CN113792212B - 多媒体资源推荐方法、装置、设备以及存储介质 - Google Patents

Abstract

本公开提供了一种多媒体资源推荐方法、装置、设备以及存储介质，涉及产品推荐领域，尤其涉及多媒体资源推荐领域。具体实现方案为：获取第一用户的第一用户特征信息，其中，上述第一用户为目标应用程序的待推荐用户，上述第一用户特征信息包括以下至少之一：用户画像特征信息、用户设备特征信息、用户操作特征信息；基于上述第一用户特征信息确定上述第一用户所属的目标人群；获取上述目标应用程序中与上述目标人群关联的至少一种多媒体资源，并获取上述关联的至少一种多媒体资源的资源类型；基于上述资源类型向上述第一用户推荐目标多媒体资源。本公开解决了现有技术中多媒体资源推荐方法存在对用户覆盖有限、精度不足的技术问题。

Description

多媒体资源推荐方法、装置、设备以及存储介质

技术领域

本公开涉及产品推荐技术领域，尤其涉及多媒体资源推荐领域。

背景技术

目前，在多媒体资源推荐领域，主要是通过全局高热推荐和基于用户地域的高热进行推荐的；全局高热推荐的推荐方法，选取了推荐系统中点击用户最多的资源，给新用户进行推荐；基于用户地域的高热推荐方法，选取了用户所在地区用户感兴趣的资源，给该地区新用户推荐。

但是，现有技术中采用的全局高热推荐和基于用户地域的高热推荐方法对用户划分不够细致，在用户基数不足的情况下也难以找到适配的资源。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本公开提供了一种用于多媒体资源推荐的方法、装置、设备以及存储介质。

根据本公开的一方面，提供了一种多媒体资源推荐方法，包括：获取第一用户的第一用户特征信息，其中，上述第一用户为目标应用程序的待推荐用户，上述第一用户特征信息包括以下至少之一：用户画像特征信息、用户设备特征信息、用户操作特征信息；基于上述第一用户特征信息确定上述第一用户所属的目标人群；获取上述目标应用程序中与上述目标人群关联的至少一种多媒体资源，并获取上述关联的至少一种多媒体资源的资源类型；基于上述资源类型向上述第一用户推荐目标多媒体资源。

可选的，上述用户画像特征信息用于表征上述第一用户所属人群的人群属性特征信息；上述用户操作特征信息用于表征上述第一用户对上述广告资源执行操作时产生的特征信息，上述用户设备特征信息用于表征上述第一用户操作当前设备时产生的操作特征信息。

可选的，在基于上述第一用户特征信息确定上述第一用户所属的目标人群之前，上述方法还包括：获取第二用户的第二用户特征信息，其中，上述第二用户为在预定时间段内上述目标应用程序的所有用户；获取上述第二用户对上述目标应用程序中多媒体资源的操作信息，其中，上述操作信息用于表征上述第二用户对上述多媒体资源的感兴趣程度；基于上述操作信息和上述第二用户特征信息，将上述第二用户进行分类，获取至少一类上述目标人群，其中，每个上述目标人群关联的一个或多个兴趣资源。

可选的，基于上述第一用户特征信息确定上述第一用户所属的目标人群，包括：匹配上述第一用户特征信息和上述第二用户特征信息，得到匹配结果；基于上述匹配结果，从至少一类上述目标人群中确定上述第一用户所属的上述目标人群。

可选的，在获取上述关联的至少一种多媒体资源的资源类型之前，上述方法还包括：将上述操作信息和上述第二用户特征信息作为训练样本，训练得到深度语义匹配网络模型，其中，上述深度语义匹配网络模型包括：网络侧模型和用户侧模型。

可选的，获取上述关联的至少一种多媒体资源的资源类型，包括：依据上述网络侧模型和用户侧模型对上述目标应用程序中的全量多媒体资源进行特征抽取处理，得到网络侧特征；将上述网络侧特征输入至上述网络侧模型，以及将在线抽取到的上述目标人群的用户侧特征输入至上述用户侧模型，其中，上述网络侧模型用于采用预训练的深度神经网络参数和上述网络侧特征得到网络侧向量，上述用户侧模型用于采用预训练的深度神经网络参数和上述用户侧特征得到用户侧向量；采用上述用户侧向量对上述网络侧向量进行检索，得到检索结果；基于上述检索结果，确定与上述目标人群关联的至少一种多媒体资源的资源类型。

可选的，采用上述用户侧向量对上述网络侧向量进行检索，得到检索结果，包括：对上述网络侧向量进行聚类处理，得到聚类后网络侧向量；检索上述聚类后网络侧向量和上述用户侧向量之间存在的预定数量的相似内容；将上述相似内容作为上述检索结果。

可选的，对上述网络侧向量进行聚类处理，得到聚类后网络侧向量，包括：将上述网络侧向量中的相似向量划分到同一个超平面内；采用多次递归处理的方式对上述超平面进行划分处理，构建得到数据结构，其中，任意两个上述相似向量在上述数据结构的相邻位置小于上述网络侧向量中的其他向量的相邻位置；依据上述数据结构对上述网络侧向量进行聚类处理，得到上述聚类后网络侧向量。

可选的，检索上述聚类后网络侧向量和上述用户侧向量之间存在的预定数量的相似内容，包括：将上述聚类后网络侧向量和上述用户侧向量输入至上述数据结构，其中，上述数据结构为二叉树数据结构；从上述二叉树数据结构的根节点开始，逐个计算上述用户侧向量和上述聚类后网络侧向量之间余弦距离；对上述二叉树数据结构中的每个中间节点的相似度计算，得到相似度计算结果，其中，上述中间节点为上述二叉树数据结构中除上述根节点和叶子节点之外的节点；基于上述相似度计算结果确定下一遍历路径，直至遍历得到上述叶子节点，并返回上述叶子节点中与上述用户侧向量的相似度符合预定相似度值的目标叶子节点。

根据本公开的另一方面，提供了一种多媒体资源推荐装置，包括：第一获取模块，用于获取第一用户的第一用户特征信息，其中，上述第一用户为目标应用程序的待推荐用户，上述第一用户特征信息包括以下至少之一：用户画像特征信息、用户设备特征信息、用户操作特征信息；确定模块，用于基于上述第一用户特征信息确定上述第一用户所属的目标人群；第二获取模块，用于获取上述目标应用程序中与上述目标人群关联的至少一种多媒体资源，并获取上述关联的至少一种多媒体资源的资源类型；推荐模块，用于基于上述资源类型向上述第一用户推荐目标多媒体资源。

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；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行任一项上述的多媒体资源推荐方法。

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，上述计算机指令用于使上述计算机执行任一项上述的多媒体资源推荐方法。

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，上述计算机程序在被处理器执行时实现任一项上述的多媒体资源推荐方法。

在本公开实施例中，通过获取第一用户的第一用户特征信息，其中，上述第一用户为目标应用程序的待推荐用户，上述第一用户特征信息包括以下至少之一：用户画像特征信息、用户设备特征信息、用户操作特征信息；基于上述第一用户特征信息确定上述第一用户所属的目标人群；获取上述目标应用程序中与上述目标人群关联的至少一种多媒体资源，并获取上述关联的至少一种多媒体资源的资源类型；基于上述资源类型向上述第一用户推荐目标多媒体资源，达到了在新用户无任何兴趣表达的情况下进行个性化推荐的目的，从而实现了提升冷启动推荐效果，使得新用户转化为活跃用户的技术效果，进而解决了现有技术中多媒体资源推荐方法存在对用户覆盖有限、精度不足的技术问题。

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是根据本公开第一实施例的多媒体资源推荐方法的步骤流程示意图；

图2是根据本公开第一实施例的网络结构示意图；

图3是根据本公开第一实施例的检索流程示意图；

图4是根据本公开第三实施例的多媒体资源推荐装置的结构示意图；

图5示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。

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。

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。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本公开实施例，提供了一种多媒体资源推荐方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本公开第一实施例的多媒体资源推荐方法的步骤流程示意图，如图1所示，该方法包括如下步骤：

步骤S102，获取第一用户的第一用户特征信息，其中，上述第一用户为目标应用程序的待推荐用户，上述第一用户特征信息包括以下至少之一：用户画像特征信息、用户设备特征信息、用户操作特征信息；

步骤S104，基于上述第一用户特征信息确定上述第一用户所属的目标人群；

步骤S106，获取上述目标应用程序中与上述目标人群关联的至少一种多媒体资源，并获取上述关联的至少一种多媒体资源的资源类型；

步骤S108，基于上述资源类型向上述第一用户推荐目标多媒体资源。

需要说明的是，上述第一用户为目标应用程序的待推荐用户，上述待推荐用户不限定用户的具体类型，可以是初始注册的新用户，也可以是注册一段时间但使用时长较少的老用户，还可以是长时间使用上述目标应用程序的活跃用户。

可选的，上述第一用户特征信息包括以下至少之一：用户画像特征信息、用户设备特征信息、用户操作特征信息；上述用户画像特征信息、用户设备特征信息、用户操作特征信息等，需要说明的是，在本公开实施例中，均在用户知情且同意的情况下获取上述信息，均符合相关法律法规的规定，且不违背公序良俗。

可选的，本公开实施例所提供的多媒体资源推荐方法，在获取第一用户的第一用户特征信息后，基于上述第一用户特征信息确定上述第一用户所属的目标人群；获取上述目标应用程序中与上述目标人群关联的至少一种多媒体资源，并获取上述关联的至少一种多媒体资源的资源类型；基于上述资源类型向上述第一用户推荐目标多媒体资源。

需要说明的是，上述第一用户所属的目标人群可以根据实际情况进行分类，可以根据上述第一用户的职业、身份、年龄段等信息确定所属的目标人群；并根据该类目标人群关联至少一种相关多媒体资源；根据关联的相关多媒体资源向用户推荐类似的目标多媒体资源。

在一种可选的实施例中，上述方法还包括：上述用户画像特征信息用于表征上述第一用户所属人群的人群属性特征信息；上述用户操作特征信息用于表征上述第一用户对上述广告资源执行操作时产生的特征信息，上述用户设备特征信息用于表征上述第一用户操作当前设备时产生的操作特征信息。

可选的，上述第一用户所属人群的人群属性特征信息包括以下至少之一：性别、年龄、人生阶段、地域等，可以根据人群属性特征信息判断上述第一用户处于未婚、已婚、家有小孩等不同的阶段；上述第一用户对上述广告资源执行操作时产生的特征信息，可以通过获取用户点击广告的信息，以及在广告界面停留的时长，判断上述第一用户对该信息的感兴趣程度。例如：用户点击广告后立即退出，判断为误触，即不感兴趣；用户点击广告后翻看较短时长，判断为对该类信息感兴趣，但对此条信息不感兴趣；用户点击广告后翻看较长时长，判断为对此条信息感兴趣。上述用户设备特征信息表征上述第一用户操作当前设备时产生的操作特征信息，并且不同的设备信息一定程度上表达了不同的人群，可以作为基础特征进行用户分类，例如：使用A类设备的用户可能对A类品牌的其他设备或产品感兴趣。

在一种可选的实施例中，在基于上述第一用户特征信息确定上述第一用户所属的目标人群之前，上述方法还包括：

步骤S302，获取第二用户的第二用户特征信息，其中，上述第二用户为在预定时间段内上述目标应用程序的所有用户；

步骤S304，获取上述第二用户对上述目标应用程序中多媒体资源的操作信息，其中，上述操作信息用于表征上述第二用户对上述多媒体资源的感兴趣程度；

步骤S306，基于上述操作信息和上述第二用户特征信息，将上述第二用户进行分类，获取至少一类上述目标人群，其中，每个上述目标人群关联的一个或多个兴趣资源。

可选的，上述第二用户为在预定时间段内上述目标应用程序的所有用户，根据上述第二用户对上述目标应用程序中多媒体资源的操作信息以及上述第二用户的特征信息，将上述第二用户进行分类，获取至少一类上述目标人群以及上述目标人群关联的一个或多个兴趣资源。

需要说明的是，上述第二用户为在预定时间段内上述目标应用程序的所有用户，例如：某用户在周末使用频率最高，可判断为中学生，则获取其他周末使用频率高的用户；某用户在周一至周五使用频率根据时间段变化，可判断为大学生，则获取其他在周一至周五使用频率根据时间段变化的用户；上述使用时间与某用户相近的其他用户即上述第二用户，上述预定时间段可根据用户使用时间段变化。

在一种可选的实施例中，基于上述第一用户特征信息确定上述第一用户所属的目标人群，包括：

步骤S402，匹配上述第一用户特征信息和上述第二用户特征信息，得到匹配结果；

步骤S404，基于上述匹配结果，从至少一类上述目标人群中确定上述第一用户所属的上述目标人群。

在本申请实施例中，可以在同一上述预定时间段内第一用户和第二用户中进行匹配，匹配上述第一用户特征信息和上述第二用户特征信息，并基于匹配结果从至少一类上述目标人群中确定上述第一用户所属的上述目标人群。在确定上述第一用户所属的上述目标人群后，可以根据上述目标人群感兴趣的资源信息对上述第一用户进行推荐。

在一种可选的实施例中，在获取上述关联的至少一种多媒体资源的资源类型之前，上述方法还包括：

步骤S502，将上述操作信息和上述第二用户特征信息作为训练样本，训练得到深度语义匹配网络模型，其中，上述深度语义匹配网络模型包括：网络侧模型和用户侧模型。

在本公开实施例中，上述深度语义匹配网络模型用于寻找最优解，使得预估值与真实值的差距达到最小，即使得预估得到的上述第一用户感兴趣的资源信息与上述第一用户真实感兴趣的资源信息差距最小。

在一种可选的实施例中，获取上述关联的至少一种多媒体资源的资源类型，包括：

步骤S602，依据上述网络侧模型和用户侧模型对上述目标应用程序中的全量多媒体资源进行特征抽取处理，得到网络侧特征；

步骤S604，将上述网络侧特征输入至上述网络侧模型，以及将在线抽取到的上述目标人群的用户侧特征输入至上述用户侧模型，其中，上述网络侧模型用于采用预训练的深度神经网络参数和上述网络侧特征得到网络侧向量，上述用户侧模型用于采用预训练的深度神经网络参数和上述用户侧特征得到用户侧向量；

步骤S606，采用上述用户侧向量对上述网络侧向量进行检索，得到检索结果；

步骤S608，基于上述检索结果，确定与上述目标人群关联的至少一种多媒体资源的资源类型。

可选的，如图2所示的网络结构示意图，上述用户侧特征包括用户画像特征信息、用户设备特征信息、用户操作特征信息以及人群属性特征信息；上述网络侧特征包括资源信息特征、视频隐式特征，上述资源信息特征用于表达用户资源的id信息，抽取为id特征，上述视频隐式特征可以是视频的截帧的编码信息。

在一种可选的实施例中，采用上述用户侧向量对上述网络侧向量进行检索，得到检索结果，包括：

步骤S702，对上述网络侧向量进行聚类处理，得到聚类后网络侧向量；

步骤S704，检索上述聚类后网络侧向量和上述用户侧向量之间存在的预定数量的相似内容；

步骤S706，将上述相似内容作为上述检索结果。

可选的，如图3所示的检索流程，在线对用户特征实时抽取，实时计算包括基础画像特征、点击广告特征、手机设备特征，如遇到空值，则填入空值UNK。并在网络侧近线建库，针对离线高分发的资源，进行同模型实时建库，构建检索服务，上述检索服务使用的是开源的annoy检索服务；进行在线检索，采用上述用户侧模型获取用户向量，并进行资源检索，获取最具有热度的资源返回给检索服务进行个性化推荐。

需要说明的是，整个检索过程需要离线训练子模块、离线建库子模块、在线预测子模型、在线检索子模块完成整个新用户冷启资源检索的全流程。

离线训练子模块使用老用户的点击样本，基于泛化的特征设计，训练双塔网络DSSM。该模型训练环节产出双塔的结构的两侧网络参数，分别是网络侧模型和用户侧模型，给到离线建库子模块和在线子模块使用。

离线建库子模块会对全量的可分发的资源，进行视频侧特征抽取，将特征输入给网络侧模型，使用预训练好的深度神经网络参数DNN，得到顶层的网络侧向量doc-embedding。

在线infer子模块会在线实时的抽取用户侧的特征，将特征输入给用户侧模型，使用预训练好的深度神经网络参数DNN网络参数，得到顶层的用户侧向量user-embedding。

在线检索子模块完成了用户侧向量user-embedding对网络侧向量doc-embedding向量的检索过程。该检索过程采用了Annoy(Approximate Nearest Neighbors Oh Yeah)索引方案。

在一种可选的实施例中，对上述网络侧向量进行聚类处理，得到聚类后网络侧向量，包括：

步骤S802，将上述网络侧向量中的相似向量划分到同一个超平面内；

步骤S804，采用多次递归处理的方式对上述超平面进行划分处理，构建得到数据结构，其中，任意两个上述相似向量在上述数据结构的相邻位置小于上述网络侧向量中的其他向量的相邻位置；

步骤S806，依据上述数据结构对上述网络侧向量进行聚类处理，得到上述聚类后网络侧向量。

可选的，基于网络侧向量doc-embedding，通过kemeans聚类算法进行聚类，将相似向量划分到同一个超平面内，多次递归对超平面进一步划分，得到上述聚类后网络侧向量。

需要说明的是，任意两个上述相似向量在上述数据结构的相邻位置小于上述网络侧向量中的其他向量的相邻位置。

在一种可选的实施例中，检索上述聚类后网络侧向量和上述用户侧向量之间存在的预定数量的相似内容，包括：

步骤S902，将上述聚类后网络侧向量和上述用户侧向量输入至上述数据结构，其中，上述数据结构为二叉树数据结构；

步骤S904，从上述二叉树数据结构的根节点开始，逐个计算上述用户侧向量和上述聚类后网络侧向量之间余弦距离；

步骤S906，对上述二叉树数据结构中的每个中间节点的相似度计算，得到相似度计算结果，其中，上述中间节点为上述二叉树数据结构中除上述根节点和叶子节点之外的节点；

步骤S908，基于上述相似度计算结果确定下一遍历路径，直至遍历得到上述叶子节点，并返回上述叶子节点中与上述用户侧向量的相似度符合预定相似度值的目标叶子节点。

可选的，多次递归对超平面进一步划分后，将上述聚类后网络侧向量和上述用户侧向量输入至上述数据结构，构建出一个二叉树结构，从根节点开始，逐个计算user-embedding和doc-embedding的余弦距离，通过对二叉树每个中间节点的相似度计算，确定下一遍历路径，直至找到叶子节点，并返回路径中与user-embedding相似度符合的目标节点信息。经过树形结构的检索，返回检索过程遇到的相似度符合的目标节点信息，该节点信息即为本次检索的结果，也是对当前用户来说相关性最好的一批个性化推荐内容。

在本公开实施例中，通过对用户特征信息的获取，确定用户所属的目标人群，并根据用户特征信息与网络特征信息进行检索，得到最好的一批个性化推荐内容；解决了当前信息流用户产品中，新用户无任何兴趣表达的情况下，完成个性化推荐的技术问题，实现了冷启场景下的个性化，从而改善用户的推荐体验。并且还可以应用到任何一个信息流产品的冷启场景中，提升冷启推荐效果，从而使得新用户转化为活跃用户，最终对提升产品规模有重要的作用。

实施例2

根据本公开实施例，还提供了一种用于实施上述多媒体资源推荐方法的装置实施例，图4是根据本公开第三实施例的多媒体资源推荐装置的结构示意图，如图4所示，上述多媒体资源推荐装置，包括：第一获取模块40、确定模块42、第二获取模块44和推荐模块46，其中：

第一获取模块40，用于获取第一用户的第一用户特征信息，其中，上述第一用户为目标应用程序的待推荐用户，上述第一用户特征信息包括以下至少之一：用户画像特征信息、用户设备特征信息、用户操作特征信息；

确定模块42，用于基于上述第一用户特征信息确定上述第一用户所属的目标人群；

第二获取模块44，用于获取上述目标应用程序中与上述目标人群关联的至少一种多媒体资源，并获取上述关联的至少一种多媒体资源的资源类型；

推荐模块46，用于基于上述资源类型向上述第一用户推荐目标多媒体资源。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。

此处需要说明的是，上述第一获取模块40、确定模块42、第二获取模块44和推荐模块46对应于实施例1中的步骤S102至步骤S108，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。

需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。

上述的多媒体资源推荐装置还可以包括处理器和存储器，上述第一获取模块40、确定模块42、第二获取模块44和推荐模块46等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元，上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

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。

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5示出了可以用来实施本公开的实施例的示例电子设备800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，个人数字处理、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5所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理，例如方法获取第一用户的第一用户特征信息。例如，在一些实施例中，方法获取第一用户的第一用户特征信息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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的方法获取第一用户的第一用户特征信息的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法获取第一用户的第一用户特征信息。

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、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)、负载可编程逻辑设备(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，本发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。任何在本公开的精神和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 (11)

1.一种多媒体资源推荐方法，包括：

获取第一用户的第一用户特征信息，其中，所述第一用户为目标应用程序的待推荐用户，所述第一用户特征信息包括以下至少之一：用户画像特征信息、用户设备特征信息、用户操作特征信息；

基于所述第一用户特征信息确定所述第一用户所属的目标人群；

获取所述目标应用程序中与所述目标人群关联的至少一种多媒体资源，并获取所述关联的至少一种多媒体资源的资源类型；

基于所述资源类型向所述第一用户推荐目标多媒体资源；

其中，获取所述关联的至少一种多媒体资源的资源类型，包括：

依据深度语义匹配网络模型中的网络侧模型和用户侧模型对所述目标应用程序中的全量多媒体资源进行特征抽取处理，得到网络侧特征；

将所述网络侧特征输入至所述网络侧模型，以及将在线抽取到的所述目标人群的用户侧特征输入至所述用户侧模型，其中，所述网络侧模型用于采用预训练的深度神经网络参数和所述网络侧特征得到网络侧向量，所述用户侧模型用于采用预训练的深度神经网络参数和所述用户侧特征得到用户侧向量；

采用所述用户侧向量对所述网络侧向量进行检索，得到检索结果；

基于所述检索结果，确定与所述目标人群关联的至少一种多媒体资源的资源类型。

2.根据权利要求1所述的方法，其中，所述用户画像特征信息用于表征所述第一用户所属人群的人群属性特征信息；所述用户操作特征信息用于表征所述第一用户对广告资源执行操作时产生的特征信息，所述用户设备特征信息用于表征所述第一用户操作当前设备时产生的操作特征信息。

3.根据权利要求1所述的方法，其中，在基于所述第一用户特征信息确定所述第一用户所属的目标人群之前，所述方法还包括：

获取第二用户的第二用户特征信息，其中，所述第二用户为在预定时间段内所述目标应用程序的所有用户；

获取所述第二用户对所述目标应用程序中多媒体资源的操作信息，其中，所述操作信息用于表征所述第二用户对所述多媒体资源的感兴趣程度；

基于所述操作信息和所述第二用户特征信息，将所述第二用户进行分类，获取至少一类所述目标人群，其中，每个所述目标人群关联的一个或多个兴趣资源。

4.根据权利要求3所述的方法，其中，基于所述第一用户特征信息确定所述第一用户所属的目标人群，包括：

匹配所述第一用户特征信息和所述第二用户特征信息，得到匹配结果；

基于所述匹配结果，从至少一类所述目标人群中确定所述第一用户所属的所述目标人群。

5.根据权利要求3所述的方法，其中，在获取所述关联的至少一种多媒体资源的资源类型之前，所述方法还包括：

将所述操作信息和所述第二用户特征信息作为训练样本，训练得到所述深度语义匹配网络模型。

6.根据权利要求1所述的方法，其中，采用所述用户侧向量对所述网络侧向量进行检索，得到检索结果，包括：

对所述网络侧向量进行聚类处理，得到聚类后网络侧向量；

检索所述聚类后网络侧向量和所述用户侧向量之间存在的预定数量的相似内容；

将所述相似内容作为所述检索结果。

7.根据权利要求1所述的方法，其中，对所述网络侧向量进行聚类处理，得到聚类后网络侧向量，包括：

将所述网络侧向量中的相似向量划分到同一个超平面内；

采用多次递归处理的方式对所述超平面进行划分处理，构建得到数据结构，其中，任意两个所述相似向量在所述数据结构的相邻位置小于所述网络侧向量中的其他向量的相邻位置；

依据所述数据结构对所述网络侧向量进行聚类处理，得到所述聚类后网络侧向量。

8.根据权利要求7所述的方法，其中，检索所述聚类后网络侧向量和所述用户侧向量之间存在的预定数量的相似内容，包括：

将所述聚类后网络侧向量和所述用户侧向量输入至所述数据结构，其中，所述数据结构为二叉树数据结构；

从所述二叉树数据结构的根节点开始，逐个计算所述用户侧向量和所述聚类后网络侧向量之间余弦距离；

对所述二叉树数据结构中的每个中间节点的相似度计算，得到相似度计算结果，其中，所述中间节点为所述二叉树数据结构中除所述根节点和叶子节点之外的节点；

基于所述相似度计算结果确定下一遍历路径，直至遍历得到所述叶子节点，并返回所述叶子节点中与所述用户侧向量的相似度符合预定相似度值的目标叶子节点。

9.一种多媒体资源推荐装置，包括：

第一获取模块，用于获取第一用户的第一用户特征信息，其中，所述第一用户为目标应用程序的待推荐用户，所述第一用户特征信息包括以下至少之一：用户画像特征信息、用户设备特征信息、用户操作特征信息；

确定模块，用于基于所述第一用户特征信息确定所述第一用户所属的目标人群；

第二获取模块，用于获取所述目标应用程序中与所述目标人群关联的至少一种多媒体资源，并获取所述关联的至少一种多媒体资源的资源类型；

推荐模块，用于基于所述资源类型向所述第一用户推荐目标多媒体资源；

其中，所述第二获取模块还用于：

依据深度语义匹配网络模型中的网络侧模型和用户侧模型对所述目标应用程序中的全量多媒体资源进行特征抽取处理，得到网络侧特征；

将所述网络侧特征输入至所述网络侧模型，以及将在线抽取到的所述目标人群的用户侧特征输入至所述用户侧模型，其中，所述网络侧模型用于采用预训练的深度神经网络参数和所述网络侧特征得到网络侧向量，所述用户侧模型用于采用预训练的深度神经网络参数和所述用户侧特征得到用户侧向量；

采用所述用户侧向量对所述网络侧向量进行检索，得到检索结果；

基于所述检索结果，确定与所述目标人群关联的至少一种多媒体资源的资源类型。

10. 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中任一项所述的多媒体资源推荐方法。

11.一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中任一项所述的多媒体资源推荐方法。