和行为特征信息；

基于该至少一个对象的第一特征信息和第二特征信息，确定该至少一个对象的目标参数，该目标参数表示该对象在查看该目标媒体资源时发生目标操作行为的可能性；

基于该至少一个对象的目标参数，向满足资源推荐条件的对象推荐该目标媒体资源。

本公开实施例中，在资源推荐时，参考了对象对目标媒体资源的查看情况以及对象的属性特征信息和行为特征信息，来预测对象的目标参数，由于该目标参数表示对象在查看目标媒体资源时发生目标操作行为的可能性，进而基于该目标参数来向满足资源推荐条件的对象推荐该目标媒体资源，使得所推荐的对象是在查看目标媒体资源时可能发生目标操作行为的对象，一方面，避免了对已发生过目标操作行为的对象进行重复推荐，减小了所推荐的对象的数量级，也就降低了目标媒体资源的推荐成本，另一方面，通过向其推荐目标媒体资源，能够为目标媒体资源带来新的可能发生目标操作行为的对象，提升了目标媒体资源的推荐效果。

在一些实施例中，基于该至少一个对象的第一特征信息和第二特征信息，确定该至少一个对象的目标参数包括：

将该至少一个对象的第一特征信息和第二特征信息输入目标网络模型，通过该目标网络模型对该第一特征信息和该第二特征信息进行处理，得到该至少一个对象的目标参数，该目标网络模型基于多个样本对象的第一特征信息、第二特征信息以及操作行为标签训练得到，该操作行为标签用于指示样本对象是否发生了目标操作行为。

本公开实施例中，采用目标网络模型，来预测各个对象的目标参数，提高了预测目标参数的效率和精确度，通过预测各个对象在查看该目标媒体资源时发生目标操作行为的可能性，以便后续基于目标参数来进行媒体资源的推荐，从而在降低了目标媒体资源的推荐成本的同时，还提升了目标媒体资源的推荐效果。

在一些实施例中，该目标网络模型的确定过程包括：

获取该多个样本对象的第一特征信息、第二特征信息以及操作行为标签；

基于该多个样本对象的第一特征信息、第二特征信息以及操作行为标签，进行模型训练，得到该目标网络模型。

本公开实施例中，利用多个样本对象的特征信息和操作行为标签，来训练目标网络模型，以获取到能够预测目标参数的目标网络模型，以便后续采用目标网络模型来确定各个对象的目标参数，以提升媒体资源的推荐效果。

在一些实施例中，获取该多个样本对象的第一特征信息、第二特征信息以及操作行为标签之前，该方法还包括：

向该多个样本对象的第一对象集合中的多个第一对象展示该目标媒体资源；

向该多个样本对象的第二对象集合中的多个第二对象屏蔽该目标媒体资源。

本公开实施例中，通过向多个第一对象展示目标媒体资源，向多个第二对象屏蔽目标媒体资源，以达到一个对象集合内的对象能够查看到目标媒体资源，而另一个对象集合内的对象无法查看到目标媒体资源的效果，以便执行后续模型训练的过程。

在一些实施例中，基于该多个样本对象的第一特征信息、第二特征信息以及操作行为标签，进行模型训练，得到该目标网络模型包括：

在训练的第i次迭代过程中，将该多个样本对象的第一特征信息和第二特征信息输入第i-1次迭代过程所确定的目标网络模型，得到该第i次迭代过程的参数训练结果，其中，i为大于1的正整数；

基于该第i次迭代过程的参数训练结果和该多个样本对象的操作行为标签，对该第i-1次迭代过程所确定的目标网络模型的模型参数进行调整，基于调整后的该模型参数进行第i+1次迭代过程，重复上述训练的迭代过程，直至训练满足目标条件。

本公开实施例中，通过迭代训练的方式，将模型参数较优的网络模型获取为目标网络模型，以获取到预测能力较优的目标网络模型，从而提升了目标网络模型的预测精准性。

在一些实施例中，基于该至少一个对象的目标参数，向满足资源推荐条件的对象推荐该目标媒体资源包括下述任一项：

在该至少一个对象中，选取该目标参数的参数值达到该资源推荐条件所指示的参数阈值的对象，向所选取的对象推荐该目标媒体资源；

按照该至少一个对象的目标参数由高至低的排列次序进行排序，选取该排列次序位于前目标位数的对象，向所选取的对象推荐该目标媒体资源。

本公开实施例中，通过获取参数值高的对象或者获取参数值排序靠前的对象，均能够快速获得满足资源推荐条件的对象，提升了获取待推荐的对象的效率，进而提升了资源推荐的效率。

在一些实施例中，基于该至少一个对象的目标参数，向满足资源推荐条件的对象推荐该目标媒体资源之后，该方法还包括：

在该至少一个对象中，获取在查看该目标媒体资源时发生了该目标操作行为的对象数量以及推荐该目标媒体资源所消耗的推荐成本；

基于该对象数量和推荐成本，生成该目标媒体资源的推荐报告。

根据本公开实施例的第二方面，提供一种资源推荐装置，该装置包括：

获取单元，被配置为执行获取至少一个对象的第一特征信息和第二特征信息，该第一特征信息用于指示对象对目标媒体资源的查看情况，该第二特征信息包括该对象的属性特征信息和行为特征信息；

确定单元，被配置为执行基于该至少一个对象的第一特征信息和第二特征信息，确定该至少一个对象的目标参数，该目标参数表示该对象在查看该目标媒体资源时发生目标操作行为的可能性；

推荐单元，被配置为执行基于该至少一个对象的目标参数，向满足资源推荐条件的对象推荐该目标媒体资源。

在一些实施例中，该确定单元，被配置为执行：

将该至少一个对象的第一特征信息和第二特征信息输入目标网络模型，通过该目标网络模型对该第一特征信息和该第二特征信息进行处理，得到该至少一个对象的目标参数，该目标网络模型基于多个样本对象的第一特征信息、第二特征信息以及操作行为标签训练得到，该操作行为标签用于指示样本对象是否发生了目标操作行为。

在一些实施例中，该获取单元，还被配置为执行获取该多个样本对象的第一特征信息、第二特征信息以及操作行为标签；

该装置还包括训练单元，被配置为执行基于该多个样本对象的第一特征信息、第二特征信息以及操作行为标签，进行模型训练，得到该目标网络模型。

在一些实施例中，该装置还包括：

展示单元，被配置为执行向该多个样本对象的第一对象集合中的多个第一对象展示该目标媒体资源；

屏蔽单元，被配置为执行向该多个样本对象的第二对象集合中的多个第二对象屏蔽该目标媒体资源。

在一些实施例中，该训练单元，被配置为执行：

在训练的第i次迭代过程中，将该多个样本对象的第一特征信息和第二特征信息输入第i-1次迭代过程所确定的目标网络模型，得到该第i次迭代过程的参数训练结果，其中，i为大于1的正整数；

基于该第i次迭代过程的参数训练结果和该多个样本对象的操作行为标签，对该第i-1次迭代过程所确定的目标网络模型的模型参数进行调整，基于调整后的该模型参数进行第i+1次迭代过程，重复上述训练的迭代过程，直至训练满足目标条件。

在一些实施例中，该推荐单元，被配置为执行下述任一项：

在该至少一个对象中，选取该目标参数的参数值达到该资源推荐条件所指示的参数阈值的对象，向所选取的对象推荐该目标媒体资源；

按照该至少一个对象的目标参数由高至低的排列次序进行排序，选取该排列次序位于前目标位数的对象，向所选取的对象推荐该目标媒体资源。

在一些实施例中，该获取单元，还被配置为执行在该至少一个对象中，获取在查看该目标媒体资源时发生了该目标操作行为的对象数量以及推荐该目标媒体资源所消耗的推荐成本；

该装置还包括生成单元，被配置为执行基于该对象数量和推荐成本，生成该目标媒体资源的推荐报告。

根据本公开实施例的第三方面，提供一种计算机设备，该计算机设备包括：

一个或多个处理器；

用于存储该处理器可执行程序代码的存储器；

其中，该处理器被配置为执行该程序代码，以实现上述的资源推荐方法。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，该计算机可读存储介质包括：当该计算机可读存储介质中的程序代码由计算机设备的处理器执行时，使得计算机设备能够执行上述的资源推荐方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的资源推荐方法。

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，并不能限制本公开。

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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。

图1是根据一示例性实施例示出的一种资源推荐方法的实施环境示意图；

图2是根据一示例性实施例示出的一种资源推荐方法的流程图；

图3是根据一示例性实施例示出的一种资源推荐方法的流程图；

图4是根据一示例性实施例示出的一种模型训练方法的流程图；

图5是根据一示例性实施例示出的一种资源推荐装置的框图；

图6是根据一示例性实施例示出的一种服务器的框图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开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、本公开的一些方面相一致的装置和方法的例子。

本公开所涉及的数据或信息可以为经用户授权或者经过各方充分授权的数据或信息。

首先，针对本公开实施例涉及的应用场景进行描述：本公开实施例涉及的资源推荐方法可应用于某一品牌下的产品或服务的媒体资源的推荐场景中，例如，品牌广告的推荐场景。

在相关技术中，为了提高媒体资源的推荐效果，通常会针对媒体资源的定向推荐人群（可能会发生转化的人群），进行大范围的媒体资源推荐，也即是选取可能会发生转化的用户，再向所选取的用户推荐该媒体资源。例如，通过响应模型（response model），来预测用户在查看媒体资源时的转化率（如点击率），以确定出高转化率的用户，再向其推荐媒体资源。然而，相关技术所选取的用户中很可能包含了一部分已经转化的用户，而这部分已经转化的用户在不展示媒体资源的情况下，仍然会发生转化，如此，在提高媒体资源的推荐成本的同时，还降低了媒体资源的推荐效果。

基于此，本公开实施例提供了一种资源推荐方法，通过在资源推荐时，参考了对象对目标媒体资源的查看情况以及对象的属性特征信息和行为特征信息，来预测对象的目标参数，由于该目标参数表示对象在查看目标媒体资源时发生目标操作行为的可能性，进而基于该目标参数来向满足资源推荐条件的对象推荐该目标媒体资源，使得所推荐的对象是在查看目标媒体资源时可能发生目标操作行为的对象，一方面，避免了对已发生过目标操作行为的对象进行重复推荐，减小了所推荐的对象的数量级，也就降低了目标媒体资源的推荐成本，另一方面，通过向其推荐目标媒体资源，能够为目标媒体资源带来新的可能发生目标操作行为的对象，提升了目标媒体资源的推荐效果。

图1是本公开实施例提供的一种资源推荐方法的实施环境示意图，参见图1，该实施环境中包括：服务器101。

服务器101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文件系统，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（Content Delivery Network，内容分发网络）、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。

可选地，上述服务器101的数量可以更多或更少，本公开实施例对此不加以限定。当然，服务器101还可以包括其他功能服务器，以便提供更全面且多样化的服务。

本公开实施例中，服务器101用于获取至少一个对象的第一特征信息和第二特征信息，基于该至少一个对象的第一特征信息和第二特征信息，确定该至少一个对象的目标参数，基于该至少一个对象的目标参数，向满足资源推荐条件的对象推荐该目标媒体资源。

在一些实施例中，服务器101包括第一功能服务器和第二功能服务器。其中，第一功能服务器提供有确定各个对象的目标参数的功能。本公开实施例中，第一功能服务器用于获取至少一个对象的第一特征信息和第二特征信息，基于该至少一个对象的第一特征信息和第二特征信息，确定该至少一个对象的目标参数，将该至少一个对象的目标参数发送至第二功能服务器；第二功能服务器提供有推荐媒体资源的功能。本公开实施例中，第二功能服务器用于基于该至少一个对象的目标参数，向满足资源推荐条件的对象推荐该目标媒体资源。

在一些实施例中，本公开实施例提供的资源推荐方法由服务器101自动触发。在一种可选的实施例中，服务器101响应于接收到目标媒体资源的资源推荐请求，执行上述资源推荐方法所包括的过程。在另一种可选的实施例中，本公开实施例提供的资源推荐方法中确定满足资源推荐条件的对象这一过程由服务器101周期性执行，进而，服务器响应于接收到目标媒体资源的资源推荐请求，执行向该满足资源推荐条件的对象推荐目标媒体资源的过程。例如，服务器101每间隔目标时长，执行一次获取至少一个对象的第一特征信息和第二特征信息，基于该至少一个对象的第一特征信息和第二特征信息，确定该至少一个对象的目标参数，基于该至少一个对象的目标参数确定满足资源推荐条件的对象的步骤，进而，服务器响应于接收到目标媒体资源的资源推荐请求，基于最新确定的满足资源推荐条件的对象，执行向该满足资源推荐条件的对象推荐目标媒体资源的过程。

在另一些实施例中，本公开实施例提供的资源推荐方法由终端102在需要推荐目标媒体资源时触发，例如，终端102响应于管理人员对目标媒体资源的推荐操作，向服务器101发送资源推荐请求，以触发该服务器101执行上述资源推荐方法所包括的过程。

在一些实施例中，服务器101与终端102可以通过有线或无线通信方式进行直接或间接的连接，本公开实施例对此不作限定。

终端102可以为智能手机、智能手表、台式电脑、手提电脑、虚拟现实终端、增强现实终端、无线终端和膝上型便携计算机等设备中的至少一种，终端102具有通信功能，可以接入有线网络或无线网络。终端102可以泛指多个终端中的一个，本实施例仅以终端102来举例说明。本领域技术人员可以知晓，上述终端的数量可以更多或更少。

图2是根据一示例性实施例示出的一种资源推荐方法的流程图，如图2所示，该方法由服务器执行，包括以下步骤。

在步骤201中，服务器获取至少一个对象的第一特征信息和第二特征信息，该第一特征信息用于指示对象对目标媒体资源的查看情况，该第二特征信息包括该对象的属性特征信息和行为特征信息。

在步骤202中，服务器基于该至少一个对象的第一特征信息和第二特征信息，确定该至少一个对象的目标参数，该目标参数表示该对象在查看该目标媒体资源时发生目标操作行为的可能性。

在步骤203中，服务器基于该至少一个对象的目标参数，向满足资源推荐条件的对象推荐该目标媒体资源。

本公开实施例提供的技术方案，在资源推荐时，参考了对象对目标媒体资源的查看情况以及对象的属性特征信息和行为特征信息，来预测对象的目标参数，由于该目标参数表示对象在查看目标媒体资源时发生目标操作行为的可能性，进而基于该目标参数来向满足资源推荐条件的对象推荐该目标媒体资源，使得所推荐的对象是在查看目标媒体资源时可能发生目标操作行为的对象，一方面，避免了对已发生过目标操作行为的对象进行重复推荐，减小了所推荐的对象的数量级，也就降低了目标媒体资源的推荐成本，另一方面，通过向其推荐目标媒体资源，能够为目标媒体资源带来新的可能发生目标操作行为的对象，提升了目标媒体资源的推荐效果。

在一些实施例中，基于该至少一个对象的第一特征信息和第二特征信息，确定该至少一个对象的目标参数包括：

将该至少一个对象的第一特征信息和第二特征信息输入目标网络模型，通过该目标网络模型对该第一特征信息和该第二特征信息进行处理，得到该至少一个对象的目标参数，该目标网络模型基于多个样本对象的第一特征信息、第二特征信息以及操作行为标签训练得到。

在一些实施例中，该目标网络模型的确定过程包括：

获取该多个样本对象的第一特征信息、第二特征信息以及操作行为标签，该操作行为标签用于指示样本对象是否发生了目标操作行为；

基于该多个样本对象的第一特征信息、第二特征信息以及操作行为标签，进行模型训练，得到该目标网络模型。

在一些实施例中，获取该多个样本对象的第一特征信息、第二特征信息以及操作行为标签之前，该方法还包括：

向该多个样本对象的第一对象集合中的多个第一对象展示该目标媒体资源；

向该多个样本对象的第二对象集合中的多个第二对象屏蔽该目标媒体资源。

在一些实施例中，基于该多个样本对象的第一特征信息、第二特征信息以及操作行为标签，进行模型训练，得到该目标网络模型包括：

在训练的第i次迭代过程中，将该多个样本对象的第一特征信息和第二特征信息输入第i-1次迭代过程所确定的目标网络模型，得到该第i次迭代过程的参数训练结果，其中，i为大于1的正整数；

基于该第i次迭代过程的参数训练结果和该多个样本对象的操作行为标签，对该第i-1次迭代过程所确定的目标网络模型的模型参数进行调整，基于调整后的该模型参数进行第i+1次迭代过程，重复上述训练的迭代过程，直至训练满足目标条件。

在一些实施例中，基于该至少一个对象的目标参数，向满足资源推荐条件的对象推荐该目标媒体资源包括下述任一项：

在该至少一个对象中，选取该目标参数的参数值达到该资源推荐条件所指示的参数阈值的对象，向所选取的对象推荐该目标媒体资源；

按照该至少一个对象的目标参数由高至低的排列次序进行排序，选取该排列次序位于前目标位数的对象，向所选取的对象推荐该目标媒体资源。

在一些实施例中，基于该至少一个对象的目标参数，向满足资源推荐条件的对象推荐该目标媒体资源之后，该方法还包括：

在该至少一个对象中，获取在查看该目标媒体资源时发生了该目标操作行为的对象数量以及推荐该目标媒体资源所消耗的推荐成本；

基于该对象数量和推荐成本，生成该目标媒体资源的推荐报告。

上述图2所示仅为本公开的基本流程，下面基于一种具体实施方式，来对本公开提供的方案进行进一步阐述，图3是根据一示例性实施例示出的一种关键词确定方法的流程图，参见图3，该方法包括以下步骤。

在步骤301中，服务器获取至少一个对象的第一特征信息和第二特征信息，该第一特征信息用于指示对象对目标媒体资源的查看情况，该第二特征信息包括该对象的属性特征信息和行为特征信息。

其中，对象是指用户对象，该至少一个对象是指至少一个待推荐媒体资源的用户对象。在一些实施例中，对象采用对象标识来表示。例如，对象标识可以是用户账号、账号名称、用户ID（Identification，身份标识号码）等。

本公开实施例中，后续采用目标媒体资源来指代待推荐的媒体资源。目标媒体资源为用于宣传某一品牌下的产品或服务的媒体资源。例如，目标媒体资源可以是品牌广告。在一些实施例中，目标媒体资源的数量为一个或多个。在一些实施例中，媒体资源采用资源标识来表示。例如，资源标识可以是资源编号、资源名称、资源ID等。

在一些实施例中，该至少一个对象为目标媒体资源的定向推荐人群。例如，该至少一个对象可以为目标媒体资源的种子人群，或者，该至少一个对象也可以为携带该目标媒体资源的标签的标签人群。本公开实施例对该至少一个对象的设置不加以限定。

在一些实施例中，第一特征信息用于指示对象是否查看过该目标媒体资源。在另一些实施例中，第一特征信息用于指示对象查看过该目标媒体资源的次数的多少。本公开实施例后续以第一特征信息用于指示对象是否查看过该目标媒体资源为例对方案进行说明。

在一些实施例中，第一特征信息为特征值的形式，例如，若第一特征信息用于指示对象查看过该目标媒体资源，则第一特征信息采用特征值1来表示，若第一特征信息用于指示对象未查看过该目标媒体资源，则第一特征信息采用特征值0来表示。在一些实施例中，第二特征信息为特征向量的形式。其中，属性特征信息用于表征对象的基本属性。在一些实施例中，属性特征信息用于表征性别信息、年龄信息、地域信息等等。行为特征信息用于表征对象的行为特征。在一些实施例中，行为特征信息用于表征对象曾经发生过交互操作行为的资源类型（如互动的广告类型）、对象处于活跃状态的时长等等。

在一些实施例中，服务器获取该至少一个对象的第一特征信息的过程为：对于该至少一个对象中的任一个对象，服务器判断该对象的资源播放记录中是否存在目标媒体资源的资源标识，若该对象的资源播放记录中存在目标媒体资源的资源标识，则将该对象的第一特征信息确定为用于指示对象查看过该目标媒体资源；若该对象的资源播放记录中不存在目标媒体资源的资源标识，则将该对象的第一特征信息确定为用于指示对象未查看过该目标媒体资源。其中，资源播放记录用于记录对象查看过的历史媒体资源的资源信息（如资源标识）。

在一些实施例中，服务器获取该至少一个对象的属性特征信息的过程为：对于该至少一个对象中的任一个对象，服务器从该对象的属性信息表中，获取该对象的属性信息，对该对象的属性信息进行信息统计和特征分析，得到该对象的属性特征信息。

其中，属性信息表用于存储对象的属性信息。以属性特征信息用于表征性别信息、年龄信息、地域信息为例，服务器进行信息统计和特征分析的过程为：在该对象的属性信息中，统计该对象的性别信息、年龄信息、地域信息，将统计得到的该对象的性别信息、年龄信息、地域信息输入特征提取模型，通过该特征提取模型对该对象的性别信息、年龄信息、地域信息进行特征分析，得到该性别信息、年龄信息、地域信息的特征向量，将所得到的特征向量确定为该对象的属性特征信息。

在一些实施例中，服务器获取该至少一个对象的行为特征信息的过程为：对于该至少一个对象中的任一个对象，服务器在该对象的历史行为记录中查询，获取该对象的历史行为信息，对该对象的历史行为信息进行信息统计和特征分析，得到该对象的行为特征信息。

其中，历史行为记录用于记录对象在查看任一媒体资源时所发生的交互操作行为。以行为特征信息用于表征对象曾经发生过交互操作行为的资源类型为例，服务器进行信息统计和特征分析的过程为：在该对象的历史行为记录中，统计该对象曾经发生过交互操作行为的媒体资源的资源类型，将统计得到的资源类型输入特征提取模型，通过该特征提取模型对资源类型进行特征分析，得到该资源类型的特征向量，将所得到的特征向量确定为该对象的行为特征信息。

在步骤302中，服务器通过目标网络模型，基于该至少一个对象的第一特征信息和第二特征信息，确定该至少一个对象的目标参数，该目标参数表示对象在查看该目标媒体资源时发生目标操作行为的可能性。

其中，目标操作行为是指转化操作行为，转化操作行为是指基于本次操作行为能够触发下一次操作内容的操作行为，如点击操作行为、购买操作行为等等。应理解地，在进行媒体资源的推荐时，其核心目标是期望带来转化用户，该转化用户是指基于该媒体资源发生了目标操作行为的用户。在一些实施例中，可能性采用概率来表示，相应地，目标参数表示对象在查看该目标媒体资源时可能发生目标操作行为的概率。

下面基于广告类型的媒体资源为例，来对转化用户以及目标操作行为进行示例性说明：以常规广告为例，该常规广告是基于用户的点击操作行为来实现转化，相应地，目标操作行为是指基于广告的点击操作行为，转化用户为对该常规广告实施点击操作的用户；以应用程序广告为例，该应用程序广告是基于用户对应用程序的下载来实现转化，相应地，目标操作行为是指基于应用程序广告的下载操作行为，转化用户为基于该应用程序广告下载对应的应用程序的用户；以咨询广告为例，该咨询广告是基于用户的在线咨询来实现转化，相应地，目标操作行为是指在线咨询操作行为，转化用户为基于该咨询广告发起在线咨询的用户；以信息收集广告为例，该信息收集广告是基于用户在信息表单中的填写操作行为来实现转化，相应地，目标操作行为是指在信息表单中的填写操作行为，转化用户为在该信息收集广告的信息表单中填写信息的用户；以商品广告为例，该商品广告是基于用户对商品的购买操作行为来实现转化，相应地，目标操作行为是指对商品的购买操作行为，转化用户为基于该商品广告购买对应商品的用户。

在一些实施例中，服务器将该至少一个对象的第一特征信息和第二特征信息输入该目标网络模型，通过该目标网络模型对该第一特征信息和该第二特征信息进行处理，得到该至少一个对象的目标参数。

本公开实施例中，目标网络模型用于预测对象的目标参数，该目标参数表示对象在查看该目标媒体资源时可能发生目标操作行为的概率。在一些实施例中，目标网络模型为Uplift模型，该Uplift模型用于预测一个事件或一次实验的增量反馈价值，相应地，目标参数可以为Uplift参数。以广告投放的场景为例，Uplift模型用于预测用户被展示广告之后的转化增量（如购买意愿的增量）。

在一些实施例中，对于该至少一个对象中任一个对象，服务器将该对象的第一特征信息和第二特征信息输入该目标网络模型，通过该目标网络模型，基于该第一特征信息、该第二特征信息和模型算法（1），确定该对象的目标参数。

Uplift=p(y|x,T=1)-p(y|x,T=0) （1）

式中，Uplift为对象的目标参数；x为对象的第二特征信息；y用于指示对象发生目标操作行为；T为第一特征信息，T=1用于指示对象查看过目标媒体资源，相应地，p(y|x,T=1)为对象在查看过目标媒体资源的情况下可能发生目标操作行为的概率；T=0用于指示对象未查看过目标媒体资源，相应地，p(y|x,T=0)为对象在未查看过目标媒体资源的情况下可能发生目标操作行为的概率。

在上述实施例中，采用目标网络模型，来预测各个对象的目标参数，提高了预测目标参数的效率和精确度，通过预测各个对象在查看该目标媒体资源时发生目标操作行为的可能性，以便后续基于目标参数来进行媒体资源的推荐，从而在降低了目标媒体资源的推荐成本的同时，还提升了目标媒体资源的推荐效果。

在步骤303中，服务器基于该至少一个对象的目标参数，向满足资源推荐条件的对象推荐该目标媒体资源。

在一些实施例中，资源推荐条件用于指示目标参数的参数值达到参数阈值的对象，相应地，服务器推荐资源的过程为：在该至少一个对象中，选取该目标参数的参数值达到该资源推荐条件所指示的参数阈值的对象，向所选取的对象推荐该目标媒体资源。

在另一些实施例中，资源推荐条件用于指示目标参数的参数值最大的一个或多个对象，相应地，服务器推荐资源的过程为：按照该至少一个对象的目标参数由高至低的排列次序进行排序，选取该排列次序位于前目标位数的对象，向所选取的对象推荐该目标媒体资源。

在上述实施例中，通过获取参数值高的对象或者获取参数值排序靠前的对象，均能够快速获得满足资源推荐条件的对象，提升了获取待推荐的对象的效率，进而提升了资源推荐的效率。

本公开实施例中，通过目标网络模型，能够确定出最有可能被品牌广告积极影响的用户，也就是说，目标网络模型能够区分哪些用户是真正受到品牌广告影响而发生的转化行为，哪些是本身就对品牌的产品或服务有转化行为，只有那些真正被广告积极影响的人群才反应了本次广告投放的真正效果。如此，通过目标网络模型，能够确定出更有可能被品牌广告影响的用户，也即是确定出了更有效的用户人群，从而在降低了目标媒体资源的推荐成本的同时，还提升了目标媒体资源的推荐效果。

在步骤304中，服务器在该至少一个对象中，获取在查看该目标媒体资源时发生了该目标操作行为的对象数量以及推荐该目标媒体资源所消耗的推荐成本。

其中，对象数量也即是在查看目标媒体资源时发生了转化的用户数量。

在一些实施例中，服务器在推荐目标媒体资源之后，获取该目标媒体资源在本次推荐的目标对象集合，对于该至少一个对象中的任一个对象，依次判断该目标对象集合内是否存在对应的对象，若该目标对象集合内存在该对象，则将该对象数量加一，从而获取到该至少一个对象中处于该目标对象集合内的对象数量，也即是获取到在查看该目标媒体资源时发生了该目标操作行为的对象数量。其中，目标对象集合包括多个目标对象，该目标对象是指发生了目标操作行为的对象，也即是发生了转化的用户。

在一些实施例中，服务器获取该目标媒体资源在本次推荐的推荐信息，基于该推荐信息以及推荐成本的计算规则，计算该目标媒体资源所消耗的推荐成本。其中，推荐信息可以是推荐时间信息、推荐定向信息和推荐位置信息等等。推荐时间信息为推荐目标媒体资源的时间段，如10月20日至10月25日的时间段；推荐定向信息为推荐目标媒体资源的定向条件，如平台条件、地域条件、年龄条件、性别条件等；推荐位置信息用于指示推荐目标媒体资源的位置，也即是该目标媒体资源被推荐后所展示的位置，如不同的展示页面、不同的展示区域等。

在步骤305中，服务器基于该对象数量和推荐成本，生成该目标媒体资源的推荐报告。

通过上述步骤304至步骤305，统计本次推荐所产生的转化用户的数量以及推荐成本，进而输出目标媒体资源的推荐报告，以便后续品牌方基于该推荐报告，就能够获知本次资源推荐的推荐效果。

在一些实施例中，服务器还利用相关技术所示出的推荐方案来进行资源的推荐实验，并获取相关技术所示出的推荐方案中，发生了目标操作行为的对象数量以及推荐该媒体资源所消耗的推荐成本，将通过目标网络模型所确定的对象的推荐效果数据（对象数量和推荐成本）与相关技术中通投的推荐效果数据（对象数量和推荐成本）进行对比，基于推荐效果数据的对比情况，生成该目标媒体资源的推荐报告。例如，相关技术和本公开的推荐效果对比可以是对转化用户数量、付费订单的数量或者推荐成本之间的对比。

本公开实施例提供的技术方案，在资源推荐时，参考了对象对目标媒体资源的查看情况以及对象的属性特征信息和行为特征信息，来预测对象的目标参数，由于该目标参数表示对象在查看目标媒体资源时发生目标操作行为的可能性，进而基于该目标参数来向满足资源推荐条件的对象推荐该目标媒体资源，使得所推荐的对象是在查看目标媒体资源时可能发生目标操作行为的对象，一方面，避免了对已发生过目标操作行为的对象进行重复推荐，减小了所推荐的对象的数量级，也就降低了目标媒体资源的推荐成本，另一方面，通过向其推荐目标媒体资源，能够为目标媒体资源带来新的可能发生目标操作行为的对象，提升了目标媒体资源的推荐效果。

图3对基于目标网络模型，来确定目标媒体资源的推荐对象的过程进行了说明。本公开实施例中，目标网络模型基于多个样本对象的第一特征信息、第二特征信息以及操作行为标签训练得到。图4是根据一示例性实施例示出的一种模型训练方法的流程图，参见图4，该方法包括以下步骤。

在步骤401中，服务器向多个样本对象的第一对象集合中的多个第一对象展示目标媒体资源，向该多个样本对象的第二对象集合中的多个第二对象屏蔽该目标媒体资源。

本公开实施例中，样本对象是指用于训练网络模型的样本用户。在一些实施例中，该多个样本对象为目标媒体资源的定向推荐人群。例如，该多个样本对象可以为目标媒体资源的种子人群，或者，该多个样本对象也可以为携带该目标媒体资源的标签的标签人群。

第一对象集合包括待展示目标媒体资源的多个第一对象，也就是说，该第一对象集合中的多个第一对象均能够查看到该目标媒体资源。第二对象集合包括待屏蔽目标媒体资源的多个第二对象，也就是说，该第二对象集合中的多个第二对象均无法查看到该目标媒体资源。

在一些实施例中，服务器将该多个样本对象随机划分至第一对象集合和第二对象集合，再向该第一对象集合中的多个第一对象展示目标媒体资源，向该第二对象集合中的多个第二对象屏蔽该目标媒体资源。

在一种可选的实施例中，对于第一对象集合中的多个第一对象，服务器响应于对任一个第一对象的资源推荐请求，向该第一对象对应的终端发送该资源推荐请求所请求推荐的目标媒体资源。如此，达到了向第一对象展示目标媒体资源的效果。在一种可选的实施例中，对于第二对象集合中的多个第二对象，服务器响应于对任一个第二对象的资源推荐请求，对该资源推荐请求所请求推荐的目标媒体资源进行拦截。如此，达到了向第二对象屏蔽目标媒体资源的效果。

在一些实施例中，服务器在目标实验周期内，向多个样本对象的第一对象集合中的多个第一对象展示目标媒体资源，向该多个样本对象的第二对象集合中的多个第二对象屏蔽该目标媒体资源。其中，目标实验周期为预先设定的周期，如10天。

在上述实施例中，通过向多个第一对象展示目标媒体资源，向多个第二对象屏蔽目标媒体资源，以达到一个对象集合内的对象能够查看到目标媒体资源，而另一个对象集合内的对象无法查看到目标媒体资源的效果，以便执行后续模型训练的过程。

在步骤402中，服务器获取该多个样本对象的第一特征信息、第二特征信息以及操作行为标签，该第一特征信息用于指示对象对该目标媒体资源的查看情况，该第二特征信息包括该对象的属性特征信息和行为特征信息，该操作行为标签用于指示样本对象是否发生了目标操作行为。

在一些实施例中，第一特征信息用于指示对象（如样本对象）是否查看过该目标媒体资源。应理解地，对于第一对象集合中的多个第一对象，该多个第一对象的第一特征信息用于指示对象查看过该目标媒体资源；对于第二对象集合中的多个第二对象，该多个第二对象的第二特征信息用于指示对象未查看过该目标媒体资源。

在一些实施例中，服务器获取该多个样本对象的第一特征信息的过程为：对于处于第一对象集合的多个第一对象，将该多个第一对象的第一特征信息确定为用于指示对象查看过该目标媒体资源；对于处于第二对象集合的多个第二对象，将该多个第二对象的第一特征信息确定为用于指示对象未查看过该目标媒体资源。

在一些实施例中，服务器在获取多个样本对象的第一特征信息之前，还统计处于第一对象集合的多个第一对象和处于第二对象集合的多个第二对象，相应过程为：在目标媒体资源的展示日志中，获取被展示目标媒体资源的多个第一对象，在目标媒体资源的拦截日志中，获取被拦截目标媒体资源的多个第二对象。例如，目标媒体资源的展示日志可以是广告曝光日志，目标媒体资源的拦截日志可以是广告拦截日志。

在一些实施例中，服务器获取该多个样本对象的属性特征信息的过程为：对于任一个样本对象，服务器根据该样本对象的对象标识，确定该样本对象的属性信息表，从该样本对象的属性信息表中，获取该样本对象的属性信息，对该样本对象的属性信息进行信息统计和特征分析，得到该样本对象的属性特征信息。其中，服务器对属性信息进行信息统计和特征分析的过程参见步骤301，不再赘述。

在一些实施例中，服务器获取该多个样本对象的行为特征信息的过程为：对于任一个样本对象，服务器根据该样本对象的对象标识，确定该样本对象的历史行为记录，在该样本对象的历史行为记录中查询，获取该样本对象的历史行为信息，对该样本对象的历史行为信息进行信息统计和特征分析，得到该样本对象的行为特征信息。其中，服务器对历史行为信息进行信息统计和特征分析的过程参见步骤301，不再赘述。

目标操作行为是指转化操作行为，如点击操作行为、购买操作行为等等。相应地，操作行为标签用于指示样本对象是否发生了转化操作行为，也即是用于指示样本用户是否发生了转化。在一些实施例中，操作行为标签采用特征值来表示，例如，若样本对象发生了目标操作行为，则将该样本对象的操作行为标签确定为label=1，若样本对象没有发生目标操作行为，则将该样本对象的操作行为标签确定为label=0。

需要说明的是，目标操作行为可以是对象在向其展示目标媒体资源的情况下（如第一对象）所发生的转化操作行为，以某一品牌的商品为例，在向对象展示了该商品的广告的情况下，目标操作行为是指对象对该商品的广告实施购买操作，购买了该商品的行为；或者，该目标操作行为还可以是对象在未向其展示目标媒体资源的情况下（如第二对象）所发生的转化操作行为，例如，以某一品牌的商品为例，在没有向对象展示该商品的广告的情况下，目标操作行为是指对象通过其他购买途径购买了该商品的行为，如通过购物平台购买了该商品。

在一些实施例中，服务器获取该多个样本对象的操作行为标签的过程为：获取该目标媒体资源的目标对象集合，在该多个样本对象中，将处于该目标对象集合中的对象的操作行为标签确定为第一操作行为标签，将不处于该目标对象集合中的对象的操作行为标签确定为第二操作行为标签。

其中，目标对象集合包括多个目标对象，该目标对象是指发生了目标操作行为的样本对象，也即是发生了转化的样本用户。应理解地，该目标对象集合也即是转化对象集合（转化用户集合）。第一操作行为标签用于指示样本对象发生了目标操作行为，第二操作行为标签用于指示样本对象未发生目标操作行为。

需要说明的是，针对第二对象集合内的多个第二对象，由于该多个第二对象无法查看到目标媒体资源，因此，基于该目标媒体资源是没有发生过目标操作行为的，服务器需要从目标媒体资源的品牌方（如广告主）的平台服务器，获取该品牌方所存储的多个对象的全链路转化数据，进而从该多个对象的全链路转化数据中，获取该多个第二对象的转化信息，再确定该多个第二对象的操作行为标签。

上述步骤401至步骤402是获取目标网络模型的样本训练集的过程。

在一些实施例中，服务器基于ab实验，来执行上述步骤401至步骤402。本公开实施例中的第一对象集合可提供为该ab实验中的实验用户组，第二对象集合可提供为该ab实验中的对照用户组。在一个具体示例中，在ab实验的实验周期内，基于某一个品牌广告，针对实验用户组，向该实验用户组内的多个用户展示该品牌广告，针对对照用户组，不向该对照用户组内的多个用户展示该品牌广告；分别采集实验用户组和对照用户组的用户转化信息（是否发生了目标操作行为），将实验用户组和对照用户组中转化的用户作为正样本，样本标签label（操作行为标签）标记为1；未转化的用户作为负样本，样本标签label标记为0；再结合各个用户的属性特征信息、行为特征信息以及是否查看过品牌广告的特征信息，整理成为目标网络模型（Uplift model）的样本训练集。如此，实现了一种基于Uplift模型的线上ab实验方式。

在步骤403中，服务器基于该多个样本对象的第一特征信息、第二特征信息以及操作行为标签，进行模型训练，得到目标网络模型。

在一些实施例中，服务器在训练的第i次迭代过程中，将该多个样本对象的第一特征信息和第二特征信息输入第i-1次迭代过程所确定的目标网络模型，得到该第i次迭代过程的参数训练结果，其中，i为大于1的正整数；基于该第i次迭代过程的参数训练结果和该多个样本对象的操作行为标签，对该第i-1次迭代过程所确定的目标网络模型的模型参数进行调整，基于调整后的该模型参数进行第i+1次迭代过程，重复上述训练的迭代过程，直至训练满足目标条件。如此，通过迭代训练的方式，将模型参数较优的网络模型获取为目标网络模型，以获取到预测能力较优的目标网络模型，从而提升了目标网络模型的预测精准性。

在一些实施例中，训练满足的目标条件为模型的训练迭代次数达到目标次数，该目标次数为预先设定的训练迭代次数，如1000次；或者，训练满足的目标条件为损失值满足目标阈值条件，如损失值小于0.00001。本公开实施例对目标条件的设置不加以限定。

在一些实施例中，服务器基于该多个样本对象的第一特征信息、第二特征信息以及操作行为标签，对深度神经网络（DNN，Deep Neural Network）进行模型训练，得到目标网络模型。

其中，深度神经网络是一种基于包含复杂结构或由多重非线性变换构成的多个处理层，逐步从原始输入中提取更高级别的特征的网络。在一些实施例中，深度神经网络包括输入层、多个隐藏层和输出层。输入层用于将服务器所获取的第一特征信息和第二特征信息输入深度神经网络，并将所输入的信息转化为数字矩阵，以便该深度神经网络进行后续运算过程。隐藏层可以包括卷积层、池化层或全连接层，其中，卷积层用于对输入层所生成的数字矩阵进行卷积运算，基于该卷积运算的结果提取局部特征，该深度神经网络可以包括一个或多个卷积层；池化层用于将卷积层获得的特征提取值进行量化，来获得维度较小的矩阵，以便对特征进一步提取，该深度神经网络可以包括一个或多个池化层；全连接层用于将提取到的局部特征通过权值矩阵，整合为完整的特征，基于该完整的特征计算目标参数。输出层用于获取最后一层隐藏层所输出的目标参数，输出该目标参数。

在一些实施例中，服务器对深度神经网络进行模型训练的过程包括：服务器在训练的第一次迭代过程中，将该多个样本对象的第一特征信息和第二特征信息输入深度神经网络，得到第一次迭代过程的参数训练结果；基于第一次迭代过程的参数训练结果与对应样本对象的操作行为标签，确定损失函数，基于损失函数，对深度神经网络中的模型参数进行调整；将第一次迭代调整后的模型参数作为第二次迭代的模型参数，再进行第二次迭代过程；重复多次上述迭代过程，直到训练满足目标条件，则将满足目标条件的迭代过程所对应的模型获取为目标网络模型。在一种可选的实施例中，服务器根据AUC（Area UnderCurve，模型评价标准）调整模型参数，得到最优模型。

上述步骤401至步骤403是获取目标网络模型的样本训练集，进行模型训练，得到目标网络模型的过程。进而，服务器通过该目标网络模型，能够对待推荐的对象进行预测，以向能够带来转化增量的对象推荐目标媒体资源。如此，利用多个样本对象的特征信息和操作行为标签，来训练目标网络模型，以获取到能够预测目标参数的目标网络模型，以便后续采用目标网络模型来确定各个对象的目标参数，以提升媒体资源的推荐效果。

图5是根据一示例性实施例示出的一种资源推荐装置的框图。参见图5，该装置包括获取单元501，确定单元502和推荐单元503：

获取单元501，被配置为执行获取至少一个对象的第一特征信息和第二特征信息，该第一特征信息用于指示对象对目标媒体资源的查看情况，该第二特征信息包括该对象的属性特征信息和行为特征信息；

确定单元502，被配置为执行基于该至少一个对象的第一特征信息和第二特征信息，确定该至少一个对象的目标参数，该目标参数表示该对象在查看该目标媒体资源时发生目标操作行为的可能性；

推荐单元503，被配置为执行基于该至少一个对象的目标参数，向满足资源推荐条件的对象推荐该目标媒体资源。

本公开实施例提供的技术方案，在资源推荐时，参考了对象对目标媒体资源的查看情况以及对象的属性特征信息和行为特征信息，来预测对象的目标参数，由于该目标参数表示对象在查看目标媒体资源时发生目标操作行为的可能性，进而基于该目标参数来向满足资源推荐条件的对象推荐该目标媒体资源，使得所推荐的对象是在查看目标媒体资源时可能发生目标操作行为的对象，一方面，避免了对已发生过目标操作行为的对象进行重复推荐，减小了所推荐的对象的数量级，也就降低了目标媒体资源的推荐成本，另一方面，通过向其推荐目标媒体资源，能够为目标媒体资源带来新的可能发生目标操作行为的对象，提升了目标媒体资源的推荐效果。

在一些实施例中，该确定单元502，被配置为执行：

将该至少一个对象的第一特征信息和第二特征信息输入目标网络模型，通过该目标网络模型对该第一特征信息和该第二特征信息进行处理，得到该至少一个对象的目标参数，该目标网络模型基于多个样本对象的第一特征信息、第二特征信息以及操作行为标签训练得到，该操作行为标签用于指示样本对象是否发生了目标操作行为。

在一些实施例中，该获取单元501，还被配置为执行获取该多个样本对象的第一特征信息、第二特征信息以及操作行为标签；

该装置还包括训练单元，被配置为执行基于该多个样本对象的第一特征信息、第二特征信息以及操作行为标签，进行模型训练，得到该目标网络模型。

在一些实施例中，该装置还包括：

展示单元，被配置为执行向该多个样本对象的第一对象集合中的多个第一对象展示该目标媒体资源；

屏蔽单元，被配置为执行向该多个样本对象的第二对象集合中的多个第二对象屏蔽该目标媒体资源。

在一些实施例中，该训练单元，被配置为执行：

在训练的第i次迭代过程中，将该多个样本对象的第一特征信息和第二特征信息输入第i-1次迭代过程所确定的目标网络模型，得到该第i次迭代过程的参数训练结果，其中，i为大于1的正整数；

基于该第i次迭代过程的参数训练结果和该多个样本对象的操作行为标签，对该第i-1次迭代过程所确定的目标网络模型的模型参数进行调整，基于调整后的该模型参数进行第i+1次迭代过程，重复上述训练的迭代过程，直至训练满足目标条件。

在一些实施例中，该推荐单元503，被配置为执行下述任一项：

在该至少一个对象中，选取该目标参数的参数值达到该资源推荐条件所指示的参数阈值的对象，向所选取的对象推荐该目标媒体资源；

按照该至少一个对象的目标参数由高至低的排列次序进行排序，选取该排列次序位于前目标位数的对象，向所选取的对象推荐该目标媒体资源。

在一些实施例中，该获取单元501，还被配置为执行在该至少一个对象中，获取在查看该目标媒体资源时发生了该目标操作行为的对象数量以及推荐该目标媒体资源所消耗的推荐成本；

该装置还包括生成单元，被配置为执行基于该对象数量和推荐成本，生成该目标媒体资源的推荐报告。

需要说明的是：上述实施例提供的资源推荐装置在进行资源推荐时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的资源推荐装置与资源推荐方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本公开实施例所提到的计算机设备可提供为一种服务器。图6是根据一示例性实施例示出的一种服务器的框图，该服务器600可因配置或性能不同而产生比较大的差异，可以包括一个或多个处理器（Central Processing Units，CPU）601和一个或多个的存储器602，其中，该一个或多个存储器602中存储有至少一条程序代码，该至少一条程序代码由该一个或多个处理器601加载并执行以实现上述各个方法实施例提供的资源推荐方法中服务器执行的过程。当然，该服务器600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600还可以包括其他用于实现设备功能的部件，在此不做赘述。

在示例性实施例中，还提供了一种包括程序代码的计算机可读存储介质，例如包括程序代码的存储器602，上述程序代码可由服务器600的处理器601执行以完成上述资源推荐方法。可选地，计算机可读存储介质可以是ROM（Read-Only Memory，只读内存）、RAM（Random Access Memory，随机存取存储器）、CD-ROM（Compact-Disc Read-Only Memory，只读光盘）、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的资源推荐方法。

在一些实施例中，本公开实施例所涉及的计算机程序可被部署在一个计算机设备上执行，或者在位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行，分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链系统。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限制。

Claims (16)

1.一种资源推荐方法，其特征在于，所述方法包括：

获取至少一个对象的第一特征信息和第二特征信息，所述第一特征信息用于指示对象对目标媒体资源的查看情况，所述第二特征信息包括所述对象的属性特征信息和行为特征信息；

基于所述至少一个对象的第一特征信息和第二特征信息，确定所述至少一个对象的目标参数，所述目标参数表示所述对象在查看所述目标媒体资源时发生目标操作行为的可能性；

基于所述至少一个对象的目标参数，向满足资源推荐条件的对象推荐所述目标媒体资源。

2.根据权利要求1所述的资源推荐方法，其特征在于，所述基于所述至少一个对象的第一特征信息和第二特征信息，确定所述至少一个对象的目标参数包括：

将所述至少一个对象的第一特征信息和第二特征信息输入目标网络模型，通过所述目标网络模型对所述第一特征信息和所述第二特征信息进行处理，得到所述至少一个对象的目标参数，所述目标网络模型基于多个样本对象的第一特征信息、第二特征信息以及操作行为标签训练得到，所述操作行为标签用于指示样本对象是否发生了目标操作行为。

3.根据权利要求2所述的资源推荐方法，其特征在于，所述目标网络模型的确定过程包括：

获取所述多个样本对象的第一特征信息、第二特征信息以及操作行为标签；

基于所述多个样本对象的第一特征信息、第二特征信息以及操作行为标签，进行模型训练，得到所述目标网络模型。

4.根据权利要求3所述的资源推荐方法，其特征在于，所述获取所述多个样本对象的第一特征信息、第二特征信息以及操作行为标签之前，所述方法还包括：

向所述多个样本对象的第一对象集合中的多个第一对象展示所述目标媒体资源；

向所述多个样本对象的第二对象集合中的多个第二对象屏蔽所述目标媒体资源。

5.根据权利要求3所述的资源推荐方法，其特征在于，所述基于所述多个样本对象的第一特征信息、第二特征信息以及操作行为标签，进行模型训练，得到所述目标网络模型包括：

在训练的第i次迭代过程中，将所述多个样本对象的第一特征信息和第二特征信息输入第i-1次迭代过程所确定的目标网络模型，得到所述第i次迭代过程的参数训练结果，其中，i为大于1的正整数；

基于所述第i次迭代过程的参数训练结果和所述多个样本对象的操作行为标签，对所述第i-1次迭代过程所确定的目标网络模型的模型参数进行调整，基于调整后的所述模型参数进行第i+1次迭代过程，重复上述训练的迭代过程，直至训练满足目标条件。

6.根据权利要求1所述的资源推荐方法，其特征在于，所述基于所述至少一个对象的目标参数，向满足资源推荐条件的对象推荐所述目标媒体资源包括下述任一项：

在所述至少一个对象中，选取所述目标参数的参数值达到所述资源推荐条件所指示的参数阈值的对象，向所选取的对象推荐所述目标媒体资源；

按照所述至少一个对象的目标参数由高至低的排列次序进行排序，选取所述排列次序位于前目标位数的对象，向所选取的对象推荐所述目标媒体资源。

7.根据权利要求1所述的资源推荐方法，其特征在于，所述基于所述至少一个对象的目标参数，向满足资源推荐条件的对象推荐所述目标媒体资源之后，所述方法还包括：

在所述至少一个对象中，获取在查看所述目标媒体资源时发生了所述目标操作行为的对象数量以及推荐所述目标媒体资源所消耗的推荐成本；

基于所述对象数量和推荐成本，生成所述目标媒体资源的推荐报告。

8.一种资源推荐装置，其特征在于，所述装置包括：

获取单元，被配置为执行获取至少一个对象的第一特征信息和第二特征信息，所述第一特征信息用于指示对象对目标媒体资源的查看情况，所述第二特征信息包括所述对象的属性特征信息和行为特征信息；

确定单元，被配置为执行基于所述至少一个对象的第一特征信息和第二特征信息，确定所述至少一个对象的目标参数，所述目标参数表示所述对象在查看所述目标媒体资源时发生目标操作行为的可能性；

推荐单元，被配置为执行基于所述至少一个对象的目标参数，向满足资源推荐条件的对象推荐所述目标媒体资源。

9.根据权利要求8所述的资源推荐装置，其特征在于，所述确定单元，被配置为执行：

将所述至少一个对象的第一特征信息和第二特征信息输入目标网络模型，通过所述目标网络模型对所述第一特征信息和所述第二特征信息进行处理，得到所述至少一个对象的目标参数，所述目标网络模型基于多个样本对象的第一特征信息、第二特征信息以及操作行为标签训练得到，所述操作行为标签用于指示样本对象是否发生了目标操作行为。

10.根据权利要求9所述的资源推荐装置，其特征在于，所述获取单元，还被配置为执行获取所述多个样本对象的第一特征信息、第二特征信息以及操作行为标签；

所述装置还包括训练单元，被配置为执行基于所述多个样本对象的第一特征信息、第二特征信息以及操作行为标签，进行模型训练，得到所述目标网络模型。

11.根据权利要求10所述的资源推荐装置，其特征在于，所述装置还包括：

展示单元，被配置为执行向所述多个样本对象的第一对象集合中的多个第一对象展示所述目标媒体资源；

屏蔽单元，被配置为执行向所述多个样本对象的第二对象集合中的多个第二对象屏蔽所述目标媒体资源。

12.根据权利要求10所述的资源推荐装置，其特征在于，所述训练单元，被配置为执行：

在训练的第i次迭代过程中，将所述多个样本对象的第一特征信息和第二特征信息输入第i-1次迭代过程所确定的目标网络模型，得到所述第i次迭代过程的参数训练结果，其中，i为大于1的正整数；

基于所述第i次迭代过程的参数训练结果和所述多个样本对象的操作行为标签，对所述第i-1次迭代过程所确定的目标网络模型的模型参数进行调整，基于调整后的所述模型参数进行第i+1次迭代过程，重复上述训练的迭代过程，直至训练满足目标条件。

13.根据权利要求8所述的资源推荐装置，其特征在于，所述推荐单元，被配置为执行下述任一项：

在所述至少一个对象中，选取所述目标参数的参数值达到所述资源推荐条件所指示的参数阈值的对象，向所选取的对象推荐所述目标媒体资源；

按照所述至少一个对象的目标参数由高至低的排列次序进行排序，选取所述排列次序位于前目标位数的对象，向所选取的对象推荐所述目标媒体资源。

14.根据权利要求8所述的资源推荐装置，其特征在于，所述获取单元，还被配置为执行在所述至少一个对象中，获取在查看所述目标媒体资源时发生了所述目标操作行为的对象数量以及推荐所述目标媒体资源所消耗的推荐成本；

所述装置还包括生成单元，被配置为执行基于所述对象数量和推荐成本，生成所述目标媒体资源的推荐报告。

15.一种计算机设备，其特征在于，所述计算机设备包括：

一个或多个处理器；

用于存储所述处理器可执行程序代码的存储器；

其中，所述处理器被配置为执行所述程序代码，以实现如权利要求1至7中任一项所述的资源推荐方法。

16.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的程序代码由计算机设备的处理器执行时，使得计算机设备能够执行如权利要求1至7中任一项所述的资源推荐方法。

Images