CN113779419A - 资源推荐方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开关于一种资源推荐方法、装置、电子设备及存储介质，所述方法包括：获取目标对象的对象属性信息，所述目标对象的资源行为信息，以及多任务资源推荐网络；所述多任务资源推荐网络包括对象特征构建网络、资源特征构建网络，以及特征匹配网络；将所述对象属性信息以及所述资源行为信息，输入到所述对象特征构建网络进行对象特征构建，得到与多任务分别对应的对象构建特征；基于所述特征匹配网络将对应相同任务的所述对象构建特征，以及资源构建特征进行特征匹配，得到与所述多任务分别对应的兴趣指标数据；基于所述兴趣指标数据，从所述候选资源中选取目标资源进行推荐。本公开能够提高资源推荐的准确性。

Description

资源推荐方法、装置、电子设备及存储介质

技术领域

本公开涉及机器学习技术领域，尤其涉及一种资源推荐方法、装置、电子设备及存储介质。

背景技术

短视频作为一种信息载体，越来越多的融入了人们的生活中。短视频信息投放作为这其中的一部分，在产品推广，应用软件激活，带货等方面有着重要的作用，其不仅能够让好的项目更快速地找到有需求的用户，也能够帮助用户更为精准的找到他们感兴趣的项目。

相关技术中，对于不同信息投放任务分别训练不同的资源推荐网络，从而导致对于单个信息投放任务对应的资源推荐网络的泛化能力不强；进而在采用该资源推荐网络进行资源推荐时，会存在资源推荐准确性不高的问题。

发明内容

本公开提供一种资源推荐方法、装置、电子设备及存储介质，以至少解决相关技术中资源推荐准确性不高的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种资源推荐方法，包括：

获取目标对象的对象属性信息，所述目标对象的资源行为信息，以及多任务资源推荐网络；所述多任务资源推荐网络包括对象特征构建网络、资源特征构建网络，以及特征匹配网络；

将所述对象属性信息以及所述资源行为信息，输入到所述对象特征构建网络进行对象特征构建，得到与多任务分别对应的对象构建特征；所述对象构建特征用于表征所述对象属性信息与所述资源行为信息的联合信息；

基于所述特征匹配网络将对应相同任务的所述对象构建特征，以及资源构建特征进行特征匹配，得到与所述多任务分别对应的兴趣指标数据；所述资源构建特征基于候选资源的资源信息与所述资源特征构建网络得到；

基于所述兴趣指标数据，从所述候选资源中选取目标资源进行推荐。

在一示例性实施例中，所述对象特征构建网络包括第一对象特征提取层；

所述将所述对象属性信息以及所述资源行为信息，输入到所述对象特征构建网络进行对象特征构建，得到与多任务分别对应的对象构建特征包括：

基于所述第一对象特征提取层对所述对象属性信息以及所述资源行为信息进行对象特征提取，得到第一对象特征；所述第一对象特征用于表征所述对象属性信息与所述资源行为信息的关联信息；

基于所述第一对象特征，得到与所述多任务分别对应的对象构建特征。

在一示例性实施例中，所述对象特征构建网络还包括第二对象特征提取层；所述资源行为信息包括所述目标对象的历史操作资源的资源信息，以及所述目标对象对所述历史操作资源的操作信息；

所述方法还包括：

基于所述第二对象特征提取层对所述历史操作资源的资源信息以及所述历史操作资源的操作信息，进行行为特征提取，得到第二对象特征；所述第二对象特征用于表征所述历史操作资源与对所述历史操作资源的操作信息的关联信息；

所述基于所述第一对象特征，得到与多任务分别对应的对象构建特征包括：

基于所述第一对象特征，以及所述第二对象特征，得到与所述多任务分别对应的对象构建特征。

在一示例性实施例中，所述方法还包括：

获取多个样本信息组以及多任务网络；所述样本信息组中包括样本对象的对象属性信息，所述样本对象的资源行为信息，样本资源的资源信息，以及所述样本对象对所述样本资源的多任务行为标签信息；所述多任务网络包括对象特征构建网络、资源特征构建网络，以及特征匹配网络；

将所述样本对象的对象属性信息以及所述样本对象的资源行为信息输入到所述对象特征构建网络进行对象特征构建，得到与所述多任务分别对应的样本对象构建特征；

将所述样本资源的资源信息输入到所述资源特征构建网络，得到与所述多任务分别对应的样本资源构建特征；

基于所述特征匹配网络将对应相同任务的样本对象构建特征与样本资源构建特征进行特征匹配，得到与所述多任务分别对应的兴趣匹配数据；

基于所述多任务行为标签信息，以及所述兴趣匹配数据对所述多任务网络进行训练，得到所述资源推荐网络。

在一示例性实施例中，所述多个样本信息组为多个批次的样本信息组；

所述基于所述多任务行为标签信息，以及所述兴趣匹配数据对所述多任务网络进行训练，得到所述资源推荐网络包括：

在采用每个批次中的样本信息组对所述多任务网络进行训练时，确定与当前批次中的各样本信息组对应的第一损失信息；所述第一损失信息基于各样本信息组对应的所述多任务行为标签信息，以及各样本信息组对应的所述与多任务分别对应的兴趣指标数据进行确定；

基于所述当前批次中各样本信息组对应的第一损失信息，确定与所述当前批次对应的第二损失信息；

基于与各批次对应的所述第二损失信息对所述多任务网络进行反向传播训练，得到所述资源推荐网络。

在一示例性实施例中，所述对象属性信息包括多个维度的对象信息；

所述方法还包括：

在基于当前批次的样本信息组对所述多任务网络进行训练时，确定每个维度的对象信息对所述多任务网络的影响力信息；所述影响力信息用于表征每个维度的对象信息对所述多任务网络性能的影响程度；

基于所述影响力信息，从所述多个维度中确定出目标维度；

基于下一批次的样本信息组中所述目标维度的对象信息对所述多任务网络进行训练。

在一示例性实施例中，所述确定每个维度的对象信息对所述多任务网络的影响力信息包括：

对当前批次各样本信息组中对象属性信息的每个维度分别进行隐蔽处理，得到与每个维度对应的已处理对象信息；

将每个维度对应的已处理对象信息，以及所述样本资源的资源信息输入到所述多任务网络中，得到每个维度的多任务兴趣匹配数据；

基于与各维度的多任务兴趣匹配数据，以及所述多任务行为标签信息，对所述多任务网络进行训练，得到与各维度对应的待比较网络；

基于所述当前批次对应的第二损失信息对所述多任务网络进行反向传播训练，得到与当前批次对应的已训练网络；

确定所述已训练网络的第一性能信息，以及与各维度对应的待比较网络的第二性能信息；

基于所述第一性能信息和各维度对应的所述第二性能信息，得到每个维度的对象信息对所述多任务网络的影响力信息。

根据本公开实施例的第二方面，提供一种资源推荐装置，包括：

第一获取单元，被配置为执行获取目标对象的对象属性信息，所述目标对象的资源行为信息，以及多任务资源推荐网络；所述多任务资源推荐网络包括对象特征构建网络、资源特征构建网络，以及特征匹配网络；

第一构建单元，被配置为执行将所述对象属性信息以及所述资源行为信息，输入到所述对象特征构建网络进行对象特征构建，得到与多任务分别对应的对象构建特征；所述对象构建特征用于表征所述对象属性信息与所述资源行为信息的联合信息；

第一特征匹配单元，被配置为执行基于所述特征匹配网络将对应相同任务的所述对象构建特征，以及资源构建特征进行特征匹配，得到与所述多任务分别对应的兴趣指标数据；所述资源构建特征基于候选资源的资源信息与所述资源特征构建网络得到；

资源推荐单元，被配置为执行基于所述兴趣指标数据，从所述候选资源中选取目标资源进行推荐。

在一示例性实施例中，所述对象特征构建网络包括第一对象特征提取层；

所述第一构建单元包括：

第一特征提取单元，被配置为执行基于所述第一对象特征提取层对所述对象属性信息以及所述资源行为信息进行对象特征提取，得到第一对象特征；所述第一对象特征用于表征所述对象属性信息与所述资源行为信息的关联信息；

第二构建单元，被配置为执行基于所述第一对象特征，得到与所述多任务分别对应的对象构建特征。

在一示例性实施例中，所述对象特征构建网络还包括第二对象特征提取层；所述资源行为信息包括所述目标对象的历史操作资源的资源信息，以及所述目标对象对所述历史操作资源的操作信息；

所述装置还包括：

第二特征提取单元，被配置为执行基于所述第二对象特征提取层对所述历史操作资源的资源信息以及所述历史操作资源的操作信息，进行行为特征提取，得到第二对象特征；所述第二对象特征用于表征所述历史操作资源与对所述历史操作资源的操作信息的关联信息；

所述第二构建单元包括：

第三构建单元，被配置为执行基于所述第一对象特征，以及所述第二对象特征，得到与所述多任务分别对应的对象构建特征。

在一示例性实施例中，所述装置还包括：

第二获取单元，被配置为执行获取多个样本信息组以及多任务网络；所述样本信息组中包括样本对象的对象属性信息，所述样本对象的资源行为信息，样本资源的资源信息，以及所述样本对象对所述样本资源的多任务行为标签信息；所述多任务网络包括对象特征构建网络、资源特征构建网络，以及特征匹配网络；

第四构建单元，被配置为执行将所述样本对象的对象属性信息以及所述样本对象的资源行为信息输入到所述对象特征构建网络进行对象特征构建，得到与所述多任务分别对应的样本对象构建特征；

第五构建单元，被配置为执行将所述样本资源的资源信息输入到所述资源特征构建网络，得到与所述多任务分别对应的样本资源构建特征；

第二特征匹配单元，被配置为执行基于所述特征匹配网络将对应相同任务的样本对象构建特征与样本资源构建特征进行特征匹配，得到与所述多任务分别对应的兴趣匹配数据；

第一训练单元，被配置为执行基于所述多任务行为标签信息，以及所述兴趣匹配数据对所述多任务网络进行训练，得到所述资源推荐网络。

在一示例性实施例中，所述多个样本信息组为多个批次的样本信息组；

所述第一训练单元包括：

第一损失信息确定单元，被配置为执行在采用每个批次中的样本信息组对所述多任务网络进行训练时，确定与当前批次中的各样本信息组对应的第一损失信息；所述第一损失信息基于各样本信息组对应的所述多任务行为标签信息，以及各样本信息组对应的所述与多任务分别对应的兴趣指标数据进行确定；

第二损失信息确定单元，被配置为执行基于所述当前批次中各样本信息组对应的第一损失信息，确定与所述当前批次对应的第二损失信息；

第一反向传播单元，被配置为执行基于与各批次对应的所述第二损失信息对所述多任务网络进行反向传播训练，得到所述资源推荐网络。

在一示例性实施例中，所述对象属性信息包括多个维度的对象信息；

所述装置还包括：

影响力信息确定单元，被配置为执行在基于当前批次的样本信息组对所述多任务网络进行训练时，确定每个维度的对象信息对所述多任务网络的影响力信息；所述影响力信息用于表征每个维度的对象信息对所述多任务网络性能的影响程度；

目标维度确定单元，被配置为执行基于所述影响力信息，从所述多个维度中确定出目标维度；

第二训练单元，被配置为执行基于下一批次的样本信息组中所述目标维度的对象信息对所述多任务网络进行训练。

在一示例性实施例中，所述影响力信息确定单元包括：

隐蔽处理单元，被配置为执行对当前批次各样本信息组中对象属性信息的每个维度分别进行隐蔽处理，得到与每个维度对应的已处理对象信息；

多任务兴趣匹配数据确定单元，被配置为执行将每个维度对应的已处理对象信息，以及所述样本资源的资源信息输入到所述多任务网络中，得到每个维度的多任务兴趣匹配数据；

第三训练单元，被配置为执行基于与各维度的多任务兴趣匹配数据，以及所述多任务行为标签信息，对所述多任务网络进行训练，得到与各维度对应的待比较网络；

第二反向传播单元，被配置为执行基于所述当前批次对应的第二损失信息对所述多任务网络进行反向传播训练，得到与当前批次对应的已训练网络；

性能信息确定单元，被配置为执行确定所述已训练网络的第一性能信息，以及与各维度对应的待比较网络的第二性能信息；

影响力信息生成单元，被配置为执行基于所述第一性能信息和各维度对应的所述第二性能信息，得到每个维度的对象信息对所述多任务网络的影响力信息。

根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如上所述的资源推荐方法。

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，当所述计算机可读存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如上所述的资源推荐方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，计算机设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序，使得设备执行上述资源推荐方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

本公开通过将目标对象的对象属性信息以及资源行为信息输入到多任务资源推荐网络的对象特征构建网络，得到与多任务分别对应的对象构建特征；对象构建特征能够用于表征对象属性信息与资源行为信息的联合信息；基于多任务资源推荐网络的特征匹配网络将对应相同任务的对象构建特征以及资源构建特征进行特征匹配，得到与多任务分别对应的兴趣指标数据；基于兴趣指标数据，从候选资源中选取目标资源进行推荐。本公开中多任务资源推荐网络将对应不同学习任务的资源推荐网络进行了融合，提高了多任务资源推荐网络的泛化能力和鲁棒性，进一步地，在使用多任务资源推荐网络进行资源推荐时，能够提高资源推荐的准确性。

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流程图。

图3是根据一示例性实施例示出的一种对象构建特征生成方法流程图。

图4是根据一示例性实施例示出的多任务资源推荐网络的训练方法流程图。

图5是根据一示例性实施例示出的一种基于反向传播生成资源推荐网络的方法流程图。

图6是根据一示例性实施例示出的一种基于对象信息的影响力信息进行网络训练的方法流程图。

图7是根据一示例性实施例示出的一种每个维度对象信息的影响力信息确定方法流程图。

图8是根据一示例性实施例示出的多任务资源推荐网络的结构示意图。

图9是根据一示例性实施例示出的一种资源推荐装置框图。

图10是根据一示例性实施例示出的一种电子设备结构示意图。

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。

需要说明的是，本公开所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于展示的数据、分析的数据等），均为经用户授权或者经过各方充分授权的信息和数据。

请参阅图1，其示出了本公开实施例提供的实施环境示意图，该实施环境可包括：至少一个第一终端110和第二终端120，所述第一终端110和所述第二终端120可通过网络进行数据通信。

具体地，以短视频场景为例，第一终端可进行短视频的播放，第二终端120可获取第一终端110对应的第一终端对象的对象特征信息，选取与第一终端对象的对象特征信息相适配的目标短视频，然后向第一终端110进行投放；第一终端110接收到投放信息并进行展示。

第一终端110可以基于浏览器/服务器模式（Browser/Server，B/S）或客户端/服务器模式（Client/Server，C/S）与第二终端120进行通信。第一终端110可以包括：智能手机、平板电脑、笔记本电脑、数字助理、智能可穿戴设备、车载终端、服务器等类型的实体设备，也可以包括运行于实体设备中的软体，例如应用程序等。本公开实施例中的第一终端110上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。

第二终端120与第一终端110可以通过有线或者无线建立通信连接，所述第二终端120可以包括一个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群，其中服务器可以是云端服务器。

为了解决相关技术中资源推荐准确性不高的问题，本公开实施例提供了一种资源推荐方法，其执行主体可以为上述的第二终端，具体请参阅图2，该方法可包括：

S210. 获取目标对象的对象属性信息，所述目标对象的资源行为信息，以及多任务资源推荐网络；所述多任务资源推荐网络包括对象特征构建网络、资源特征构建网络，以及特征匹配网络。

目标对象的对象属性信息可以包括年龄、性别、职业、爱好、所在地域等信息；目标对象的资源行为信息可以包括目标对象的历史曝光资源的资源信息、历史观看资源的资源信息、历史资源搜索记录等信息；目标对象的对象属性信息以及资源行为信息能够用于对目标对象的画像进行刻画。

目标对象的资源行为信息可以包括目标对象对与其相关的资源的资源信息的行为序列信息，目标对象的资源行为信息能够反映出目标对象的兴趣信息。

多任务资源推荐网络可以为在资源推荐场景中根据目标对象的特征信息进行资源推荐的网络，其中对象特征构建网络与资源特征构建网络相互独立，互不影响；对象特征构建网络用于根据对象的对象属性信息和资源行为信息构建对象特征，资源特征构建网络用于根据资源的资源信息构建资源特征，其中资源的资源信息可以包括资源的标识信息、资源的类别信息、资源的来源信息等。

在一个可选实施例中，由于对象特征构建网络、资源特征构建网络可以单独使用，从而在进行资源推荐之前，可基于多任务资源推荐网络中的资源特征构建网络对各候选资源的资源信息进行特征构建，得到多各项候选资源对应的资源构建特征，并进行存储。当基于对象特征构建网络对目标对象进行特征构建得到对象构建特征时，将对象构建特征与已存储的各项候选资源对应的资源构建特征进行匹配，从而确定目标资源。通过预先对各项候选资源的特征进行构建并存储，当需要对一个目标对象进行资源推荐时，可直接基于已存储的资源构建特征进行匹配，而不需要对于每个目标对象均进行一次候选资源的特征构建，从而提高了资源推荐效率，节约了系统计算资源。

在一个可选实施例中，多任务可以是指与资源投放结果相关的目标任务，例如多任务可以包括资源下发率的学习、资源真实曝光的学习、资源被播放的学习等，其中资源被下发、资源被真实曝光以及资源被播放均可看成是资源投放结果。

S220. 将所述对象属性信息以及所述资源行为信息，输入到所述对象特征构建网络进行对象特征构建，得到与多任务分别对应的对象构建特征；所述对象构建特征用于表征所述对象属性信息与所述资源行为信息的联合信息。

对象特征构建网络既能够学习到对象的对象属性信息，又能够学习到对象的资源行为信息，从而对象特征构建网络输出的对象构建特征能够实现对对象属性信息以及资源行为信息的联合表达。联合信息可以为对对象属性信息以及资源行为信息的融合特征表达。

由于每个任务的训练目标不同，从而对于相同的对象，对应不同的任务有不同的对象构建特征，即每个任务均对应与训练目标相适配的对象构建特征。

在一个可选实施例中，对象特征构建网络包括第一对象特征提取层；相应地，请参阅图3，其示出了一种对象构建特征生成方法，该方法可包括：

S310. 基于所述第一对象特征提取层对所述对象属性信息以及所述资源行为信息进行对象特征提取，得到第一对象特征；所述第一对象特征用于表征所述对象属性信息与所述资源行为信息的关联信息。

S320. 基于所述第一对象特征，得到与所述多任务分别对应的对象构建特征。

第一对象特征提取层能够用于提取对象属性信息与资源行为信息之间的隐式关系。从而通过将对象属性信息与资源行为信息进行关联信息的提取，能够提升对目标对象特征的表征能力。

在一个具体实施例中，对象特征构建网络还包括第二对象特征提取层；所述资源行为信息包括所述目标对象的历史操作资源的资源信息，以及所述目标对象对所述历史操作资源的操作信息；从而还可包括：

基于所述第二对象特征提取层对所述历史操作资源的资源信息以及所述历史操作资源的操作信息，进行行为特征提取，得到第二对象特征；所述第二对象特征用于表征所述历史操作资源与对所述历史操作资源的操作信息的关联信息。

从而基于所述第一对象特征，得到与多任务分别对应的对象构建特征包括：

基于所述第一对象特征，以及所述第二对象特征，得到与所述多任务分别对应的对象构建特征。

第二对象特征提取层能够提取与对象关联的历史资源的资源信息，以及对历史操作资源的操作信息之间的操作关系，例如对象所观看的历史资源的类别，对象的历史搜索资源的类别等，从而提取资源与操作之间的潜在联系，提高对对象兴趣特征的表征能力。

S230. 基于所述特征匹配网络将对应相同任务的所述对象构建特征，以及资源构建特征进行特征匹配，得到与所述多任务分别对应的兴趣指标数据；所述资源构建特征基于候选资源的资源信息与所述资源特征构建网络得到。

兴趣指标数据能够用于表征目标对象对各项候选资源感兴趣的程度；兴趣指标数据越大，说明目标对象对相应候选资源感兴趣的可能越大，反之，目标对象对相应候选资源感兴趣的可能越小。

资源构建网络可对资源的资源信息进行抽象以及提取，生成与各项资源对应的资源构建特征。

S240. 基于所述兴趣指标数据，从所述候选资源中选取目标资源进行推荐。

兴趣指标数据可以为0-1之间的一个数值，对于目标对象和当前候选资源，对应不同的任务有不同的兴趣指标数据，从而需要基于不同任务对应的兴趣指标数据，确定当前候选资源是否可以被确定为待推荐的资源。对于每个任务可设置相应的兴趣指标阈值，从而将计算得到的兴趣指标数据与兴趣指标阈值进行比较，确定是否将当前候选资源确定为待推荐的资源。

在一个可选实施例中，待推荐的资源还可以通过后续筛选，最终确定出目标资源。例如，在信息投放场景中，推荐算法可以包括召回，粗排，精排，竞价等阶段，本公开中基于兴趣指标数据确定待推荐的资源可以为在召回阶段实现，待推荐资源可通过粗排、精排以及竞价等阶段，确定出目标资源。

本公开通过将目标对象的对象属性信息以及资源行为信息输入到多任务资源推荐网络的对象特征构建网络，得到与多任务分别对应的对象构建特征；对象构建特征能够用于表征对象属性信息与资源行为信息的联合信息；基于多任务资源推荐网络的特征匹配网络将对应相同任务的对象构建特征以及资源构建特征进行特征匹配，得到与多任务分别对应的兴趣指标数据；基于兴趣指标数据，从候选资源中选取目标资源进行推荐。本公开中多任务资源推荐网络将对应不同学习任务的资源推荐网络进行了融合，提高了多任务资源推荐网络的泛化能力和鲁棒性，进一步地，在使用多任务资源推荐网络进行资源推荐时，能够提高资源推荐的准确性。

对于上述多任务资源推荐网络的训练方法，可参阅图4，该方法可包括：

S410. 获取多个样本信息组以及多任务网络；所述样本信息组中包括样本对象的对象属性信息，所述样本对象的资源行为信息，样本资源的资源信息，以及所述样本对象对所述样本资源的多任务行为标签信息；所述多任务网络包括对象特征构建网络、资源特征构建网络，以及特征匹配网络。

例如，一条样本可以包括{对象A属性信息，对象A资源行为信息，样本资源S的资源信息，多任务行为标签信息为（1，1，0）}，以多任务为资源被下发、资源被真实曝光，以及资源被播放为例，多任务行为标签信息（1，1，0）可以理解为，样本资源S被下发给用户A，并且被曝光给用户A，但没有被用户A播放。

S420. 将所述样本对象的对象属性信息以及所述样本对象的资源行为信息输入到所述对象特征构建网络进行对象特征构建，得到与所述多任务分别对应的样本对象构建特征。

S430. 将所述样本资源的资源信息输入到所述资源特征构建网络，得到与所述多任务分别对应的样本资源构建特征。

S440. 基于所述特征匹配网络将对应相同任务的样本对象构建特征与样本资源构建特征进行特征匹配，得到与所述多任务分别对应的兴趣匹配数据。

S450. 基于所述多任务行为标签信息，以及所述兴趣匹配数据对所述多任务网络进行训练，得到所述资源推荐网络。

对于与上述方法实施细节相似的部分，可参阅本实施例上述内容，在此不再赘述。将对应不同学习任务的推荐网络进行融合，能够实现多个推荐网络的网络参数共享，节省网络部署以及网络训练所消耗的资源，并且各个推荐网络之间能够相互辅助，以提升多任务资源推荐网络的泛化能力和鲁棒性。

在一个可选实施例中，多个样本信息组为多个批次的样本信息组；相应地，请参阅图5，其示出了一种基于反向传播生成资源推荐网络的方法，该方法可包括：

S510. 在采用每个批次中的样本信息组对所述多任务网络进行训练时，确定与当前批次中的各样本信息组对应的第一损失信息；所述第一损失信息基于各样本信息组对应的所述多任务行为标签信息，以及各样本信息组对应的所述与多任务分别对应的兴趣指标数据进行确定。

S520. 基于所述当前批次中各样本信息组对应的第一损失信息，确定与所述当前批次对应的第二损失信息。

S530. 基于与各批次对应的所述第二损失信息对所述多任务网络进行反向传播训练，得到所述资源推荐网络。

在通过对多任务网络进行训练以得到多任务资源推荐网络时，可将样本组划分为多个批次的样本信息组，并通过多个批次的样本信息组对多任务网络进行训练。一方面，由于样本组的数据量可能较大，从而分批次对多任务网络进行训练，能够减少单次载入否认样本数量，从而减小内存处理压力；另一方面，一批训练信息组共同决定了本次梯度的方向，即按批次进行网络参数的更新，降低了梯度下降的随机性。

在一个具体实施例中，对象属性信息包括多个维度的对象信息；相应地，请参阅图6，其示出了一种基于对象信息的影响力信息进行网络训练的方法，该方法可包括：

S610. 在基于当前批次的样本信息组对所述多任务网络进行训练时，确定每个维度的对象信息对所述多任务网络的影响力信息；所述影响力信息用于表征每个维度的对象信息对所述多任务网络性能的影响程度。

S620. 基于所述影响力信息，从所述多个维度中确定出目标维度。

S630. 基于下一批次的样本信息组中所述目标维度的对象信息对所述多任务网络进行训练。

由于对象属性信息可能包含多个不同维度的对象信息，而其中一些维度的对象信息是冗余的，对网络性能的提升贡献较小或者没有贡献，从而可对这些冗余维度的对象信息从训练样本中删除，例如对象属性信息的对象信息维度从M维降为N维（M＞N），从而在基于后续批次的样本信息组对多任务网络进行训练时，可基于N维的对象信息实现。为了在资源和收益中找到一个平衡点，在最大化网络性能的基础上，减少计算资源的消耗，提高网络训练效率。进一步地，在后续基于已训练的多任务资源推荐网络进行资源推荐时，也可只采集目标对象的目标维度的对象信息即可，从而能够提高资源推荐效率，减少资源消耗。

在一个可选实施例中，请参阅图7，其示出了一种每个维度对象信息的影响力信息确定方法，该方法可包括：

S710. 对当前批次各样本信息组中对象属性信息的每个维度分别进行隐蔽处理，得到与每个维度对应的已处理对象信息。

S720. 将每个维度对应的已处理对象信息，以及所述样本资源的资源信息输入到所述多任务网络中，得到每个维度的多任务兴趣匹配数据。

S730. 基于与各维度的多任务兴趣匹配数据，以及所述多任务行为标签信息，对所述多任务网络进行训练，得到与各维度对应的待比较网络。

S740. 基于所述当前批次对应的第二损失信息对所述多任务网络进行反向传播训练，得到与当前批次对应的已训练网络。

S750. 确定所述已训练网络的第一性能信息，以及与各维度对应的待比较网络的第二性能信息。

S760. 基于所述第一性能信息和各维度对应的所述第二性能信息，得到每个维度的对象信息对所述多任务网络的影响力信息。

在当前训练过程中，对每个维度的对象信息进行隐蔽处理，从而能够得到在相应维度的对象信息被隐蔽处理后网络的性能信息，进一步结合已训练网络的性能信息，可得每个维度的对象信息对多任务网络的影响力信息。具体可基于网络的AUC（Area UnderCurve）指标或者计算的损失信息loss来计算影响力信息。

例如，对象属性信息可以为（a1，a2，a3，a4），当基于（a1，a2，a3，a4）对多任务网络进行训练时，得到的已训练网络的AUC指标为x；隐蔽第一维度，用0对第一维度的对象信息进行替换，得到（0，a2，a3，a4），基于（0，a2，a3，a4）对多任务网络进行训练时，得到的已训练网络的AUC为y1，y1一般小于x，第一维度的影响力信息可以为x-y1，x-y1越小，第一维度的特征信息的影响力信息越大，反之，影响力信息越小；对于其他维度，以此类推，在此不再赘述。

请参阅图8，其示出了多任务资源推荐网络的结构示意图，多任务资源推荐网络可包括：对象特征构建网络、资源特征构建网络，以及特征匹配网络，其中对象特征构建网络以及资源特征构建网络均包括输入层和表示层，对象特征构建网络的输入层包括第一对象特征提取层、第二对象特征提取层、对象稀疏特征输入层、对象稠密特征输入层，资源特征构建网络的输入层包括资源稀疏特征输入层和资源稠密特征输入层。

其中，第一对象特征提取层通过属性信息注意力结构Profile attention可以计算对象的属性信息，比如年龄，性别、职业、爱好、所在区域等基础信息，以及对象行为序列的重要程度，来帮助行为序列更好的抽象为对象兴趣。第二对象特征提取层通过行为信息注意力结构Sequence attention来实现，根据对象行为序列和各项资源的相似性关系抽象对象兴趣。Profile attention和sequence attention这两个网络结构从两个不同的角度对对象行为序列进行融合，有效的提取了行为序列中包含的信息；对象稀疏特征输入层以及资源稀疏特征输入层均可采用稀疏特征处理结构SENet结构，通过Squeeze和Excitation操作，对输入的稀疏特征计算权重，使得网络对每个特征更具有辨别能力，提升有效特征的影响，更好的发挥稀疏特征的效果。

表示层通过多专家模式，对下层的输入进行进一步抽象，并且通过不同的Gate来控制最终输出的结果中包含哪个专家的信息更多一些，来达到多任务的训练目的。对于多任务网络中的专家模式，可采用MTL、MMOE、PLE等结构。

在计算损失函数时，将传统网络的交叉熵loss改为circle loss，将pair wise和point wise的loss进行统一，对距离分类边界不同距离的负样本赋予不同的权重，从而提升模型的收敛效果。

本公开中的多任务资源模型训练方法能够充分利用行为数据中不同信号的有效信息，共享网络参数，相互辅助训练提升网络预测效果；将多个推荐网络简化为一个网络，能够减少训练资源，降低维护成本。

图9是根据一示例性实施例示出的一种资源推荐装置框图。参照图9，该装置包括：

第一获取单元910，被配置为执行获取目标对象的对象属性信息，所述目标对象的资源行为信息，以及多任务资源推荐网络；所述多任务资源推荐网络包括对象特征构建网络、资源特征构建网络，以及特征匹配网络；

第一构建单元920，被配置为执行将所述对象属性信息以及所述资源行为信息，输入到所述对象特征构建网络进行对象特征构建，得到与多任务分别对应的对象构建特征；所述对象构建特征用于表征所述对象属性信息与所述资源行为信息的联合信息；

第一特征匹配单元930，被配置为执行基于所述特征匹配网络将对应相同任务的所述对象构建特征，以及资源构建特征进行特征匹配，得到与所述多任务分别对应的兴趣指标数据；所述资源构建特征基于候选资源的资源信息与所述资源特征构建网络得到；

资源推荐单元940，被配置为执行基于所述兴趣指标数据，从所述候选资源中选取目标资源进行推荐。

在一示例性实施例中，所述对象特征构建网络包括第一对象特征提取层；

所述第一构建单元920包括：

第一特征提取单元，被配置为执行基于所述第一对象特征提取层对所述对象属性信息以及所述资源行为信息进行对象特征提取，得到第一对象特征；所述第一对象特征用于表征所述对象属性信息与所述资源行为信息的关联信息；

第二构建单元，被配置为执行基于所述第一对象特征，得到与所述多任务分别对应的对象构建特征。

在一示例性实施例中，所述对象特征构建网络还包括第二对象特征提取层；所述资源行为信息包括所述目标对象的历史操作资源的资源信息，以及所述目标对象对所述历史操作资源的操作信息；

所述装置还包括：

第二特征提取单元，被配置为执行基于所述第二对象特征提取层对所述历史操作资源的资源信息以及所述历史操作资源的操作信息，进行行为特征提取，得到第二对象特征；所述第二对象特征用于表征所述历史操作资源与对所述历史操作资源的操作信息的关联信息；

所述第二构建单元包括：

第三构建单元，被配置为执行基于所述第一对象特征，以及所述第二对象特征，得到与所述多任务分别对应的对象构建特征。

在一示例性实施例中，所述装置还包括：

第二获取单元，被配置为执行获取多个样本信息组以及多任务网络；所述样本信息组中包括样本对象的对象属性信息，所述样本对象的资源行为信息，样本资源的资源信息，以及所述样本对象对所述样本资源的多任务行为标签信息；所述多任务网络包括对象特征构建网络、资源特征构建网络，以及特征匹配网络；

第四构建单元，被配置为执行将所述样本对象的对象属性信息以及所述样本对象的资源行为信息输入到所述对象特征构建网络进行对象特征构建，得到与所述多任务分别对应的样本对象构建特征；

第五构建单元，被配置为执行将所述样本资源的资源信息输入到所述资源特征构建网络，得到与所述多任务分别对应的样本资源构建特征；

第二特征匹配单元，被配置为执行基于所述特征匹配网络将对应相同任务的样本对象构建特征与样本资源构建特征进行特征匹配，得到与所述多任务分别对应的兴趣匹配数据；

第一训练单元，被配置为执行基于所述多任务行为标签信息，以及所述兴趣匹配数据对所述多任务网络进行训练，得到所述资源推荐网络。

在一示例性实施例中，所述多个样本信息组为多个批次的样本信息组；

所述第一训练单元包括：

第一损失信息确定单元，被配置为执行在采用每个批次中的样本信息组对所述多任务网络进行训练时，确定与当前批次中的各样本信息组对应的第一损失信息；所述第一损失信息基于各样本信息组对应的所述多任务行为标签信息，以及各样本信息组对应的所述与多任务分别对应的兴趣指标数据进行确定；

第二损失信息确定单元，被配置为执行基于所述当前批次中各样本信息组对应的第一损失信息，确定与所述当前批次对应的第二损失信息；

第一反向传播单元，被配置为执行基于与各批次对应的所述第二损失信息对所述多任务网络进行反向传播训练，得到所述资源推荐网络。

在一示例性实施例中，所述对象属性信息包括多个维度的对象信息；

所述装置还包括：

影响力信息确定单元，被配置为执行在基于当前批次的样本信息组对所述多任务网络进行训练时，确定每个维度的对象信息对所述多任务网络的影响力信息；所述影响力信息用于表征每个维度的对象信息对所述多任务网络性能的影响程度；

目标维度确定单元，被配置为执行基于所述影响力信息，从所述多个维度中确定出目标维度；

第二训练单元，被配置为执行基于下一批次的样本信息组中所述目标维度的对象信息对所述多任务网络进行训练。

在一示例性实施例中，所述影响力信息确定单元包括：

隐蔽处理单元，被配置为执行对当前批次各样本信息组中对象属性信息的每个维度分别进行隐蔽处理，得到与每个维度对应的已处理对象信息；

多任务兴趣匹配数据确定单元，被配置为执行将每个维度对应的已处理对象信息，以及所述样本资源的资源信息输入到所述多任务网络中，得到每个维度的多任务兴趣匹配数据；

第三训练单元，被配置为执行基于与各维度的多任务兴趣匹配数据，以及所述多任务行为标签信息，对所述多任务网络进行训练，得到与各维度对应的待比较网络；

第二反向传播单元，被配置为执行基于所述当前批次对应的第二损失信息对所述多任务网络进行反向传播训练，得到与当前批次对应的已训练网络；

性能信息确定单元，被配置为执行确定所述已训练网络的第一性能信息，以及与各维度对应的待比较网络的第二性能信息；

影响力信息生成单元，被配置为执行基于所述第一性能信息和各维度对应的所述第二性能信息，得到每个维度的对象信息对所述多任务网络的影响力信息。

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。

在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，可选地，计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等；当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上所述的任一方法。

在示例性实施例中，还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，计算机设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序，使得设备执行上述任一方法。

进一步地，图10示出了一种用于实现本公开实施例所提供的方法的设备的硬件结构示意图，所述设备可以参与构成或包含本公开实施例所提供的装置。如图10所示，设备10可以包括一个或多个（图中采用102a、102b，……，102n来示出）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口（I/O接口）、通用串行总线（USB）端口（可以作为I/O接口的端口中的一个端口被包括）、网络接口、电源和/或相机。本领域普通技术人员可以理解，图10所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，设备10还可包括比图10中所示更多或者更少的组件，或者具有与图10所示不同的配置。

应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到设备10（或移动设备）中的其他元件中的任意一个内。如本公开实施例中所涉及到的，该数据处理电路作为一种处理器控制（例如与接口连接的可变电阻终端路径的选择）。

存储器104可用于存储应用软件的软件程序以及模块，如本公开实施例中所述的方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内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，即实现上述的一种播放器预加载方法或一种播放器运行方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括设备10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器（LCD），该液晶显示器可使得用户能够与设备10（或移动设备）的用户界面进行交互。

本实施例上述的任一方法均可基于图10所示的设备进行实施。

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。本申请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 (17)

1.一种资源推荐方法，其特征在于，包括：

获取目标对象的对象属性信息，所述目标对象的资源行为信息，以及多任务资源推荐网络；所述多任务资源推荐网络包括对象特征构建网络、资源特征构建网络，以及特征匹配网络；

将所述对象属性信息以及所述资源行为信息，输入到所述对象特征构建网络进行对象特征构建，得到与多任务分别对应的对象构建特征；所述对象构建特征用于表征所述对象属性信息与所述资源行为信息的联合信息；

基于所述特征匹配网络将对应相同任务的所述对象构建特征，以及资源构建特征进行特征匹配，得到与所述多任务分别对应的兴趣指标数据；所述资源构建特征基于候选资源的资源信息与所述资源特征构建网络得到；

基于所述兴趣指标数据，从所述候选资源中选取目标资源进行推荐。

2.根据权利要求1所述的方法，其特征在于，所述对象特征构建网络包括第一对象特征提取层；

所述将所述对象属性信息以及所述资源行为信息，输入到所述对象特征构建网络进行对象特征构建，得到与多任务分别对应的对象构建特征包括：

基于所述第一对象特征提取层对所述对象属性信息以及所述资源行为信息进行对象特征提取，得到第一对象特征；所述第一对象特征用于表征所述对象属性信息与所述资源行为信息的关联信息；

基于所述第一对象特征，得到与所述多任务分别对应的对象构建特征。

3.根据权利要求2所述的方法，其特征在于，所述对象特征构建网络还包括第二对象特征提取层；所述资源行为信息包括所述目标对象的历史操作资源的资源信息，以及所述目标对象对所述历史操作资源的操作信息；

所述方法还包括：

基于所述第二对象特征提取层对所述历史操作资源的资源信息以及所述历史操作资源的操作信息，进行行为特征提取，得到第二对象特征；所述第二对象特征用于表征所述历史操作资源与对所述历史操作资源的操作信息的关联信息；

所述基于所述第一对象特征，得到与多任务分别对应的对象构建特征包括：

基于所述第一对象特征，以及所述第二对象特征，得到与所述多任务分别对应的对象构建特征。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取多个样本信息组以及多任务网络；所述样本信息组中包括样本对象的对象属性信息，所述样本对象的资源行为信息，样本资源的资源信息，以及所述样本对象对所述样本资源的多任务行为标签信息；所述多任务网络包括对象特征构建网络、资源特征构建网络，以及特征匹配网络；

将所述样本对象的对象属性信息以及所述样本对象的资源行为信息输入到所述对象特征构建网络进行对象特征构建，得到与所述多任务分别对应的样本对象构建特征；

将所述样本资源的资源信息输入到所述资源特征构建网络，得到与所述多任务分别对应的样本资源构建特征；

基于所述特征匹配网络将对应相同任务的样本对象构建特征与样本资源构建特征进行特征匹配，得到与所述多任务分别对应的兴趣匹配数据；

基于所述多任务行为标签信息，以及所述兴趣匹配数据对所述多任务网络进行训练，得到所述资源推荐网络。

5.根据权利要求4所述的方法，其特征在于，所述多个样本信息组为多个批次的样本信息组；

所述基于所述多任务行为标签信息，以及所述兴趣匹配数据对所述多任务网络进行训练，得到所述资源推荐网络包括：

在采用每个批次中的样本信息组对所述多任务网络进行训练时，确定与当前批次中的各样本信息组对应的第一损失信息；所述第一损失信息基于各样本信息组对应的所述多任务行为标签信息，以及各样本信息组对应的所述与多任务分别对应的兴趣指标数据进行确定；

基于所述当前批次中各样本信息组对应的第一损失信息，确定与所述当前批次对应的第二损失信息；

基于与各批次对应的所述第二损失信息对所述多任务网络进行反向传播训练，得到所述资源推荐网络。

6.根据权利要求5所述的方法，其特征在于，所述对象属性信息包括多个维度的对象信息；

所述方法还包括：

在基于当前批次的样本信息组对所述多任务网络进行训练时，确定每个维度的对象信息对所述多任务网络的影响力信息；所述影响力信息用于表征每个维度的对象信息对所述多任务网络性能的影响程度；

基于所述影响力信息，从所述多个维度中确定出目标维度；

基于下一批次的样本信息组中所述目标维度的对象信息对所述多任务网络进行训练。

7.根据权利要求6所述的方法，其特征在于，所述确定每个维度的对象信息对所述多任务网络的影响力信息包括：

对当前批次各样本信息组中对象属性信息的每个维度分别进行隐蔽处理，得到与每个维度对应的已处理对象信息；

将每个维度对应的已处理对象信息，以及所述样本资源的资源信息输入到所述多任务网络中，得到每个维度的多任务兴趣匹配数据；

基于与各维度的多任务兴趣匹配数据，以及所述多任务行为标签信息，对所述多任务网络进行训练，得到与各维度对应的待比较网络；

基于所述当前批次对应的第二损失信息对所述多任务网络进行反向传播训练，得到与当前批次对应的已训练网络；

确定所述已训练网络的第一性能信息，以及与各维度对应的待比较网络的第二性能信息；

基于所述第一性能信息和各维度对应的所述第二性能信息，得到每个维度的对象信息对所述多任务网络的影响力信息。

8.一种资源推荐装置，其特征在于，包括：

第一获取单元，被配置为执行获取目标对象的对象属性信息，所述目标对象的资源行为信息，以及多任务资源推荐网络；所述多任务资源推荐网络包括对象特征构建网络、资源特征构建网络，以及特征匹配网络；

第一构建单元，被配置为执行将所述对象属性信息以及所述资源行为信息，输入到所述对象特征构建网络进行对象特征构建，得到与多任务分别对应的对象构建特征；所述对象构建特征用于表征所述对象属性信息与所述资源行为信息的联合信息；

第一特征匹配单元，被配置为执行基于所述特征匹配网络将对应相同任务的所述对象构建特征，以及资源构建特征进行特征匹配，得到与所述多任务分别对应的兴趣指标数据；所述资源构建特征基于候选资源的资源信息与所述资源特征构建网络得到；

资源推荐单元，被配置为执行基于所述兴趣指标数据，从所述候选资源中选取目标资源进行推荐。

9.根据权利要求8所述的装置，其特征在于，所述对象特征构建网络包括第一对象特征提取层；

所述第一构建单元包括：

第一特征提取单元，被配置为执行基于所述第一对象特征提取层对所述对象属性信息以及所述资源行为信息进行对象特征提取，得到第一对象特征；所述第一对象特征用于表征所述对象属性信息与所述资源行为信息的关联信息；

第二构建单元，被配置为执行基于所述第一对象特征，得到与所述多任务分别对应的对象构建特征。

10.根据权利要求9所述的装置，其特征在于，所述对象特征构建网络还包括第二对象特征提取层；所述资源行为信息包括所述目标对象的历史操作资源的资源信息，以及所述目标对象对所述历史操作资源的操作信息；

所述装置还包括：

第二特征提取单元，被配置为执行基于所述第二对象特征提取层对所述历史操作资源的资源信息以及所述历史操作资源的操作信息，进行行为特征提取，得到第二对象特征；所述第二对象特征用于表征所述历史操作资源与对所述历史操作资源的操作信息的关联信息；

所述第二构建单元包括：

第三构建单元，被配置为执行基于所述第一对象特征，以及所述第二对象特征，得到与所述多任务分别对应的对象构建特征。

11.根据权利要求8所述的装置，其特征在于，所述装置还包括：

第二获取单元，被配置为执行获取多个样本信息组以及多任务网络；所述样本信息组中包括样本对象的对象属性信息，所述样本对象的资源行为信息，样本资源的资源信息，以及所述样本对象对所述样本资源的多任务行为标签信息；所述多任务网络包括对象特征构建网络、资源特征构建网络，以及特征匹配网络；

第四构建单元，被配置为执行将所述样本对象的对象属性信息以及所述样本对象的资源行为信息输入到所述对象特征构建网络进行对象特征构建，得到与所述多任务分别对应的样本对象构建特征；

第五构建单元，被配置为执行将所述样本资源的资源信息输入到所述资源特征构建网络，得到与所述多任务分别对应的样本资源构建特征；

第二特征匹配单元，被配置为执行基于所述特征匹配网络将对应相同任务的样本对象构建特征与样本资源构建特征进行特征匹配，得到与所述多任务分别对应的兴趣匹配数据；

第一训练单元，被配置为执行基于所述多任务行为标签信息，以及所述兴趣匹配数据对所述多任务网络进行训练，得到所述资源推荐网络。

12.根据权利要求11所述的装置，其特征在于，所述多个样本信息组为多个批次的样本信息组；

所述第一训练单元包括：

第一损失信息确定单元，被配置为执行在采用每个批次中的样本信息组对所述多任务网络进行训练时，确定与当前批次中的各样本信息组对应的第一损失信息；所述第一损失信息基于各样本信息组对应的所述多任务行为标签信息，以及各样本信息组对应的所述与多任务分别对应的兴趣指标数据进行确定；

第二损失信息确定单元，被配置为执行基于所述当前批次中各样本信息组对应的第一损失信息，确定与所述当前批次对应的第二损失信息；

第一反向传播单元，被配置为执行基于与各批次对应的所述第二损失信息对所述多任务网络进行反向传播训练，得到所述资源推荐网络。

13.根据权利要求12所述的装置，其特征在于，所述对象属性信息包括多个维度的对象信息；

所述装置还包括：

影响力信息确定单元，被配置为执行在基于当前批次的样本信息组对所述多任务网络进行训练时，确定每个维度的对象信息对所述多任务网络的影响力信息；所述影响力信息用于表征每个维度的对象信息对所述多任务网络性能的影响程度；

目标维度确定单元，被配置为执行基于所述影响力信息，从所述多个维度中确定出目标维度；

第二训练单元，被配置为执行基于下一批次的样本信息组中所述目标维度的对象信息对所述多任务网络进行训练。

14.根据权利要求13所述的装置，其特征在于，所述影响力信息确定单元包括：

隐蔽处理单元，被配置为执行对当前批次各样本信息组中对象属性信息的每个维度分别进行隐蔽处理，得到与每个维度对应的已处理对象信息；

多任务兴趣匹配数据确定单元，被配置为执行将每个维度对应的已处理对象信息，以及所述样本资源的资源信息输入到所述多任务网络中，得到每个维度的多任务兴趣匹配数据；

第三训练单元，被配置为执行基于与各维度的多任务兴趣匹配数据，以及所述多任务行为标签信息，对所述多任务网络进行训练，得到与各维度对应的待比较网络；

第二反向传播单元，被配置为执行基于所述当前批次对应的第二损失信息对所述多任务网络进行反向传播训练，得到与当前批次对应的已训练网络；

性能信息确定单元，被配置为执行确定所述已训练网络的第一性能信息，以及与各维度对应的待比较网络的第二性能信息；

影响力信息生成单元，被配置为执行基于所述第一性能信息和各维度对应的所述第二性能信息，得到每个维度的对象信息对所述多任务网络的影响力信息。

15.一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，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指令由电子设备的处理器执行时，使得电子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。

17.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1至7任一项所述的资源推荐方法。

Images