CN113886609A - 多媒体资源推荐方法、装置、电子设备及存储介质 - Google Patents

多媒体资源推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113886609A
CN113886609A CN202111150685.4A CN202111150685A CN113886609A CN 113886609 A CN113886609 A CN 113886609A CN 202111150685 A CN202111150685 A CN 202111150685A CN 113886609 A CN113886609 A CN 113886609A
Authority
CN
China
Prior art keywords
parameter
account
multimedia resource
target
multimedia
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111150685.4A
Other languages
English (en)
Inventor
唐波
杨文博
李绍哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN202111150685.4A priority Critical patent/CN113886609A/zh
Publication of CN113886609A publication Critical patent/CN113886609A/zh
Priority to US17/750,767 priority patent/US20230095250A1/en
Priority to EP22178202.2A priority patent/EP4160445A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/438—Presentation of query results

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开是关于一种多媒体资源推荐方法、装置、电子设备及存储介质，属于计算机技术领域。方法包括：获取待推荐的账号信息及与账号信息对应的推荐参数，基于账号信息、推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个多媒体资源的目标参数，基于多个多媒体资源的目标参数，从多个多媒体资源中将目标参数最高的至少一个多媒体资源，确定为目标多媒体资源，将目标多媒体资源推荐给目标账号。本公开实施例提供的方法，引入了一种与账号信息对应的推荐参数，基于账号信息、推荐参数及多个多媒体资源的资源信息，将目标账号感兴趣的目标多媒体资源推荐给目标账号，能够实现为账号进行个性化推荐的方案，从而保证了推荐效果。

Description

多媒体资源推荐方法、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，尤其涉及一种多媒体资源推荐方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的发展，互联网中的多媒体资源越来越多。每个资源展示平台中存储有多个多媒体资源，通常基于多媒体资源的资源信息及账号的账号信息，将该多媒体资源推荐给该账号，以使账号所属的用户能够查看推荐的多媒体资源，但这种推荐方式的推荐效果仍然较差。
发明内容
本公开提供了一种多媒体资源推荐方法、装置、电子设备及存储介质，提升了推荐效果。
根据本公开实施例的一方面，提供一种多媒体资源推荐方法，所述方法包括：
获取待推荐的账号信息及与所述账号信息对应的推荐参数；
基于所述账号信息、所述推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个所述多媒体资源的目标参数，所述目标参数指示将对应的多媒体资源推荐给所述账号信息指代的目标账号时，所述目标账号对应的终端对所述多媒体资源执行操作的可能性；
基于多个所述多媒体资源的目标参数，从多个所述多媒体资源中将目标参数最高的至少一个多媒体资源，确定为目标多媒体资源；
将所述目标多媒体资源推荐给所述目标账号。
本公开实施例提供的方法，引入了一种与账号信息对应的推荐参数，该推荐参数能够体现出与该账号信息匹配的多媒体资源推荐情况，在为账号推荐多媒体资源时，基于账号信息、与该账号信息对应的推荐参数及待推荐的多个多媒体资源的资源信息，确定每个多媒体资源的目标参数，考虑到了与该账号信息匹配的多媒体资源推荐情况，使得目标参数与该目标账号相匹配，目标参数能够表示出目标账号对多媒体资源的感兴趣程度，以便将多个多媒体资源中目标账号最感兴趣的目标多媒体资源推荐给目标账号，能够实现为账号进行个性化推荐的方案，从而保证了推荐效果。
在一些实施例中，所述基于所述账号信息、所述推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个所述多媒体资源的目标参数，包括：
对于待推荐的每个所述多媒体资源，将所述账号信息的账号特征及所述多媒体资源的资源信息的多媒体资源特征进行融合，得到第一融合特征；
基于所述推荐参数的推荐参数特征及所述第一融合特征，分别获取所述多媒体资源的第一参数及第二参数，所述第一参数指示将所述多媒体资源推荐给所述目标账号时，所述目标账号对应的终端对所述多媒体资源执行点击操作的可能性，所述第二参数指示将所述多媒体资源推荐给所述目标账号时，所述目标账号对应的终端对所述多媒体资源执行所述点击操作后再执行转化操作的可能性；
将所述第一参数与所述第二参数进行融合，得到所述多媒体资源的目标参数。
由于第一参数和第二参数所指示的多媒体资源的推荐情况不同，能够表示不同的信息，采用多任务的方式，先获取第一参数及第二参数，以丰富获取到的信息，之后，将第一参数与第二参数进行融合来获取目标参数，实现了以多种参数来获取目标参数的方式，从而提升了目标参数的准确性。
在一些实施例中，所述基于所述推荐参数的推荐参数特征及所述第一融合特征，分别获取所述多媒体资源的第一参数及第二参数，包括：
对所述推荐参数特征进行特征转换，得到所述第一融合特征的权重特征；
基于所述推荐参数特征、所述第一融合特征及所述权重特征，分别获取所述第一参数及所述第二参数。
权重特征是通过推荐参数特征得到的，基于推荐参数特征、第一融合特征及权重特征，分别获取第一参数及第二参数，丰富了获取到的信息，以保证获取到的第一参数及第二参数的准确性，以便后续能够实现为目标账号实现个性化推荐的效果。
在一些实施例中，所述方法还包括：
基于所述账号信息及所述多媒体资源的资源信息，获取关联特征，所述关联特征指示所述目标账号对应的终端与所述多媒体资源的交互情况，且还指示所述目标账号对应的终端与其他多媒体资源的交互情况，所述其他多媒体资源为本端推荐的、且除所述多媒体资源外的多媒体资源；
所述将所述账号信息的账号特征及所述多媒体资源的资源信息的多媒体资源特征进行融合，得到第一融合特征，包括：
将所述账号特征、所述多媒体资源特征及所述关联特征进行融合，得到所述第一融合特征。
由于关联特征不仅指示目标账号与该多媒体资源之间的交互情况，还指示目标账号与其他多媒体资源的交互情况，因此，通过引入该关联特征，以丰富第一融合特征中包含的信息，以保证后续基于该第一融合特征获取到的目标参数的准确性，从而保证推荐效果。
在一些实施例中，所述基于所述账号信息、所述推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个所述多媒体资源的目标参数，包括：
调用推荐模型，基于所述账号信息、所述推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个所述多媒体资源的目标参数。
通过推荐模型来获取各个多媒体资源的目标参数，以保证目标参数的准确性，从而保证后续的推荐效果。
在一些实施例中，所述推荐模型包括特征提取子模型、点击预测子模型、转化预测子模型及融合子模型；所述调用推荐模型，基于所述账号信息、所述推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个所述多媒体资源的目标参数，包括：
对于待推荐的每个所述多媒体资源，调用所述特征提取子模型，将所述账号信息的账号特征及所述多媒体资源的资源信息的多媒体资源特征进行融合，得到第一融合特征；
调用所述点击预测子模型，基于所述推荐参数的推荐参数特征及所述第一融合特征，获取所述多媒体资源的第一参数，所述第一参数指示将所述多媒体资源推荐给所述目标账号时，所述目标账号对应的终端对所述多媒体资源执行点击操作的可能性；
调用所述转化预测子模型，基于所述推荐参数特征及所述第一融合特征，获取所述多媒体资源的第二参数，所述第二参数指示将所述多媒体资源推荐给所述目标账号时，所述目标账号对应的终端对所述多媒体资源执行所述点击操作后再执行转化操作的可能性；
调用所述融合子模型，将所述第一参数与所述第二参数进行融合，得到所述多媒体资源的目标参数。
以推荐模型包含的多个子模型来实现以多任务获取目标参数的方式，即先获取第一参数及第二参数，以丰富获取到的信息，之后，将第一参数与第二参数进行融合来获取目标参数，实现了以多种参数来获取目标参数的方式，从而提升了目标参数的准确性。
在一些实施例中，所述推荐模型还包括权重获取子模型，所述方法还包括：
调用所述权重获取子模型，对所述推荐参数特征进行特征转换，得到所述第一融合特征的权重特征；
所述调用所述点击预测子模型，基于所述推荐参数的推荐参数特征及所述第一融合特征，获取所述多媒体资源的第一参数，包括：
调用所述点击预测子模型，将所述第一融合特征与所述权重特征进行融合，得到第二融合特征；
调用所述点击预测子模型，将所述第二融合特征与所述推荐参数特征进行融合，得到所述第一参数。
基于权重获取子模型来获取权重特征，以保证权重特征的准确性，并基于点击预测子模型，将第一融合特征、权重特征及推荐参数特征进行融合，使得到的第一参数中融入了与账号信息匹配的推荐参数所具有的特征，以保证得到的第一参数与该账号信息相匹配，从而保证了第一参数的准确性，以便后续能够实现为目标账号实现个性化推荐的效果。
在一些实施例中，所述权重获取子模型包括n个权重获取层，所述点击预测子模型包括n个第一参数获取层和n个第一融合层，第i个所述第一融合层分别与第i个所述权重获取层和第i个所述第一参数获取层对应，n为大于1的整数，i为不大于n的正整数；所述调用所述权重获取子模型，对所述推荐参数特征进行特征转换，得到所述第一融合特征的权重特征，包括：
基于第i个所述权重获取层，对所述推荐参数特征进行特征转换，得到第i个所述权重特征；
所述调用所述点击预测子模型，将所述第一融合特征与所述权重特征进行融合，得到第二融合特征，包括：
基于第1个所述第一参数获取层，对所述第一融合特征进行降维处理，得到第1个第一降维特征；
基于第1个所述第一融合层，将所述第1个所述降维特征与第1个所述权重特征进行融合，得到第1个第三融合特征；
对于第j个所述第一参数获取层及第j个所述第一融合层，基于第j个所述第一参数获取层，对第j-1个所述第三融合特征进行降维处理，得到第j个所述第一降维特征，基于第j个所述第一融合层，将第j个所述第一降维特征与第j个所述权重特征进行融合，得到第j个所述第三融合特征，重复上述步骤，直至基于第n个所述第一融合层得到所述第二融合特征，j为大于1且不大于n的整数。
在公开实施例中，权重获取子模型包括多个权重获取层，不同的权重获取层用于获取代表不同维度的特征的权重，且点击预测子模型包括相同数目的第一参数获取层和第一融合层。基于该点击预测子模型包括的第一参数获取层及第一融合层，将多个权重特征与第一融合特征进行融合，以增强该第一融合特征在各个维度上的特征，使得到的第二融合特征与账号信息匹配的推荐参数所具有的特性相匹配，从而保证第二融合特征的准确性。
在一些实施例中，所述推荐模型还包括权重获取子模型，所述方法还包括：
调用所述权重获取子模型，对所述推荐参数特征进行特征转换，得到所述第一融合特征的权重特征；
所述调用所述转化预测子模型，基于所述推荐参数特征及所述第一融合特征，获取所述多媒体资源的第二参数，包括：
调用所述转化预测子模型，将所述第一融合特征与所述权重特征进行融合，得到第四融合特征；
调用所述转化预测子模型，将所述第四融合特征与所述推荐参数特征进行融合，得到所述第二参数。
基于权重获取子模型来获取权重特征，以保证权重特征的准确性，并基于点击预测子模型，将第一融合特征、权重特征及推荐参数特征进行融合，使得到的第二参数中融入了与账号信息匹配的推荐参数所具有的特征，以保证得到的第二参数与该账号信息相匹配，从而保证了第二参数的准确性，以便后续能够实现为目标账号实现个性化推荐的效果。
在一些实施例中，所述权重获取子模型包括n个权重获取层，所述转化预测子模型包括n个第二参数获取层和n个第二融合层，第i个所述第二融合层分别与第i个所述权重获取层和第i个所述第二参数获取层对应，n为大于1的整数，i为不大于n的正整数；所述调用所述权重获取子模型，对所述推荐参数特征进行特征转换，得到所述第一融合特征的权重特征，包括：
基于第i个所述权重获取层，对所述推荐参数特征进行特征转换，得到第i个所述权重特征；
所述调用所述转化预测子模型，将所述第一融合特征与所述权重特征进行融合，得到第四融合特征，包括：
基于第1个所述第二参数获取层，对所述第一融合特征进行降维处理，得到第1个第二降维特征；
基于第1个所述第二融合层，将所述第1个所述降维特征与第1个所述权重特征进行融合，得到第1个第五融合特征；
对于第j个所述第二参数获取层及第j个所述第二融合层，基于第j个所述第二参数获取层，对第j-1个所述第五融合特征进行降维处理，得到第j个所述第二降维特征，基于第j个所述第二融合层，将第j个所述第二降维特征与第j个所述权重特征进行融合，得到第j个所述第五融合特征，重复上述步骤，直至基于第n个所述第二融合层得到所述第四融合特征，j为大于1且不大于n的整数。
在公开实施例中，权重获取子模型包括多个权重获取层，不同的权重获取层用于获取代表不同维度的特征的权重，且转化预测子模型包括相同数目的第二参数获取层和第二融合层。基于该转化预测子模型包括的第二参数获取层及第二融合层，将多个权重特征与第一融合特征进行融合，以增强该第一融合特征在各个维度上的特征，使得到的第四融合特征与账号信息匹配的推荐参数所具有的特性相匹配，从而保证第四融合特征的准确性。
在一些实施例中，所述方法还包括：
调用所述特征提取子模型，基于所述账号信息及所述多媒体资源的资源信息，获取关联特征，所述关联特征指示所述目标账号对应的终端与所述多媒体资源的交互情况，且还指示所述目标账号对应的终端与其他多媒体资源的交互情况，所述其他多媒体资源为本端推荐的、且除所述多媒体资源外的多媒体资源；
所述调用所述特征提取子模型，将所述账号信息的账号特征及所述多媒体资源的资源信息的多媒体资源特征进行融合，得到第一融合特征，包括：
调用所述特征提取子模型，将所述账号特征、所述多媒体资源特征及所述关联特征进行融合，得到所述第一融合特征。
由于关联特征不仅指示目标账号与该多媒体资源之间的交互情况，还指示目标账号与其他多媒体资源的交互情况，基于特征提取子模型来获取关联特征，并将账号特征、多媒体资源特征及关联特征进行融合，以丰富第一融合特征中包含的信息，以保证后续基于该第一融合特征获取到的目标参数的准确性，从而保证推荐效果。
在一些实施例中，所述方法还包括：
获取样本数据及所述样本数据对应的样本标签，所述样本数据包括样本账号信息、样本多媒体资源的样本资源信息及所述样本账号信息对应的样本推荐参数，所述样本标签指示将所述样本多媒体资源推荐给所述样本账号时，所述样本账号对应的终端是否对所述样本多媒体资源执行了操作；
调用所述推荐模型，基于所述样本数据，获取所述样本数据对应的样本多媒体资源的预测标签，所述预测标签指示将所述样本多媒体资源推荐给所述样本账号时，所述样本账号对应的终端对所述样本多媒体资源执行操作的可能性；
基于所述样本数据的预测标签及所述样本标签之间的差异，对所述推荐模型进行训练。
本公开实施例提供的方法，样本数据包括样本账号信息、样本多媒体资源的样本资源信息及样本账号信息对应的样本推荐参数，基于该样本数据及对应的样本标签对推荐模型进行训练，以提升推荐模型的准确性，以便后续基于推荐模型，为账号实现个性化推荐。
在一些实施例中，所述样本标签包括第一样本标签，所述第一样本标签指示将所述样本多媒体资源推荐给所述样本账号时，所述样本账号对应的终端是否对所述样本多媒体资源执行了转化操作，所述预测标签包括第一预测标签，所述第一预测标签指示将所述样本多媒体资源推荐给所述样本账号时，所述样本账号对应的终端对所述样本多媒体资源执行转化操作的可能性；所述推荐模型包括特征提取子模型、点击预测子模型、转化预测子模型及融合子模型；所述调用所述推荐模型，基于所述样本数据，获取所述样本数据对应的样本多媒体资源的预测标签，包括：
调用所述特征提取子模型，将所述样本账号信息的样本账号特征及所述样本资源信息的样本多媒体资源特征进行融合，得到样本融合特征；
调用所述点击预测子模型，基于所述样本推荐参数的推荐参数特征及所述样本融合特征，获取所述样本多媒体资源的第二预测标签，所述第二预测标签指示将所述样本多媒体资源推荐给所述样本账号时，所述样本账号对应的终端对所述样本多媒体资源执行点击操作的可能性；
调用所述转化预测子模型，基于所述样本推荐参数特征及所述样本融合特征，获取所述多媒体资源的第三预测标签，所述第三预测标签指示将所述样本多媒体资源推荐给所述样本账号时，所述样本账号对应的终端对所述样本多媒体资源执行所述点击操作后再执行转化操作的可能性；
调用所述融合子模型，将所述第二预测标签与所述第三预测标签进行融合，得到所述第一预测标签。
通过由于第二预测标签和第三预测标签能够表示不同的信息，采用多任务的方式，先获取第二预测标签和第三预测标签，以丰富获取到的信息，之后，将第二预测标签和第三预测标签进行融合来获取第一预测标签，以保证获取到的第一预测标签的准确性。
在一些实施例中，所述样本标签还包括第二样本标签，所述第二样本标签指示将所述样本多媒体资源推荐给所述样本账号时，所述样本账号对应的终端是否对所述样本多媒体资源执行了点击操作；所述基于所述样本数据的预测标签及所述样本标签之间的差异，对所述推荐模型进行训练，包括：
基于所述样本数据的所述第一预测标签与所述第一样本标签之间的差异，以及所述样本数据的所述第二预测标签与所述第二样本标签之间的差异，对所述推荐模型进行训练。
本公开实施例采用多任务的方式来训练推荐模型，即获取第一预测标签、第二预测标签及第三预测标签的多种任务，利用多任务来训练推荐模型，能够缓解样本数据稀疏而导致推荐模型准确率差的问题，从而提升推荐模型的准确性。
在一些实施例中，所述推荐参数是基于登录服务器的至少一个账号对所述服务器推荐的多媒体资源执行的操作确定的，所述服务器为所述目标账号所登录的服务器；
所述将所述目标多媒体资源推荐给所述目标账号，包括：
向所述服务器发送所述目标多媒体资源，由所述服务器将所述目标多媒体资源推荐给所述目标账号。
本公开实施例提供了一种为多个服务器提供推荐服务的方式，将目标账号所登录的服务器的推荐参数作为与账号信息对应的推荐参数，该推荐参数能够体现出与该账号信息匹配的多媒体资源推荐情况，使得为每个多媒体资源确定的目标参数与该目标账号及该服务器相匹配，从而保证了确定的目标多媒体资源的准确性，实现了为该服务器中的账号进行个性化推荐的方案，也保证了推荐效果。
根据本公开实施例的再一方面，提供一种多媒体资源推荐装置，所述装置包括：
获取单元，被配置为执行获取待推荐的账号信息及与所述账号信息对应的推荐参数；
所述获取单元，还被配置为执行基于所述账号信息、所述推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个所述多媒体资源的目标参数，所述目标参数指示将对应的多媒体资源推荐给所述账号信息指代的目标账号时，所述目标账号对应的终端对所述多媒体资源执行操作的可能性；
选取单元，被配置为执行基于多个所述多媒体资源的目标参数，从多个所述多媒体资源中将目标参数最高的至少一个多媒体资源，确定为目标多媒体资源；
推荐单元，被配置为执行将所述目标多媒体资源推荐给所述目标账号。
在一些实施例中，所述获取单元，包括：
融合子单元，被配置为执行对于待推荐的每个所述多媒体资源，将所述账号信息的账号特征及所述多媒体资源的资源信息的多媒体资源特征进行融合，得到第一融合特征；
获取子单元，被配置为执行基于所述推荐参数的推荐参数特征及所述第一融合特征，分别获取所述多媒体资源的第一参数及第二参数，所述第一参数指示将所述多媒体资源推荐给所述目标账号时，所述目标账号对应的终端对所述多媒体资源执行点击操作的可能性，所述第二参数指示将所述多媒体资源推荐给所述目标账号时，所述目标账号对应的终端对所述多媒体资源执行所述点击操作后再执行转化操作的可能性；
所述融合子单元，还被配置为执行将所述第一参数与所述第二参数进行融合，得到所述多媒体资源的目标参数。
在一些实施例中，所述获取子单元，被配置为执行对所述推荐参数特征进行特征转换，得到所述第一融合特征的权重特征；基于所述推荐参数特征、所述第一融合特征及所述权重特征，分别获取所述第一参数及所述第二参数。
在一些实施例中，所述获取单元，还被配置为执行基于所述账号信息及所述多媒体资源的资源信息，获取关联特征，所述关联特征指示所述目标账号对应的终端与所述多媒体资源的交互情况，且还指示所述目标账号对应的终端与其他多媒体资源的交互情况，所述其他多媒体资源为本端推荐的、且除所述多媒体资源外的多媒体资源；
所述融合子单元，被配置为执行将所述账号特征、所述多媒体资源特征及所述关联特征进行融合，得到所述第一融合特征。
在一些实施例中，所述获取单元，被配置为执行调用推荐模型，基于所述账号信息、所述推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个所述多媒体资源的目标参数。
在一些实施例中，所述推荐模型包括特征提取子模型、点击预测子模型、转化预测子模型及融合子模型；所述获取单元，包括：
融合子单元，被配置为执行对于待推荐的每个所述多媒体资源，调用所述特征提取子模型，将所述账号信息的账号特征及所述多媒体资源的资源信息的多媒体资源特征进行融合，得到第一融合特征；
获取子单元，被配置为执行调用所述点击预测子模型，基于所述推荐参数的推荐参数特征及所述第一融合特征，获取所述多媒体资源的第一参数，所述第一参数指示将所述多媒体资源推荐给所述目标账号时，所述目标账号对应的终端对所述多媒体资源执行点击操作的可能性；
所述获取子单元，还被配置为执行调用所述转化预测子模型，基于所述推荐参数特征及所述第一融合特征，获取所述多媒体资源的第二参数，所述第二参数指示将所述多媒体资源推荐给所述目标账号时，所述目标账号对应的终端对所述多媒体资源执行所述点击操作后再执行转化操作的可能性；
所述融合子单元，还被配置为执行调用所述融合子模型，将所述第一参数与所述第二参数进行融合，得到所述多媒体资源的目标参数。
在一些实施例中，所述推荐模型还包括权重获取子模型，所述装置还包括：
转换单元，被配置为执行调用所述权重获取子模型，对所述推荐参数特征进行特征转换，得到所述第一融合特征的权重特征；
所述获取子单元，被配置为执行调用所述点击预测子模型，将所述第一融合特征与所述权重特征进行融合，得到第二融合特征；调用所述点击预测子模型，将所述第二融合特征与所述推荐参数特征进行融合，得到所述第一参数。
在一些实施例中，所述权重获取子模型包括n个权重获取层，所述点击预测子模型包括n个第一参数获取层和n个第一融合层，第i个所述第一融合层分别与第i个所述权重获取层和第i个所述第一参数获取层对应，n为大于1的整数，i为不大于n的正整数；所述转换单元，被配置为执行基于第i个所述权重获取层，对所述推荐参数特征进行特征转换，得到第i个所述权重特征；
所述获取子单元，被配置为执行基于第1个所述第一参数获取层，对所述第一融合特征进行降维处理，得到第1个第一降维特征；基于第1个所述第一融合层，将所述第1个所述降维特征与第1个所述权重特征进行融合，得到第1个第三融合特征；对于第j个所述第一参数获取层及第j个所述第一融合层，基于第j个所述第一参数获取层，对第j-1个所述第三融合特征进行降维处理，得到第j个所述第一降维特征，基于第j个所述第一融合层，将第j个所述第一降维特征与第j个所述权重特征进行融合，得到第j个所述第三融合特征，重复上述步骤，直至基于第n个所述第一融合层得到所述第二融合特征，j为大于1且不大于n的整数。
在一些实施例中，所述推荐模型还包括权重获取子模型，所述装置还包括：
转换单元，被配置为执行调用所述权重获取子模型，对所述推荐参数特征进行特征转换，得到所述第一融合特征的权重特征；
所述获取子单元，被配置为执行调用所述转化预测子模型，将所述第一融合特征与所述权重特征进行融合，得到第四融合特征；调用所述转化预测子模型，将所述第四融合特征与所述推荐参数特征进行融合，得到所述第二参数。
在一些实施例中，所述权重获取子模型包括n个权重获取层，所述转化预测子模型包括n个第二参数获取层和n个第二融合层，第i个所述第二融合层分别与第i个所述权重获取层和第i个所述第二参数获取层对应，n为大于1的整数，i为不大于n的正整数；所述转换单元，被配置为执行基于第i个所述权重获取层，对所述推荐参数特征进行特征转换，得到第i个所述权重特征；
所述获取子单元，被配置为执行基于第1个所述第二参数获取层，对所述第一融合特征进行降维处理，得到第1个第二降维特征；基于第1个所述第二融合层，将所述第1个所述降维特征与第1个所述权重特征进行融合，得到第1个第五融合特征；对于第j个所述第二参数获取层及第j个所述第二融合层，基于第j个所述第二参数获取层，对第j-1个所述第五融合特征进行降维处理，得到第j个所述第二降维特征，基于第j个所述第二融合层，将第j个所述第二降维特征与第j个所述权重特征进行融合，得到第j个所述第五融合特征，重复上述步骤，直至基于第n个所述第二融合层得到所述第四融合特征，j为大于1且不大于n的整数。
在一些实施例中，所述获取单元，还被配置为执行调用所述特征提取子模型，基于所述账号信息及所述多媒体资源的资源信息，获取关联特征，所述关联特征指示所述目标账号对应的终端与所述多媒体资源的交互情况，且还指示所述目标账号对应的终端与其他多媒体资源的交互情况，所述其他多媒体资源为本端推荐的、且除所述多媒体资源外的多媒体资源；
所述融合子单元，被配置为执行调用所述特征提取子模型，将所述账号特征、所述多媒体资源特征及所述关联特征进行融合，得到所述第一融合特征。
在一些实施例中，所述装置还包括：
所述获取单元，还被配置为执行获取样本数据及所述样本数据对应的样本标签，所述样本数据包括样本账号信息、样本多媒体资源的样本资源信息及所述样本账号信息对应的样本推荐参数，所述样本标签指示将所述样本多媒体资源推荐给所述样本账号时，所述样本账号对应的终端是否对所述样本多媒体资源执行了操作；
所述获取单元，还被配置为执行调用所述推荐模型，基于所述样本数据，获取所述样本数据对应的样本多媒体资源的预测标签，所述预测标签指示将所述样本多媒体资源推荐给所述样本账号时，所述样本账号对应的终端对所述样本多媒体资源执行操作的可能性；
训练单元，被配置为执行基于所述样本数据的预测标签及所述样本标签之间的差异，对所述推荐模型进行训练。
在一些实施例中，所述样本标签包括第一样本标签，所述第一样本标签指示将所述样本多媒体资源推荐给所述样本账号时，所述样本账号对应的终端是否对所述样本多媒体资源执行了转化操作，所述预测标签包括第一预测标签，所述第一预测标签指示将所述样本多媒体资源推荐给所述样本账号时，所述样本账号对应的终端对所述样本多媒体资源执行转化操作的可能性；所述推荐模型包括特征提取子模型、点击预测子模型、转化预测子模型及融合子模型；所述获取单元，被配置为执行调用所述特征提取子模型，将所述样本账号信息的样本账号特征及所述样本资源信息的样本多媒体资源特征进行融合，得到样本融合特征；调用所述点击预测子模型，基于所述样本推荐参数的推荐参数特征及所述样本融合特征，获取所述样本多媒体资源的第二预测标签，所述第二预测标签指示将所述样本多媒体资源推荐给所述样本账号时，所述样本账号对应的终端对所述样本多媒体资源执行点击操作的可能性；调用所述转化预测子模型，基于所述样本推荐参数特征及所述样本融合特征，获取所述多媒体资源的第三预测标签，所述第三预测标签指示将所述样本多媒体资源推荐给所述样本账号时，所述样本账号对应的终端对所述样本多媒体资源执行所述点击操作后再执行转化操作的可能性；调用所述融合子模型，将所述第二预测标签与所述第三预测标签进行融合，得到所述第一预测标签。
在一些实施例中，所述样本标签还包括第二样本标签，所述第二样本标签指示将所述样本多媒体资源推荐给所述样本账号时，所述样本账号对应的终端是否对所述样本多媒体资源执行了点击操作；所述训练单元，被配置为执行基于所述样本数据的所述第一预测标签与所述第一样本标签之间的差异，以及所述样本数据的所述第二预测标签与所述第二样本标签之间的差异，对所述推荐模型进行训练。
在一些实施例中，所述推荐参数是基于登录服务器的至少一个账号对所述服务器推荐的多媒体资源执行的操作确定的，所述服务器为所述目标账号所登录的服务器；
所述推荐单元，被配置为执行向所述服务器发送所述目标多媒体资源，由所述服务器将所述目标多媒体资源推荐给所述目标账号。
根据本公开实施例的再一方面，提供了一种电子设备，所述电子设备包括：
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，以实现上述所述的多媒体资源推荐方法。
根据本公开实施例的再一方面，提供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电子设备的处理器执行时，使得电子设备能够执行上述方面所述的多媒体资源推荐方法。
根据本公开实施例的再一方面，提供一种计算机程序产品，当所述计算机程序产品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上述方面所述的多媒体资源推荐方法。
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。
图1是根据一示例性实施例示出的一种实施环境的示意图。
图2是根据一示例性实施例示出的一种多媒体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另一种多媒体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推荐模型的结构示意图。
图5是根据一示例性实施例示出的一种广告推荐的流程图。
图6是根据一示例性实施例示出的一种推荐模型训练方法的流程图。
图7是根据一示例性实施例示出的一种多媒体资源推荐方法的流程图。
图8是根据一示例性实施例示出的一种多媒体资源推荐装置的框图。
图9是根据一示例性实施例示出的另一种多媒体资源推荐装置的框图。
图10是根据一示例性实施例示出的一种终端的框图。
图11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说明中的术语“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。
本公开所使用的术语“至少一个”、“多个”、“每个”、“任一”，至少一个包括一个、两个或两个以上，多个包括两个或两个以上，而每个是指对应的多个中的每一个，任一是指多个中的任意一个。举例来说，多个账号包括3个账号，而每个是指这3个账号中的每一个账号，任一是指这3个账号中的任意一个账号，能够是第一个账号，或者，是第二个账号，或者，是第三个账号。
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)，均为经用户授权或者经过各方充分授权的信息。
本公开实施例提供的多媒体资源推荐方法由电子设备执行，在一些实施例中，该电子设备为终端，例如，该终端为手机、平板电脑、计算机等多种类型的终端。在一些实施例中，该电子设备为服务器，例如，该服务器为一台服务器，或者，是由若干服务器组成的服务器集群，或者，是一个云计算服务中心。
在一些实施例中，该电子设备提供为中心服务器。图1是根据一示例性实施例提供的一种实施环境的示意图，该实施环境包括：中心服务器101和至少一个平台服务器102，中心服务器101与每个平台服务器102能够通过网络连接进行交互。
中心服务器101能够为每个平台服务器102提供多媒体资源推荐服务，对于每个平台服务器102，中心服务器101能够基于该平台服务器102的推荐参数、登录该平台服务器102的账号的账号信息以及该中心服务器101中待推荐的多个多媒体资源的资源信息，为该账号确定目标多媒体资源，通过与平台服务器102之间的网络连接，向该平台服务器102发送该目标多媒体资源，由平台服务器102将目标多媒体资源推荐给该账号。
在一些实施例中，对于任一平台服务器102，在用户基于账号登录该平台服务器102时，该平台服务器102向中心服务器101发送资源获取请求，该资源获取请求携带该账号的账号信息及该平台服务器102的推荐参数，中心服务器101接收到该资源获取请求后，为该账号确定待推荐的目标多媒体资源，向该平台服务器102发送目标多媒体资源，由平台服务器102将目标多媒体资源推荐给该账号。
图2是根据一示例性实施例示出的一种多媒体资源推荐方法的流程图，参见图2，该方法由电子设备执行，包括以下步骤。
201、电子设备获取待推荐的账号信息及账号信息对应的推荐参数。
其中，该账号信息用于描述目标账号，与账号信息对应的推荐参数用于表示与该账号信息匹配的多媒体资源推荐情况。
202、电子设备基于账号信息、推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个多媒体资源的目标参数。
其中，目标参数指示将对应的多媒体资源推荐给目标账号时，目标账号对应的终端对多媒体资源执行操作的可能性。目标账号对应的终端对多媒体资源执行的操作为点击操作、转化操作等。例如，该目标参数为曝光转化率，该曝光转化率指示将多媒体资源推荐给目标账号后，目标账号对应的终端对该多媒体资源执行转化操作的可能性。
在本公开实施例中，基于目标账号的账号信息、推荐参数及每个多媒体资源的资源信息，能够确定出将每个多媒体资源推荐给目标账号时，目标账号对应的终端对多媒体资源执行操作的可能性。该目标账号对应的终端对该多媒体资源执行操作，表示该目标账号对应的用户对该多媒体资源感兴趣，因此，目标参数能够反映出目标账号对应的用户对多媒体资源的感兴趣程度。
由于每个多媒体资源的目标参数中融入了账号信息对应的推荐参数及目标账号的账号信息，目标参数能够与该目标账号相匹配，以保证后续能够为目标账号进行多媒体资源推荐。
203、电子设备基于多个多媒体资源的目标参数，从多个多媒体资源中将目标参数最高的至少一个多媒体资源，确定为目标多媒体资源。
由于每个多媒体资源的目标参数表示目标账号对每个多媒体资源执行操作的可能性，即目标参数能够表示出目标账号对多媒体资源的感兴趣程度，因此，从中选取目标参数最高的至少一个多媒体资源，作为目标多媒体资源，即选取了目标账号最感兴趣的至少一个目标多媒体资源，以便后续将目标多媒体资源推荐给目标账号，从而保证后续的推荐效果。
204、电子设备将目标多媒体资源推荐给目标账号。
由于目标多媒体资源为目标账号感兴趣的多媒体资源，将目标账号感兴趣的目标多媒体资源推荐给目标账号，以便目标账号对应的用户能够查看该目标多媒体资源，保证推荐效果。
本公开实施例提供的方法，引入了一种与账号信息对应的推荐参数，该推荐参数能够体现出与该账号信息匹配的多媒体资源推荐情况，在为账号推荐多媒体资源时，基于账号信息、与该账号信息对应的推荐参数及待推荐的多个多媒体资源的资源信息，确定每个多媒体资源的目标参数，考虑到了与该账号信息匹配的多媒体资源推荐情况，使得目标参数与该目标账号相匹配，目标参数能够表示出目标账号对多媒体资源的感兴趣程度，以便将多个多媒体资源中目标账号最感兴趣的目标多媒体资源推荐给目标账号，能够实现为账号进行个性化推荐的方案，从而保证了推荐效果。
在一些实施例中，基于账号信息、推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个多媒体资源的目标参数，包括：
对于待推荐的每个多媒体资源，将账号信息的账号特征及多媒体资源的资源信息的多媒体资源特征进行融合，得到第一融合特征；
基于推荐参数的推荐参数特征及第一融合特征，分别获取多媒体资源的第一参数及第二参数，第一参数指示将多媒体资源推荐给目标账号时，目标账号对应的终端对多媒体资源执行点击操作的可能性，第二参数指示将多媒体资源推荐给目标账号时，目标账号对应的终端对多媒体资源执行点击操作后再执行转化操作的可能性；
将第一参数与第二参数进行融合，得到多媒体资源的目标参数。
在一些实施例中，基于推荐参数的推荐参数特征及第一融合特征，分别获取多媒体资源的第一参数及第二参数，包括：
对推荐参数特征进行特征转换，得到第一融合特征的权重特征；
基于推荐参数特征、第一融合特征及权重特征，分别获取第一参数及第二参数。
在一些实施例中，方法还包括：
基于账号信息及多媒体资源的资源信息，获取关联特征，关联特征指示目标账号对应的终端与多媒体资源的交互情况，且还指示目标账号对应的终端与其他多媒体资源的交互情况，其他多媒体资源为本端推荐的、且除多媒体资源外的多媒体资源；
将账号信息的账号特征及多媒体资源的资源信息的多媒体资源特征进行融合，得到第一融合特征，包括：
将账号特征、多媒体资源特征及关联特征进行融合，得到第一融合特征。
在一些实施例中，基于账号信息、推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个多媒体资源的目标参数，包括：
调用推荐模型，基于账号信息、推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个多媒体资源的目标参数。
在一些实施例中，推荐模型包括特征提取子模型、点击预测子模型、转化预测子模型及融合子模型；调用推荐模型，基于账号信息、推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个多媒体资源的目标参数，包括：
对于待推荐的每个多媒体资源，调用特征提取子模型，将账号信息的账号特征及多媒体资源的资源信息的多媒体资源特征进行融合，得到第一融合特征；
调用点击预测子模型，基于推荐参数的推荐参数特征及第一融合特征，获取多媒体资源的第一参数，第一参数指示将多媒体资源推荐给目标账号时，目标账号对应的终端对多媒体资源执行点击操作的可能性；
调用转化预测子模型，基于推荐参数特征及第一融合特征，获取多媒体资源的第二参数，第二参数指示将多媒体资源推荐给目标账号时，目标账号对应的终端对多媒体资源执行点击操作后再执行转化操作的可能性；
调用融合子模型，将第一参数与第二参数进行融合，得到多媒体资源的目标参数。
在一些实施例中，推荐模型还包括权重获取子模型，方法还包括：
调用权重获取子模型，对推荐参数特征进行特征转换，得到第一融合特征的权重特征；
调用点击预测子模型，基于推荐参数的推荐参数特征及第一融合特征，获取多媒体资源的第一参数，包括：
调用点击预测子模型，将第一融合特征与权重特征进行融合，得到第二融合特征；
调用点击预测子模型，将第二融合特征与推荐参数特征进行融合，得到第一参数。
在一些实施例中，权重获取子模型包括n个权重获取层，点击预测子模型包括n个第一参数获取层和n个第一融合层，第i个第一融合层分别与第i个权重获取层和第i个第一参数获取层对应，n为大于1的整数，i为不大于n的正整数；调用权重获取子模型，对推荐参数特征进行特征转换，得到第一融合特征的权重特征，包括：
基于第i个权重获取层，对推荐参数特征进行特征转换，得到第i个权重特征；
调用点击预测子模型，将第一融合特征与权重特征进行融合，得到第二融合特征，包括：
基于第1个第一参数获取层，对第一融合特征进行降维处理，得到第1个第一降维特征；
基于第1个第一融合层，将第1个降维特征与第1个权重特征进行融合，得到第1个第三融合特征；
对于第j个第一参数获取层及第j个第一融合层，基于第j个第一参数获取层，对第j-1个第三融合特征进行降维处理，得到第j个第一降维特征，基于第j个第一融合层，将第j个第一降维特征与第j个权重特征进行融合，得到第j个第三融合特征，重复上述步骤，直至基于第n个第一融合层得到第二融合特征，j为大于1且不大于n的整数。
在一些实施例中，推荐模型还包括权重获取子模型，方法还包括：
调用权重获取子模型，对推荐参数特征进行特征转换，得到第一融合特征的权重特征；
调用转化预测子模型，基于推荐参数特征及第一融合特征，获取多媒体资源的第二参数，包括：
调用转化预测子模型，将第一融合特征与权重特征进行融合，得到第四融合特征；
调用转化预测子模型，将第四融合特征与推荐参数特征进行融合，得到第二参数。
在一些实施例中，权重获取子模型包括n个权重获取层，转化预测子模型包括n个第二参数获取层和n个第二融合层，第i个第二融合层分别与第i个权重获取层和第i个第二参数获取层对应，n为大于1的整数，i为不大于n的正整数；调用权重获取子模型，对推荐参数特征进行特征转换，得到第一融合特征的权重特征，包括：
基于第i个权重获取层，对推荐参数特征进行特征转换，得到第i个权重特征；
调用转化预测子模型，将第一融合特征与权重特征进行融合，得到第四融合特征，包括：
基于第1个第二参数获取层，对第一融合特征进行降维处理，得到第1个第二降维特征；
基于第1个第二融合层，将第1个降维特征与第1个权重特征进行融合，得到第1个第五融合特征；
对于第j个第二参数获取层及第j个第二融合层，基于第j个第二参数获取层，对第j-1个第五融合特征进行降维处理，得到第j个第二降维特征，基于第j个第二融合层，将第j个第二降维特征与第j个权重特征进行融合，得到第j个第五融合特征，重复上述步骤，直至基于第n个第二融合层得到第四融合特征，j为大于1且不大于n的整数。
在一些实施例中，方法还包括：
调用特征提取子模型，基于账号信息及多媒体资源的资源信息，获取关联特征，关联特征指示目标账号对应的终端与多媒体资源的交互情况，且还指示目标账号对应的终端与其他多媒体资源的交互情况，其他多媒体资源为本端推荐的、且除多媒体资源外的多媒体资源；
调用特征提取子模型，将账号信息的账号特征及多媒体资源的资源信息的多媒体资源特征进行融合，得到第一融合特征，包括：
调用特征提取子模型，将账号特征、多媒体资源特征及关联特征进行融合，得到第一融合特征。
在一些实施例中，方法还包括：
获取样本数据及样本数据对应的样本标签，样本数据包括样本账号信息、样本多媒体资源的样本资源信息及样本账号信息对应的样本推荐参数，样本标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端是否对样本多媒体资源执行了操作；
调用推荐模型，基于样本数据，获取样本数据对应的样本多媒体资源的预测标签，预测标签指示将所述样本多媒体资源推荐给样本账号时，样本账号对应的终端对样本多媒体资源执行操作的可能性；
基于样本数据的预测标签及样本标签之间的差异，对推荐模型进行训练。
在一些实施例中，样本标签包括第一样本标签，第一样本标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端是否对样本多媒体资源执行了转化操作，预测标签包括第一预测标签，第一预测标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端对样本多媒体资源执行转化操作的可能性；推荐模型包括特征提取子模型、点击预测子模型、转化预测子模型及融合子模型；调用推荐模型，基于样本数据，获取样本数据对应的样本多媒体资源的预测标签，包括：
调用特征提取子模型，将样本账号信息的样本账号特征及样本资源信息的样本多媒体资源特征进行融合，得到样本融合特征；
调用点击预测子模型，基于样本推荐参数的推荐参数特征及样本融合特征，获取样本多媒体资源的第二预测标签，第二预测标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端对样本多媒体资源执行点击操作的可能性；
调用转化预测子模型，基于样本推荐参数特征及样本融合特征，获取多媒体资源的第三预测标签，第三预测标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端对样本多媒体资源执行点击操作后再执行转化操作的可能性；
调用融合子模型，将第二预测标签与第三预测标签进行融合，得到第一预测标签。
在一些实施例中，样本标签还包括第二样本标签，第二样本标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端是否对样本多媒体资源执行了点击操作；基于样本数据的预测标签及样本标签之间的差异，对推荐模型进行训练，包括：
基于样本数据的第一预测标签与第一样本标签之间的差异，以及样本数据的第二预测标签与第二样本标签之间的差异，对推荐模型进行训练。
在一些实施例中，推荐参数是基于登录服务器的至少一个账号对服务器推荐的多媒体资源执行的操作确定的，服务器为目标账号所登录的服务器；
将目标多媒体资源推荐给目标账号，包括：
向服务器发送目标多媒体资源，由服务器将目标多媒体资源推荐给目标账号。
在上述图2所示的实施例的基础上，还能够调用推荐模型来获取每个多媒体资源的目标参数，以推荐模型包括特征提取子模型、点击预测子模型、转化预测子模型、融合子模型及权重获取子模型为例，多媒体资源推荐过程详见下述实施例。
图3是根据一示例性实施例示出的一种多媒体资源推荐方法的流程图，参见图3，该方法由中心服务器执行，包括以下步骤。
301、中心服务器获取待推荐的账号信息及服务器的推荐参数，账号信息指代待推荐资源的目标账号，目标账号为登录服务器的账号，推荐参数是基于登录服务器的至少一个账号对服务器推荐的多媒体资源执行的操作确定的。
在本公开实施例中，该服务器是由该中心服务器提供推荐服务的，目标信息指代的目标账号为登录该服务器的账号，也即是该目标账号为该服务器中注册的账号。在一些实施例中，该服务器是由该中心服务器提供推荐服务的多个服务器中的任一服务器。其中，每个服务器为一个资源展示应用提供服务，每个资源展示应用能够展示多媒体资源。
其中，该账号信息用于描述登录该服务器的目标账号，在一些实施例中，该账号信息包括目标账号对应的用户的职业、年龄、性别、兴趣爱好等。
在本公开实施例中，由于该账号信息指代的目标账号为登录该服务器的账号，则服务器的推荐参数也即是与该账号信息对应的推荐参数。该推荐参数能够反映出登录该服务器的账号对该服务器推荐的多媒体资源执行操作的情况，即能够反映出该服务器为登录该服务器的账号推荐多媒体资源的情况。在一些实施例中，该推荐参数包括多媒体资源的曝光点击率或点击转化率。该曝光点击率指示登录该服务器的至少一个账号对该服务器推荐的多媒体资源执行点击操作的情况，该点击转化率指示登录该服务器的至少一个账号对该服务器推荐的多媒体资源执行点击操作后再执行转化操作的情况。在一些实施例中，该推荐参数包括属于不同类型的多媒体资源的曝光点击率或转化率。例如，服务器能够为登录该服务器的每个账号推荐多媒体资源，并统计每个账号对推荐的多媒体资源执行的操作，如每个账号对多媒体资源执行的点击操作或在执行点击操作后再执行转化操作等，通过统计每个账号对推荐的多媒体资源执行的操作的情况，即可得到该服务器的推荐参数。在一些实施例中，该推荐参数还包括该服务器的关联参数。其中，该关联参数是与该服务器相关的参数。例如，该服务器为目标应用提供服务器，该关联信息包括该目标应用所属的应用类型对应的点击率或转化率。
在一些实施例中，301包括：服务器向该中心服务器发送资源获取请求，该资源获取请求携带该账号信息及该服务器的推荐参数，中心服务器接收该资源获取请求。
在本公开实施例中，该中心服务器为服务器提供推荐服务，在接收到该服务器发送的资源获取请求时，表示需要为登录该服务器的目标账号推荐多媒体资源，后续能够为该目标账号确定待推荐的目标多媒体资源。
例如，终端基于目标账号登录该服务器后，服务器向该中心服务器发送资源获取请求，以便后续为该目标账号推荐目标多媒体资源。
再例如，终端基于目标账号向该服务器发送登录请求，该登录请求携带该目标账号，服务器接收该登录请求，验证该目标账号是否为该服务器中注册的账号，在验证通过的情况下，向中心服务器发送资源获取请求，并向终端发送验证通过通知，终端接收验证通过通知，显示登录成功的界面。
在一些实施例中301包括：服务器向该中心服务器发送资源获取请求，该资源获取请求携带该账号信息及服务器的初始推荐参数，基于该服务器的初始推荐参数，获取服务器的关联参数，将该初始推荐参数及该关联参数进行融合，得到该服务器的推荐参数。
通过获取与服务器相关的关联参数，推荐参数中包含的信息，从而保证推荐参数的准确性，以保证后续推荐效果。
需要说明的是，本公开实施例是将服务器的推荐参数，作为与账号信息对应的推荐参数的，而在另一实施例中，与账号信息对应的推荐参数还能够为其他推荐参数，例如，其他推荐参数用于表示与该账号信息相似的其他账号信息对推荐的多媒体资源执行操作的情况，则无需执行301，能够采取其他方式获取待推荐的账号信息及与该账号信息对应的推荐参数。
302、中心服务器对于待推荐的每个多媒体资源，调用推荐模型中的特征提取子模型，将账号信息的账号特征及多媒体资源的资源信息的多媒体资源特征进行融合，得到第一融合特征。
其中，账号特征用于表征该目标账号的账号信息，该多媒体资源特征用于表征该多媒体资源的资源信息，多媒体资源的资源信息用于描述对应的多媒体资源。在一些实施例中，该资源信息包括多媒体资源的简介信息或多媒体资源的资源推荐参数，该资源推荐参数用于描述该多媒体资源的推荐情况，该资源推荐参数是基于至少一个账号对该多媒体资源执行的操作确定的。例如，该资源推荐参数包括该多媒体资源的曝光点击率或点击转化率。例如，在将该多媒体资源推荐给至少一个账号后，基于该至少一个账号是否对该多媒体资源执行了点击操作，能够确定该多媒体资源的曝光点击率；在该至少一个账号对该多媒体资源执行点击操作之后，基于至少一个账号是否对该多媒体资源执行了转化操作，确定该多媒体资源的点击转化率。
第一融合特征是基于账号特征及多媒体资源的多媒体资源特征融合得到的，即该第一融合特征能够表征目标账号的特征及该多媒体资源的特征。
在本公开实施例中，中心服务器中存储有待推荐的多个多媒体资源，例如，多媒体资源为广告、视频、图像等。基于中心服务器与该服务器之间的交互，能够将中心服务器中存储的多媒体资源推荐给登录该服务器的目标账号，从而实现了该中心服务器为其他服务器提供推荐服务的效果。
在一些实施例中，302包括：调用该特征提取子模型，分别对账号信息及该资源信息进行特征提取，得到该账号特征及该多媒体资源特征，将该账号特征与该多媒体资源特征进行拼接，得到该第一融合特征。
通过将账号特征与该多媒体资源特征进行拼接，使得拼接得到的第一融合特征中既包括账号特征，又包括多媒体资源特征，便于后续基于该第一融合特征来确定多媒体资源的目标参数。
在一些实施例中，该第一融合特征是由账号特征、多媒体资源特征及关联特征融合得到的，也即是，获取第一融合特征的过程，包括：调用特征提取子模型，基于账号信息及多媒体资源的资源信息，获取关联特征，调用特征提取子模型，将账号特征、多媒体资源特征及关联特征进行融合，得到第一融合特征。
其中，关联特征指示目标账号对应的终端与多媒体资源的交互情况，且还指示目标账号对应的终端与其他多媒体资源的交互情况，该其他多媒体资源为本端推荐的、且除多媒体资源外的多媒体资源。由于关联特征不仅指示目标账号与该多媒体资源之间的交互情况，还指示目标账号与其他多媒体资源的交互情况，因此，通过引入该关联特征，以丰富第一融合特征中包含的信息，以保证后续基于该第一融合特征获取到的目标参数的准确性，从而保证推荐效果。
例如，该关联特征不仅能够指示该目标账号对应的终端是否对该多媒体资源执行过操作，还能够指示在中心服务器为该目标账号推荐的其他多媒体资源中，目标账号对应的终端对其他多媒体资源执行操作的情况。例如，该关联特征能够反映出该目标账号对应的曝光点击率或点击转化率，例如，中心服务器为目标账号推荐过10个多媒体资源，目标账号对应的终端对6个多媒体资源执行了点击操作，即该目标账号对应的曝光点击率为0.6，在这6个多媒体资源中，目标账号对应的终端对其中的3个多媒体资源执行了转化操作，即该目标账号对应的点击转化率为0.5。
在一些实施例中，获取第一融合特征的过程，包括：基于该账号信息及该多媒体资源的资源信息，获取关联信息，调用特征提取子模型，分别对该账号信息、该多媒体资源的资源信息及该关联信息进行特征提取，得到账号特征、多媒体资源特征及关联特征，将该账号特征、该多媒体资源特征及该关联特征进行拼接，得到该第一融合特征。
其中，关联信息用于描述目标账号对应的终端与多媒体资源的交互情况，且还能够描述目标账号对应的终端与其他多媒体资源的交互情况。例如，关联信息包括用于描述目标账号是否对该多媒体资源执行过点击操作或转化操作的信息，或者，目标账号对历史推荐的其他多媒体资源的点击率或转化率，或者，该目标账号对属于不同类型的多媒体资源的点击率和转化率，或者，该目标账号执行过操作的多媒体资源的点击率或转化率等。
303、中心服务器调用推荐模型中的权重获取子模型，对该推荐参数的推荐参数特征进行特征转换，得到第一融合特征的权重特征。
在本公开实施例中，该推荐模型包括权重获取子模型，该权重获取子模型用于获取第一融合特征的权重特征，该权重特征能够指示在该服务器中，第一融合特征对该服务器推荐的多媒体资源的目标参数的影响程度。该推荐参数特征用于表征该推荐参数，用于体现该服务器为登录该服务器的账号推荐多媒体资源的情况。
在一些实施例中，303包括：中心服务器调用该推荐模型中的特征提取子模型，对该推荐参数进行特征提取，得到该推荐参数特征，调用该权重获取子模型，对该推荐参数特征进行特征转换，得到该权重特征。
将推荐参数输入至该特征提取子模型，该特征提取子模型输出该推荐参数特征，并将该推荐参数特征输入至该权重获取子模型，得到该权重特征。
在一些实施例中，该推荐模型还包括另一个特征提取子模型，为了便于区分，将用于获取第一融合特征的特征提取子模型称为第一特征提取子模型，将另一个特征提取子模型称为第二特征提取子模型，则303包括：调用第二特征提取子模型，对该推荐参数进行特征提取，得到该推荐参数特征，调用该权重获取子模型，对该推荐参数特征进行特征转换，得到该权重特征。
在本公开实施例中，推荐模型包括第一特征提取子模型和第二特征提取子模型，该第一特征提取子模型用于获取第一融合特征，第二特征提取子模型用于获取推荐参数的推荐参数特征。
304、中心服务器调用推荐模型中的点击预测子模型，将第一融合特征与权重特征进行融合，得到第二融合特征。
其中，该点击预测子模型用于获取第一参数，第一参数指示将该多媒体资源推荐给该目标账号时，该目标账号对应的终端对该多媒体资源执行点击操作的可能性，在本公开实施例中，第一参数也指示由该服务器将该多媒体资源推荐给该目标账号时，该目标账号对应的终端对该多媒体资源执行点击操作的可能性。该点击操作为目标账号对应的终端对多媒体资源执行的查看操作，对该多媒体资源执行点击操作后，终端能够显示该多媒体资源，供目标账号对应的用户查看。例如，第一参数为曝光点击率，该点击预测模型用于获取该曝光点击率。例如，该第一参数为PCTR(Predict Click-Through Rate，预测曝光点击率)。
在一些实施例中，权重获取子模型包括n个权重获取层，点击预测子模型包括n个第一参数获取层和n个第一融合层，第i个第一融合层分别与第i个权重获取层和第i个第一参数获取层对应，n为大于1的整数，i为不大于n的正整数。上述基于权重获取子模型及点击预测子模型获取第二融合特征的过程，包括以下步骤1-步骤4。
步骤1、基于第i个权重获取层，对推荐参数特征进行特征转换，得到第i个权重特征。
在本公开实施例中，每个权重获取层的输入相同，均为该推荐参数特征，不同的权重获取层输出的权重特征不同。在一些实施例中，不同的权重获取层输出的权重特征的特征尺寸不同。例如，由第1个权重特征至第n个权重特征，权重特征的特征尺寸逐渐变小。
在一些实施例中，第i个权重特征满足以下关系：
Pi＝tanh(Embedding(context)Wi)
其中，Pi表示第i个权重特征，tanh(·)表示双曲正切函数，Embedding(context)表示推荐参数特征，Wi表示第i个权重获取层的变换矩阵。
步骤2、基于第1个第一参数获取层，对第一融合特征进行降维处理，得到第1个第一降维特征。
在本公开实施例中，点击预测子模型的第1个第一参数获取层的输入为第一融合特征，该第1个第一降维特征的特征尺寸小于该第一融合特征的特征尺寸。例如，该第一参数获取层为卷积层，通过对第一融合特征进行卷积处理，得到一个小尺寸的特征，即该第1个第一降维特征。
步骤3、基于第1个第一融合层，将第1个降维特征与第1个权重特征进行融合，得到第1个第三融合特征。
在一些实施例中，第1个第一融合层输出的第三融合特征的特征尺寸、第1个降维特征的特征尺寸及第1个权重特征的特征尺寸相同。则该步骤3包括：基于第1个第一融合层，将第1个降维特征与第1个权重特征的乘积，确定为第1个第三融合特征。
例如，第1个降维特征包括多个特征值，第1个权重特征也包括多个特征值，基于第1个第一融合层，确定第1个降维特征与第1个权重特征中相同位置的特征值的乘积，将得到的多个乘积构成第1个第三融合特征。
步骤4、对于第j个第一参数获取层及第j个第一融合层，基于第j个第一参数获取层，对第j-1个第三融合特征进行降维处理，得到第j个第一降维特征，基于第j个第一融合层，将第j个第一降维特征与第j个权重特征进行融合，得到第j个第三融合特征，重复上述步骤，直至基于第n个第一融合层得到第二融合特征，j为大于1且不大于n的整数。
在本公开实施例中，第j个第一参数获取层的输入为第j-1个第一融合层输出的第j-1个第三融合特征。每个第一参数获取层对输入的特征进行降维处理，得到一个第一降维特征，与上述步骤2和步骤3同理，基于第j个第一参数获取层及第j个第一融合层进行处理，得到第j个第三融合特征，重复上述步骤，即可得到第n个融合层输入的第二融合特征。
在公开实施例中，权重获取子模型包括多个权重获取层，不同的权重获取层用于获取代表不同维度的特征的权重，且点击预测子模型包括相同数目的第一参数获取层和第一融合层。基于该点击预测子模型包括的第一参数获取层及第一融合层，将多个权重特征与第一融合特征进行融合，以增强该第一融合特征在各个维度上的特征，使得到的第二融合特征与该服务器所具有的特性相匹配，从而保证第二融合特征的准确性。
305、中心服务器调用推荐模型中的点击预测子模型，将第二融合特征与推荐参数特征进行融合，得到第一参数。
在本公开实施例中，权重特征是通过服务器的推荐参数特征得到的，该权重特征相当于该服务器对应的权重，先将第一融合特征与权重特征进行融合，再将融合得到的第二权重特征与推荐参数特征进行融合，使第一参数中融入了该服务器自身所具有的特征，以保证得到的第一参数与该服务器相匹配，从而保证了第一参数的准确性，以便后续能够实现在该服务器中为目标账号实现个性化推荐的效果。
在一些实施例中，点击预测子模型包括参数输出层，305包括：基于该参数输出层，将第二融合特征与推荐参数特征进行融合，得到第一参数。
在一些实施例中，305包括：中心服务器调用点击预测子模型，将第二融合特征与推荐参数特征进行拼接，得到拼接特征，对该拼接特征进行特征转换，得到该第一参数。
通常将第二融合特征与推荐参数特征进行拼接，并对拼接后的拼接特征进行特征转换，以丰富拼接特征中包含的特征，以捕捉第二融合特征与服务器对应的推荐参数特征之间的相关性，保证第一参数的准确性。
在一些实施例中，该第二融合特征、推荐参数特征及第一参数，满足以下关系：
y＝wT·Concatenate[x，Embedding(context)]+b
其中，y表示第一参数，w表示点击预测子模型中的变换矩阵，T表示对矩阵的转置，Concatenate[·]表示对特征进行拼接；x表示第二融合特征，Embedding(context)表示推荐参数特征，b表示点击预测子模型中的变换参数。
需要说明的是，本公开实施例是先将第一融合特征与权重特征进行融合，再将第二融合特征与推荐参数特征进行融合来获取第一参数的，而在另一实施例中，无需执行步骤304-305，能够采取其他方式，调用点击预测子模型，基于推荐参数的推荐参数特征及第一融合特征，获取多媒体资源的第一参数。
306、中心服务器调用转化预测子模型，将第一融合特征与权重特征进行融合，得到第四融合特征。
其中，转化预测子模型用于获取第二参数，第二参数指示将该多媒体资源推荐给该目标账号时，该目标账号对应的终端对该多媒体资源执行点击操作后再执行转化操作的可能性，在本公开实施例中，第二参数也指示由该服务器将该多媒体资源推荐给该目标账号时，该目标账号对应的终端对该多媒体资源执行点击操作后再执行转化操作的可能性。例如，第二参数为点击转化率，该转化预测模型用于获取该点击转化率，即预测将多媒体资源推荐给目标账号后，目标账号对应的终端对该多媒体资源执行点击操作后，再执行转化操作的可能性。例如，该转化操作为注册操作、下单操作等。例如，目标账号对应的终端对多媒体资源执行的点击操作后，目标账号对应的终端对该多媒体资源执行注册操作、下单操作、或者激活操作等。例如，该第二参数为PCVR(Predict Conversion Rate，预测点击转化率)。
在一些实施例中，权重获取子模型包括n个权重获取层，转化预测子模型包括n个第二参数获取层和n个第二融合层，第i个第二融合层分别与第i个权重获取层和第i个第二参数获取层对应，n为大于1的整数，i为不大于n的正整数。上述基于权重获取子模型及转化预测子模型获取第四融合特征的过程，包括以下步骤5-步骤8。
步骤5、基于第i个权重获取层，对推荐参数特征进行特征转换，得到第i个权重特征。
步骤6、基于第1个第二参数获取层，对第一融合特征进行降维处理，得到第1个第二降维特征。
步骤7、基于第1个第二融合层，将第1个降维特征与第1个权重特征进行融合，得到第1个第五融合特征。
步骤8、对于第j个第二参数获取层及第j个第二融合层，基于第j个第二参数获取层，对第j-1个第五融合特征进行降维处理，得到第j个第二降维特征，基于第j个第二融合层，将第j个第二降维特征与第j个权重特征进行融合，得到第j个第五融合特征，重复上述步骤，直至基于第n个第二融合层得到第四融合特征，j为大于1且不大于n的整数。
需要说明的是，上述步骤5-8，与上述步骤1-4同理，在此不再赘述。
在公开实施例中，权重获取子模型包括多个权重获取层，不同的权重获取层用于获取代表不同维度的特征的权重，且转化预测子模型包括相同数目的第二参数获取层和第二融合层。基于该转化预测子模型包括的第二参数获取层及第二融合层，将多个权重特征与第一融合特征进行融合，以增强该第一融合特征在各个维度上的特征，使得到的第四融合特征与该服务器所具有的特性相匹配，从而保证第四融合特征的准确性。
307、中心服务器调用转化预测子模型，将第四融合特征与推荐参数特征进行融合，得到第二参数。
在本公开实施例中，权重特征是通过服务器的推荐参数特征得到的，先将第一融合特征与权重特征进行融合，再将融合得到的第四权重特征与推荐参数特征进行融合，使第一参数中融入了该服务器自身所具有的特征，以保证得到的第二参数与该服务器相匹配，从而保证了第二参数的准确性，以便后续能够实现在该服务器中为目标账号实现个性化推荐的效果。
在一些实施例中，转化预测子模型包括参数输出层，305包括：基于该参数输出层，将第四融合特征与推荐参数特征进行融合，得到第二参数。
在一些实施例中，307包括：中心服务器调用转化预测子模型，将第四融合特征与推荐参数特征进行拼接，得到拼接特征，对该拼接特征进行特征转换，得到该第二参数。
需要说明的是，本公开实施例是先将第一融合特征与权重特征进行融合，再将第四融合特征与推荐参数特征进行融合来获取第二参数的，而在另一实施例中，无需执行步骤306-307，能够采取其他方式，调用转化预测子模型，基于推荐参数特征及第一融合特征，获取多媒体资源的第二参数。
308、中心服务器调用推荐模型中的融合子模型，将第一参数与第二参数进行融合，得到多媒体资源的目标参数。
其中，目标参数指示将对应的多媒体资源推荐给账号信息指代的目标账号时，目标账号对应的终端对多媒体资源执行操作的可能性，在本公开实施例中，该目标参数也指示由该服务器将对应的多媒体资源推荐给目标账号时，目标账号对应的终端对多媒体资源执行操作的可能性。例如，该目标参数为曝光转化率。例如，该目标参数为PCTCVR(PredictClick-Through Conversion Rate，预测曝光转化率)。
由于第一参数指示该服务器将该多媒体资源推荐给该目标账号时，该目标账号对应的终端对该多媒体资源执行点击操作的可能性，第二参数指示该服务器将该多媒体资源推荐给该目标账号时，该目标账号对应的终端对该多媒体资源执行该点击操作后再执行转化操作的可能性，因此，将第一参数与第二参数进行融合，即可得到指示服务器将对应的多媒体资源推荐给目标账号时，目标账号对应的终端对多媒体资源执行转化操作的可能性。由于第一参数和第二参数所指示的多媒体资源的推荐情况不同，能够表示不同的信息，采用多任务的方式，先获取第一参数及第二参数，以丰富获取到的信息，之后，将第一参数与第二参数进行融合来获取目标参数，实现了以多种参数来获取目标参数的方式，从而提升了目标参数的准确性。
在一些实施例中，308包括：调用融合子模型，将第一参数与第二参数的乘积确定为该多媒体资源的目标参数。
在本公开实施例中，仅是以获取一个多媒体资源的目标参数为例来说明的，按照上述步骤302-308，能够获取待推荐的每个多媒体资源的目标参数。
需要说明的是，本公开实施例是以推荐模型包括特征提取子模型、点击预测子模型、转化预测子模型、融合子模型及权重获取子模型为例，基于推荐包括的多个子模型来获取目标参数的，且目标参数指示服务器将对应的多媒体资源推荐给目标账号时，目标账号对应的终端对多媒体资源执行转化操作的可能性，而在另一实施例中，无需执行步骤302-308，能够采取其他方式，基于账号信息、推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个多媒体资源的目标参数，且该目标参数还能够指示服务器将对应的多媒体资源推荐给目标账号时，目标账号对应的终端对多媒体资源执行其他操作的可能性。
309、中心服务器基于多个多媒体资源的目标参数，从多个多媒体资源中将目标参数最高的至少一个多媒体资源，确定为选取目标多媒体资源。
其中，目标多媒体资源的目标参数，大于多个多媒体资源中其余多媒体资源的目标参数。由于目标参数能够体现出目标账号对应的用户对多媒体资源的感兴趣程度，因此，从多个多媒体资源中选取目标参数最大的至少一个目标多媒体资源，即表示目标账号对应的用户对目标多媒体资源最感兴趣。
在一些实施例中，该步骤309包括：中心服务器基于多个多媒体资源的目标参数，从多个多媒体资源中选取目标参数最高的目标数量的目标多媒体资源。其中，目标数量为任意的数量，例如，该目标数量为3或5等。例如，按照多个多媒体资源的目标参数由大到小的顺序排列，从多个多媒体资源中选取排列靠前的目标数量的多媒体资源，作为目标多媒体资源。
310、中心服务器向服务器发送目标多媒体资源，由服务器将目标多媒体资源推荐给目标账号。
中心服务器向服务器发送该目标多媒体资源，以使服务器将该目标多媒体资源给目标账号。
在一些实施例中，该步骤310包括：中心服务器向服务器发送目标多媒体资源，服务器接收该目标多媒体资源，将该目标多媒体资源推荐给目标账号对应的终端，该终端接收该目标多媒体资源，显示该目标多媒体资源。通过服务器将目标多媒体资源推荐给目标账号对应的终端，由该终端显示目标多媒体资源，以便用户能够查看该目标多媒体资源。
在一些实施例中，在步骤310之后，该方法还包括：该服务器获取目标账号的推荐结果，向中心服务器发送该推荐结果，中心服务器接收该推荐结果，对该推荐结果与该目标账号和该服务器标识对应存储。
其中，该推荐结果指示该服务器将目标多媒体资源推荐给目标账号后，目标账号对应的终端对目标多媒体资源执行操作的真实情况，即目标账号对应的终端是否对该目标多媒体资源执行了操作，如果执行了操作是执行了哪种操作如点击操作或转化操作。因此，通过该推荐结果能够反映出多媒体资源的推荐效果，中心服务器接收该推荐结果并与目标账号和服务器标识对应存储，以便后续基于存储的推荐结果来优化推荐模型。
需要说明的是，本公开实施例是以由中心服务器为多个服务器提供推荐服务为例进行说明的，而在另一实施例中，账号信息指代的账号即为登录该中心服务器的账号，则无需执行步骤301及步骤310，中心服务器获取账号信息及该中心服务器的推荐参数，并按照上述步骤302-309，确定该账号信息指代的目标账号感兴趣的目标多媒体资源，之后，由该中心服务器将目标多媒体资源推荐给该目标账号。
本公开实施例提供的方法，提供了一种为多个服务器提供推荐服务的方式，引入了一种与账号信息对应的推荐参数，该推荐参数能够体现出与该账号信息匹配的多媒体资源推荐情况，在为登录任一服务器的账号推荐多媒体资源时，基于账号信息、服务器的推荐参数及待推荐的多个多媒体资源的资源信息，确定每个多媒体资源的目标参数，以使目标参数与该目标账号及该服务器相匹配，目标参数能够表示出目标账号对多媒体资源的感兴趣程度，以便将多个多媒体资源中目标账号最感兴趣的目标多媒体资源推荐给目标账号，能够实现为该服务器中的账号进行个性化推荐的方案，从而保证了推荐效果。
并且，在本公开实施例中，通过推荐模型来获取各个多媒体资源的目标参数，以保证目标参数的准确性，后续基于该目标参数来进行多媒体资源的推荐，从而保证推荐效果。
并且，以推荐模型包含的多个子模型来实现以多任务获取目标参数的方式，即先获取第一参数及第二参数，以丰富获取到的信息，之后，将第一参数与第二参数进行融合来获取目标参数，实现了以多种参数来获取目标参数的方式，从而提升了目标参数的准确性。
基于上述图3所示的实施例，根据一示例性实施例示出的一种推荐模型的结构示意图，参见图4，该推荐模型包括第一特征提取子模型、第二特征提取子模型、点击预测子模型、转化预测子模型、权重获取子模型及融合子模型。
其中，第一特征提取子模型用于分别对账号信息、多媒体资源的资源信息及关联信息进行特征提取，并将提取到的特征进行融合，得到第一融合特征。第二特征提取子模型用于对服务器的推荐参数进行特征提取，得到推荐参数特征。
点击预测子模型包括n个第一参数获取层、n个第一融合层及参数输出层，转化预测子模型包括n个第二参数获取层、n个第二融合层及参数输出层，权重获取子模型包括n个权重获取层，每个权重获取层用于获取一个权重特征。
对于点击预测子模型，第1个第一参数获取层输入为第一融合特征，将输出的第1个第一降维特征输入第1个第一融合层，第1个第一融合层将输入的第1个第一降维特征及第1个权重特征进行融合，得到第1个第三融合特征，将第1个第三融合特征输入第2个第一参数获取层，之后，基于其余的第一参数获取层、第一融合层、其余的权重特征，按照上述方式，直至第n个第一融合层输出的第二融合特征，基于参数输出层，将第二融合特征与推荐参数特征进行融合，得到第一参数。
对于转化预测子模型，与上述点击预测子模型同理，在第n个第二融合层输出第四融合特征后，基于点击预测子模型中的参数输出层，将第四融合特征与推荐参数特征进行融合，得到第二参数。
融合子模型用于将点击预测子模型输出的第一参数与转化预测子模型输出的第二参数进行融合，得到目标参数。
基于上述图3所示的实施例，根据一示例性实施例示出的一种广告推荐的流程图，参见图5，该流程包括以下步骤。
501、终端基于目标应用向该目标应用对应的服务器发送登录请求，该登录请求携带该目标账号。
其中，该服务器为该目标应用提供服务。
502、服务器接收该登录请求，验证该目标账号是否为该服务器中注册的账号，在验证通过的情况下，向中心服务器发送资源获取请求，该资源推荐请求携带登录该服务器的目标账号的账号信息及该服务器的推荐参数，并向终端发送验证通过通知。
在本公开实施例中，中心服务器中存储有待推荐的多个广告，该中心服务器能够为多个服务器提供广告推荐服务，每个服务器为一个应用提供服务，该应用中能够展示广告，不同的服务器对应的应用不同，例如，在多个服务器对应的应用中，一个应用为导航应用，一个应用为天气应用，另一个应用为视频分享应用。
503、终端接收验证通过通知，基于该目标应用显示登录成功的界面。
504、中心服务器接收到该服务器发送的资源推荐请求，对于待推荐的多个广告，按照上述步骤302-308，获取每个广告的目标参数。
505、中心服务器基于多个广告的目标参数，从多个广告中将目标参数最高的至少一个广告确定为目标广告，向服务器发送目标广告。
506、服务器接收该中心服务器发送的目标广告，向目标账号对应的终端发送该目标广告推荐。
507、终端接收该服务器发送的目标广告，基于该目标应用显示该目标广告。
本公开实施例中提供的推荐模型，相比于相关技术中的推荐模型，本公开提供的推荐模型的推荐效果好，能够在扩大推荐广告所带来的收益，并且在保证收益的情况下，能够降低推荐的广告数量，从而节省了投放广告的广告位，以便能够投放更多的广告，从而提升获取到的收益。
本公开实施例提供的方法，能够应用在联盟的场景下，中心服务器为多个应用对应的服务器提供推荐服务，基于该中心服务器，能够将广告投放在不同服务器对应的应用中。由于不同的服务器的推荐参数不同，在为登录不同服务器的账号推荐广告时，在不同服务器中推荐的广告可能不同，能够避免多个服务器中的广告流量质量不均匀，而导致广告推荐效果差的问题，从而能够实现为每个服务器实现个性化推荐。
在上述图3所示的实施例的基础上，在基于推荐模型来获取目标参数之前，还需要对推荐模型进行训练，以推荐模型包括特征提取子模型、点击预测子模型、转化预测子模型及融合子模型为例，训练过程详见下述实施例。
图6是根据一示例性实施例示出的一种推荐模型训练方法的流程图，参见图6，该方法包括以下步骤。
601、中心服务器获取样本数据及样本数据对应的样本标签。
其中，样本数据包括样本账号信息、样本多媒体资源的样本资源信息及样本账号信息对应的样本推荐参数，样本标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端是否对样本多媒体资源执行了操作。在本公开实施例中，样本账号信息指代登录样本服务器的样本账号，将该样本服务器的推荐参数作为该样本账号信息对应的样本推荐参数，该样本推荐参数是基于登录样本服务器的至少一个账号对样本服务器推荐的多媒体资源执行的操作确定的。
在本公开实施例中，样本标签包括第一样本标签和第二样本标签，第一样本标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端是否对样本多媒体资源执行了转化操作，第二样本标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端是否对样本多媒体资源执行了点击操作。也即是，第一样本标签指示样本服务器将样本多媒体资源推荐给样本账号时，样本账号对应的终端是否对样本多媒体资源执行了转化操作，第二样本标签指示样本服务器将样本多媒体资源推荐给样本账号时，样本账号对应的终端是否对样本多媒体资源执行了点击操作。
在一些实施例中，601包括：中心服务器获取多条样本数据及每条样本数据对应的样本标签。
其中，多条样本数据对应的样本服务器可能不同。例如，在多条样本数据对应的样本服务器中，包括样本服务器1和样本服务器2，后续按照多条样本数据对推荐模型进行训练，后续能够调用该推荐模型，为该样本服务器1和样本服务器2提供资源推荐服务。
602、中心服务器调用特征提取子模型，将样本账号信息的样本账号特征及样本资源信息的样本多媒体资源特征进行融合，得到样本融合特征。
该步骤与上述步骤302同理，在此不再赘述。
603、中心服务器调用点击预测子模型，基于样本推荐参数的推荐参数特征及样本融合特征，获取样本多媒体资源的第二预测标签。
其中，第二预测标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端对样本多媒体资源执行点击操作的可能性，在本公开实施例中，第二预测标签也指示样本服务器将样本多媒体资源推荐给样本账号时，样本账号对应的终端对样本多媒体资源执行点击操作的可能性。例如，第二预测标签为预测曝光点击率。该步骤与上述步骤305-305同理，在此不再赘述。
604、中心服务器调用转化预测子模型，基于样本推荐参数特征及样本融合特征，获取多媒体资源的第三预测标签。
其中，第三预测标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端对样本多媒体资源执行点击操作后再执行转化操作的可能性，在本公开实施例中，第三预测标签也指示样本服务器将样本多媒体资源推荐给样本账号时，样本账号对应的终端对样本多媒体资源执行点击操作后再执行转化操作的可能性。例如，第三预测标签为预测点击转化率。该步骤与上述步骤306-307同理，在此不再赘述。
605、中心服务器调用融合子模型，将第二预测标签与第三预测标签进行融合，得到第一预测标签。
其中，第一预测标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端对样本多媒体资源执行转化操作的可能性，在本公开实施例中，第一预测标签指示样本服务器将样本多媒体资源推荐给样本账号时，样本账号对应的终端对样本多媒体资源执行转化操作的可能性。例如，该第一预测标签为预测曝光转化率。该步骤与上述步骤308同理，在此不再赘述。
需要说明的是，本公开实施例是以预测标签包括第一预测标签及第二预测标签为例进行说明的，而在另一实施例中，无需执行步骤602-605，能够采取其他方式，调用推荐模型，基于样本数据，获取样本数据对应的样本多媒体资源的预测标签，预测标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端对样本多媒体资源执行操作的可能性。
606、中心服务器基于样本数据的第一预测标签与第一样本标签之间的差异，以及样本数据的第二预测标签与第二样本标签之间的差异，对推荐模型进行训练。
在本公开实施例中，样本数据对应的样本标签还包括第二样本标签，第二样本标签指示样本服务器将样本多媒体资源推荐给样本账号时，样本账号对应的终端是否对样本多媒体资源执行了点击操作。
由于第一预测标签指示样本服务器将样本多媒体资源推荐给样本账号时，样本账号对应的终端对样本多媒体资源执行转化操作的可能性，第一样本标签指示样本服务器将样本多媒体资源推荐给样本账号时，样本账号对应的终端是否对样本多媒体资源执行了转化操作，因此，第一预测标签与第一样本标签之间的差异，能够反映出推荐模型的准确率。并且，由于第二预测标签指示样本服务器将样本多媒体资源推荐给样本账号时，样本账号对应的终端对样本多媒体资源执行点击操作的可能性，第二样本标签指示样本服务器将样本多媒体资源推荐给样本账号时，样本账号对应的终端是否对样本多媒体资源执行了点击操作，因此，第二预测标签与第二样本标签之间的差异，也能够反映出推荐模型准确率。基于这两种差异对推荐模型进行调整，以提升推荐模型的准确性。
在一些实施例中，606包括：基于该样本数据的第一预测标签与第一样本标签之间的差异，确定第一损失值，基于该样本数据的第二预测标签与第二样本标签之间的差异，确定第二损失值，基于第一损失值与第二损失值之和，对推荐模型进行训练。
例如，第一预测标签为预测曝光转化率，第一样本标签为曝光转化率，第二预测标签为预测曝光点击率，第二样本标签为曝光点击率。曝光转化率为0或1，0表示样本账号未对样本多媒体资源执行转化操作，1表示样本账号对样本多媒体资源执行了转化操作；曝光点击率为0或1，0表示样本账号对样本多媒体资源未执行点击操作，1表示样本账号对样本多媒体资源执行了点击操作。基于预测曝光转化率和曝光转化率能够计算第一损失值，基于预测曝光点击率和曝光点击率能够确定第二损失值。
需要说明的是，本公开实施例是以一条样本数据为例进行说明的，而在另一实施例中，获取多条样本数据及每条样本数据对应的样本标签，按照上述步骤601-606，对推荐模型进行多次迭代训练。
需要说明的是，本公开实施例是以样本标签包括第一样本标签和第二样本标签为例，基于样本数据的第一预测标签与第一样本标签之间的差异，以及样本数据的第二预测标签与第二样本标签之间的差异，对推荐模型进行训练的，而在另一实施例中，无需执行步骤606，能够采取其他方式，基于样本数据的预测标签及样本标签之间的差异，对推荐模型进行训练。
本公开实施例提供的方法，样本数据包括样本账号信息、样本多媒体资源的样本资源信息及样本服务器的样本推荐参数，基于该样本数据及对应的样本标签对推荐模型进行训练，以提升推荐模型的准确性，以便后续调用推荐模型，基于服务器的推荐参数，能够为服务器实现个性化推荐。
并且，在训练推荐模型的过程中，获取多条样本数据及每条样本数据对应的样本标签，多条样本数据对应多个样本服务器，即按照该多条样本数据训练的推荐模型能够为该多个样本服务器提供推荐服务，后续基于该推荐模型，为登录该多个样本服务器的账号推荐多媒体资源，能够避免多个服务器中的多媒体资源推荐情况不同而导致推荐效果差的问题，也能够为多个服务器实现个性化推荐。
并且，通过由于第二预测标签和第三预测标签能够表示不同的信息，采用多任务的方式，先获取第二预测标签和第三预测标签，以丰富获取到的信息，之后，将第二预测标签和第三预测标签进行融合来获取第一预测标签，以保证获取到的第一预测标签的准确性。
并且，本公开实施例采用多任务的方式来训练推荐模型，即获取第一预测标签、第二预测标签及第三预测标签的多种任务，利用多任务来训练推荐模型，能够缓解样本数据稀疏而导致推荐模型准确率差的问题，从而提升推荐模型的准确性。并且，基于多个样本服务器对应的样本数据对推荐模型进行训练，丰富了训练推荐模型的样本数据，也能够提升推荐模型的准确性，能够缓解样本数据稀疏而导致推荐模型准确率差的问题。
需要说明的是，上述图3所示的实施例是以推荐模型为例，基于推荐模型来获取多媒体资源的目标参数的，而在另一实施例中，还能够无需调用推荐模型，采取其他方式来获取目标参数，获取目标参数的过程详见下述实施例。
图7是根据一示例性实施例示出的一种多媒体资源推荐方法的流程图，参见图7，该方法由中心服务器执行，包括以下步骤。
701、中心服务器获取待推荐的账号信息及服务器的推荐参数，账号信息指代待推荐资源的目标账号，目标账号为登录服务器的账号，推荐参数是基于登录服务器的至少一个账号对服务器推荐的多媒体资源执行的操作确定的。
该步骤与上述步骤301同理，在此不再赘述。
702、中心服务器对于待推荐的每个多媒体资源，将账号信息的账号特征及多媒体资源的资源信息的多媒体资源特征进行融合，得到第一融合特征。
在一些实施例中，该第一融合特征是由账号特征、多媒体资源特征及关联特征融合得到的，也即是，获取第一融合特征的过程，包括：基于账号信息及多媒体资源的资源信息，获取关联特征，关联特征指示目标账号对应的终端与多媒体资源的交互情况，且还指示目标账号对应的终端与其他多媒体资源的交互情况，其他多媒体资源为本端推荐的、且除多媒体资源外的多媒体资源，将账号特征、多媒体资源特征及关联特征进行融合，得到第一融合特征。
该步骤与上述步骤302同理，在此不再赘述。
703、中心服务器基于推荐参数的推荐参数特征及第一融合特征，分别获取多媒体资源的第一参数及第二参数，第一参数指示服务器将多媒体资源推荐给目标账号时，目标账号对应的终端对多媒体资源执行点击操作的可能性，第二参数指示服务器将多媒体资源推荐给目标账号时，目标账号对应的终端对多媒体资源执行点击操作后再执行转化操作的可能性。
在一些实施例中，该步骤703包括：对推荐参数特征进行特征转换，得到第一融合特征的权重特征；基于推荐参数特征、第一融合特征及权重特征，分别获取第一参数及第二参数。
该步骤与上述步骤303-307同理，在此不再赘述。
704、中心服务器将第一参数与第二参数进行融合，得到多媒体资源的目标参数。
该步骤与上述步骤308同理，在此不再赘述。
在本公开实施例中，仅是以获取一个多媒体资源的目标参数为例来说明的，按照上述步骤702-704，能够获取待推荐的每个多媒体资源的目标参数。
需要说明的是，本公开实施例是基于账号信息的账号特征、推荐参数的推荐特征及多媒体资源的多媒体资源特征来获取目标参数的，而在另一实施例中，无需执行步骤702-704，能够采取其他方式，基于账号信息、推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个多媒体资源的目标参数。
705、中心服务器基于多个多媒体资源的目标参数，从多个多媒体资源中将目标参数最高的至少一个多媒体资源，确定为目标多媒体资源。
706、中心服务器向服务器发送目标多媒体资源，由服务器将目标多媒体资源推荐给目标账号。
该步骤705-706与上述步骤309-310同理，在此不再赘述。
本公开实施例提供的方法，提供了一种为多个服务器提供推荐服务的方式，引入了一种与账号信息对应的推荐参数，该推荐参数能够体现出与该账号信息匹配的多媒体资源推荐情况，在为登录任一服务器的账号推荐多媒体资源时，基于账号信息、服务器的推荐参数及待推荐的多个多媒体资源的资源信息，确定每个多媒体资源的目标参数，以使目标参数与该目标账号及该服务器相匹配，目标参数能够表示出目标账号对多媒体资源的感兴趣程度，以便将多个多媒体资源中目标账号最感兴趣的目标多媒体资源推荐给目标账号，能够实现为该服务器中的账号进行个性化推荐的方案，从而保证了推荐效果。
图8是根据一示例性实施例示出的一种多媒体资源推荐装置的框图。参见图8，该装置包括：
获取单元801，被配置为执行获取待推荐的账号信息及与账号信息对应的推荐参数；
获取单元801，还被配置为执行基于账号信息、推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个多媒体资源的目标参数，目标参数指示将对应的多媒体资源推荐给账号信息指代的目标账号时，目标账号对应的终端对多媒体资源执行操作的可能性；
选取单元802，被配置为执行基于多个多媒体资源的目标参数，从多个多媒体资源中将目标参数最高的至少一个多媒体资源，确定为目标参数；
推荐单元803，被配置为执行将目标多媒体资源推荐给目标账号。
在一些实施例中，如图9所示，获取单元801，包括：
融合子单元8011，被配置为执行对于待推荐的每个多媒体资源，将账号信息的账号特征及多媒体资源的资源信息的多媒体资源特征进行融合，得到第一融合特征；
获取子单元8012，被配置为执行基于推荐参数的推荐参数特征及第一融合特征，分别获取多媒体资源的第一参数及第二参数，第一参数指示将多媒体资源推荐给目标账号时，目标账号对应的终端对多媒体资源执行点击操作的可能性，第二参数指示将多媒体资源推荐给目标账号时，目标账号对应的终端对多媒体资源执行点击操作后再执行转化操作的可能性；
融合子单元8011，还被配置为执行将第一参数与第二参数进行融合，得到多媒体资源的目标参数。
在一些实施例中，获取子单元8012，被配置为执行对推荐参数特征进行特征转换，得到第一融合特征的权重特征；基于推荐参数特征、第一融合特征及权重特征，分别获取第一参数及第二参数。
在一些实施例中，获取单元801，还被配置为执行基于账号信息及多媒体资源的资源信息，获取关联特征，关联特征指示目标账号对应的终端与多媒体资源的交互情况，且还指示目标账号对应的终端与其他多媒体资源的交互情况，其他多媒体资源为本端推荐的、且除多媒体资源外的多媒体资源；
融合子单元8011，被配置为执行将账号特征、多媒体资源特征及关联特征进行融合，得到第一融合特征。
在一些实施例中，获取单元801，被配置为执行调用推荐模型，基于账号信息、推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个多媒体资源的目标参数。
在一些实施例中，推荐模型包括特征提取子模型、点击预测子模型、转化预测子模型及融合子模型；如图9所示，获取单元801，包括：
融合子单元8011，被配置为执行对于待推荐的每个多媒体资源，调用特征提取子模型，将账号信息的账号特征及多媒体资源的资源信息的多媒体资源特征进行融合，得到第一融合特征；
获取子单元8012，被配置为执行调用点击预测子模型，基于推荐参数的推荐参数特征及第一融合特征，获取多媒体资源的第一参数，第一参数指示将多媒体资源推荐给目标账号时，目标账号对应的终端对多媒体资源执行点击操作的可能性；
获取子单元8012，还被配置为执行调用转化预测子模型，基于推荐参数特征及第一融合特征，获取多媒体资源的第二参数，第二参数指示将多媒体资源推荐给目标账号时，目标账号对应的终端对多媒体资源执行点击操作后再执行转化操作的可能性；
融合子单元8011，还被配置为执行调用融合子模型，将第一参数与第二参数进行融合，得到多媒体资源的目标参数。
在一些实施例中，推荐模型还包括权重获取子模型，如图9所示，装置还包括：
转换单元804，被配置为执行调用权重获取子模型，对推荐参数特征进行特征转换，得到第一融合特征的权重特征；
获取子单元8012，被配置为执行调用点击预测子模型，将第一融合特征与权重特征进行融合，得到第二融合特征；调用点击预测子模型，将第二融合特征与推荐参数特征进行融合，得到第一参数。
在一些实施例中，权重获取子模型包括n个权重获取层，点击预测子模型包括n个第一参数获取层和n个第一融合层，第i个第一融合层分别与第i个权重获取层和第i个第一参数获取层对应，n为大于1的整数，i为不大于n的正整数；转换单元804，被配置为执行基于第i个权重获取层，对推荐参数特征进行特征转换，得到第i个权重特征；
获取子单元8012，被配置为执行基于第1个第一参数获取层，对第一融合特征进行降维处理，得到第1个第一降维特征；基于第1个第一融合层，将第1个降维特征与第1个权重特征进行融合，得到第1个第三融合特征；对于第j个第一参数获取层及第j个第一融合层，基于第j个第一参数获取层，对第j-1个第三融合特征进行降维处理，得到第j个第一降维特征，基于第j个第一融合层，将第j个第一降维特征与第j个权重特征进行融合，得到第j个第三融合特征，重复上述步骤，直至基于第n个第一融合层得到第二融合特征，j为大于1且不大于n的整数。
在一些实施例中，推荐模型还包括权重获取子模型，如图9所示，装置还包括：
转换单元804，被配置为执行调用权重获取子模型，对推荐参数特征进行特征转换，得到第一融合特征的权重特征；
获取子单元8012，被配置为执行调用转化预测子模型，将第一融合特征与权重特征进行融合，得到第四融合特征；调用转化预测子模型，将第四融合特征与推荐参数特征进行融合，得到第二参数。
在一些实施例中，权重获取子模型包括n个权重获取层，转化预测子模型包括n个第二参数获取层和n个第二融合层，第i个第二融合层分别与第i个权重获取层和第i个第二参数获取层对应，n为大于1的整数，i为不大于n的正整数；转换单元804，被配置为执行基于第i个权重获取层，对推荐参数特征进行特征转换，得到第i个权重特征；
获取子单元8012，被配置为执行基于第1个第二参数获取层，对第一融合特征进行降维处理，得到第1个第二降维特征；基于第1个第二融合层，将第1个降维特征与第1个权重特征进行融合，得到第1个第五融合特征；对于第j个第二参数获取层及第j个第二融合层，基于第j个第二参数获取层，对第j-1个第五融合特征进行降维处理，得到第j个第二降维特征，基于第j个第二融合层，将第j个第二降维特征与第j个权重特征进行融合，得到第j个第五融合特征，重复上述步骤，直至基于第n个第二融合层得到第四融合特征，j为大于1且不大于n的整数。
在一些实施例中，获取单元801，还被配置为执行调用特征提取子模型，基于账号信息及多媒体资源的资源信息，获取关联特征，关联特征指示目标账号对应的终端与多媒体资源的交互情况，且还指示目标账号对应的终端与其他多媒体资源的交互情况，其他多媒体资源为本端推荐的、且除多媒体资源外的多媒体资源；
融合子单元8011，被配置为执行调用特征提取子模型，将账号特征、多媒体资源特征及关联特征进行融合，得到第一融合特征。
在一些实施例中，如图9所示，装置还包括：
获取单元801，还被配置为执行获取样本数据及样本数据对应的样本标签，样本数据包括样本账号信息、样本多媒体资源的样本资源信息及样本账号信息对应的样本推荐参数，样本标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端是否对样本多媒体资源执行了操作；
获取单元801，还被配置为执行调用推荐模型，基于样本数据，获取样本数据对应的样本多媒体资源的预测标签，预测标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端对样本多媒体资源执行操作的可能性；
训练单元805，被配置为执行基于样本数据的预测标签及样本标签之间的差异，对推荐模型进行训练。
在一些实施例中，样本标签包括第一样本标签，第一样本标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端是否对样本多媒体资源执行了转化操作，预测标签包括第一预测标签，第一预测标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端对样本多媒体资源执行转化操作的可能性；推荐模型包括特征提取子模型、点击预测子模型、转化预测子模型及融合子模型；获取单元801，被配置为执行调用特征提取子模型，将样本账号信息的样本账号特征及样本资源信息的样本多媒体资源特征进行融合，得到样本融合特征；调用点击预测子模型，基于样本推荐参数的推荐参数特征及样本融合特征，获取样本多媒体资源的第二预测标签，第二预测标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端对样本多媒体资源执行点击操作的可能性；调用转化预测子模型，基于样本推荐参数特征及样本融合特征，获取多媒体资源的第三预测标签，第三预测标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端对样本多媒体资源执行点击操作后再执行转化操作的可能性；调用融合子模型，将第二预测标签与第三预测标签进行融合，得到第一预测标签。
在一些实施例中，样本标签还包括第二样本标签，第二样本标签指示将样本多媒体资源推荐给样本账号时，样本账号对应的终端是否对样本多媒体资源执行了点击操作；训练单元805，被配置为执行基于样本数据的第一预测标签与第一样本标签之间的差异，以及样本数据的第二预测标签与第二样本标签之间的差异，对推荐模型进行训练。
在一些实施例中，推荐参数是基于登录服务器的至少一个账号对服务器推荐的多媒体资源执行的操作确定的，服务器为目标账号所登录的服务器；
推荐单元803，被配置为执行向服务器发送目标多媒体资源，由服务器将目标多媒体资源推荐给目标账号。
关于上述实施例中的装置，其中各个单元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，还提供了一种电子设备，其特征在于，电子设备包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行上述多媒体资源推荐方法中电子设备所执行的步骤。
在一些实施例中，电子设备被提供为终端。图10是根据一示例性实施例示出的一种终端1000的结构框图。该终端1000可以是便携式移动终端，比如：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1000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。
终端1000包括有：处理器1001和存储器1002。
处理器1001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1001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1001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1001可以集成有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1001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1002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1002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1002中的非暂态的计算机可读存储介质用于存储至少一条程序代码，该至少一条程序代码用于被处理器1001所执行以实现本公开中方法实施例提供的多媒体资源推荐方法。
在一些实施例中，终端1000还可选包括有：外围设备接口1003和至少一个外围设备。处理器1001、存储器1002和外围设备接口1003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1003相连。具体地，外围设备包括：射频电路1004、显示屏1005、摄像头组件1006、音频电路1007、定位组件1008和电源1009中的至少一种。
外围设备接口1003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1001和存储器1002。在一些实施例中，处理器1001、存储器1002和外围设备接口1003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1001、存储器1002和外围设备接口1003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1004用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路1004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1004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1004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1004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：万维网、城域网、内联网、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1004还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本公开对此不加以限定。
显示屏1005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1005是触摸显示屏时，显示屏1005还具有采集在显示屏1005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1001进行处理。此时，显示屏1005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1005可以为一个，设置在终端1000的前面板；在另一些实施例中，显示屏1005可以为至少两个，分别设置在终端1000的不同表面或呈折叠设计；在另一些实施例中，显示屏1005可以是柔性显示屏，设置在终端1000的弯曲表面上或折叠面上。甚至，显示屏1005还可以设置成非矩形的不规则图形，也即异形屏。显示屏1005可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-EmittingDiode,有机发光二极管)等材质制备。
摄像头组件1006用于采集图像或视频。可选地，摄像头组件1006包括前置摄像头和后置摄像头。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1006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1007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1001进行处理，或者输入至射频电路1004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1000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1001或射频电路1004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1007还可以包括耳机插孔。
定位组件1008用于定位终端1000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1008可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。
电源1009用于为终端1000中的各个组件进行供电。电源1009可以是交流电、直流电、一次性电池或可充电电池。当电源1009包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。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1000还包括有一个或多个传感器1010。该一个或多个传感器1010包括但不限于：加速度传感器1011、陀螺仪传感器1012、压力传感器1013、指纹传感器1014、光学传感器1015以及接近传感器1016。
加速度传感器1011可以检测以终端1000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1011可以用于检测重力加速度在三个坐标轴上的分量。处理器1001可以根据加速度传感器1011采集的重力加速度信号，控制显示屏1005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1011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1012可以检测终端1000的机体方向及转动角度，陀螺仪传感器1012可以与加速度传感器1011协同采集用户对终端1000的3D动作。处理器1001根据陀螺仪传感器1012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1013可以设置在终端1000的侧边框和/或显示屏1005的下层。当压力传感器1013设置在终端1000的侧边框时，可以检测用户对终端1000的握持信号，由处理器1001根据压力传感器1013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1013设置在显示屏1005的下层时，由处理器1001根据用户对显示屏1005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1014用于采集用户的指纹，由处理器1001根据指纹传感器1014采集到的指纹识别用户的身份，或者，由指纹传感器1014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1001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1014可以被设置在终端1000的正面、背面或侧面。当终端1000上设置有物理按键或厂商Logo时，指纹传感器1014可以与物理按键或厂商Logo集成在一起。
光学传感器1015用于采集环境光强度。在一个实施例中，处理器1001可以根据光学传感器1015采集的环境光强度，控制显示屏1005的显示亮度。具体地，当环境光强度较高时，调高显示屏1005的显示亮度；当环境光强度较低时，调低显示屏1005的显示亮度。在另一个实施例中，处理器1001还可以根据光学传感器1015采集的环境光强度，动态调整摄像头组件1006的拍摄参数。
接近传感器1016，也称距离传感器，设置在终端1000的前面板。接近传感器1016用于采集用户与终端1000的正面之间的距离。在一个实施例中，当接近传感器1016检测到用户与终端1000的正面之间的距离逐渐变小时，由处理器1001控制显示屏1005从亮屏状态切换为息屏状态；当接近传感器1016检测到用户与终端1000的正面之间的距离逐渐变大时，由处理器1001控制显示屏1005从息屏状态切换为亮屏状态。
本领域技术人员可以理解，图10中示出的结构并不构成对终端1000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。
在一些实施例中，电子设备被提供为服务器。图11是根据一示例性实施例示出的一种服务器的结构示意图，该服务器1100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 Processing Units，CPU)1101和一个或一个以上的存储器1102，其中，存储器1102中存储有至少一条程序代码，该至少一条程序代码由处理器1101加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器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，还提供了一种非临时性计算机可读存储介质，当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上述多媒体资源推荐方法中电子设备所执行的步骤。
在示例性实施例中，还提供了一种计算机程序产品，当计算机程序产品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上述多媒体资源推荐方法中电子设备所执行的步骤。
本领域技术人员在考虑说明书及实践这里的公开后，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 (10)

1.一种多媒体资源推荐方法，其特征在于，所述方法包括：
获取待推荐的账号信息及与所述账号信息对应的推荐参数；
基于所述账号信息、所述推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个所述多媒体资源的目标参数，所述目标参数指示将对应的多媒体资源推荐给所述账号信息指代的目标账号时，所述目标账号对应的终端对所述多媒体资源执行操作的可能性；
基于多个所述多媒体资源的目标参数，从多个所述多媒体资源中将目标参数最高的至少一个多媒体资源，确定为目标多媒体资源；
将所述目标多媒体资源推荐给所述目标账号。
2.根据权利要求1所述的方法，其特征在于，所述基于所述账号信息、所述推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个所述多媒体资源的目标参数，包括：
对于待推荐的每个所述多媒体资源，将所述账号信息的账号特征及所述多媒体资源的资源信息的多媒体资源特征进行融合，得到第一融合特征；
基于所述推荐参数的推荐参数特征及所述第一融合特征，分别获取所述多媒体资源的第一参数及第二参数，所述第一参数指示将所述多媒体资源推荐给所述目标账号时，所述目标账号对应的终端对所述多媒体资源执行点击操作的可能性，所述第二参数指示将所述多媒体资源推荐给所述目标账号时，所述目标账号对应的终端对所述多媒体资源执行所述点击操作后再执行转化操作的可能性；
将所述第一参数与所述第二参数进行融合，得到所述多媒体资源的目标参数。
3.根据权利要求2所述的方法，其特征在于，所述基于所述推荐参数的推荐参数特征及所述第一融合特征，分别获取所述多媒体资源的第一参数及第二参数，包括：
对所述推荐参数特征进行特征转换，得到所述第一融合特征的权重特征；
基于所述推荐参数特征、所述第一融合特征及所述权重特征，分别获取所述第一参数及所述第二参数。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
基于所述账号信息及所述多媒体资源的资源信息，获取关联特征，所述关联特征指示所述目标账号对应的终端与所述多媒体资源的交互情况，且还指示所述目标账号对应的终端与其他多媒体资源的交互情况，所述其他多媒体资源为本端推荐的、且除所述多媒体资源外的多媒体资源；
所述将所述账号信息的账号特征及所述多媒体资源的资源信息的多媒体资源特征进行融合，得到第一融合特征，包括：
将所述账号特征、所述多媒体资源特征及所述关联特征进行融合，得到所述第一融合特征。
5.根据权利要求1所述的方法，其特征在于，所述基于所述账号信息、所述推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个所述多媒体资源的目标参数，包括：
调用推荐模型，基于所述账号信息、所述推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个所述多媒体资源的目标参数。
6.根据权利要求5所述的方法，其特征在于，所述推荐模型包括特征提取子模型、点击预测子模型、转化预测子模型及融合子模型；所述调用推荐模型，基于所述账号信息、所述推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个所述多媒体资源的目标参数，包括：
对于待推荐的每个所述多媒体资源，调用所述特征提取子模型，将所述账号信息的账号特征及所述多媒体资源的资源信息的多媒体资源特征进行融合，得到第一融合特征；
调用所述点击预测子模型，基于所述推荐参数的推荐参数特征及所述第一融合特征，获取所述多媒体资源的第一参数，所述第一参数指示将所述多媒体资源推荐给所述目标账号时，所述目标账号对应的终端对所述多媒体资源执行点击操作的可能性；
调用所述转化预测子模型，基于所述推荐参数特征及所述第一融合特征，获取所述多媒体资源的第二参数，所述第二参数指示将所述多媒体资源推荐给所述目标账号时，所述目标账号对应的终端对所述多媒体资源执行所述点击操作后再执行转化操作的可能性；
调用所述融合子模型，将所述第一参数与所述第二参数进行融合，得到所述多媒体资源的目标参数。
7.一种多媒体资源推荐装置，其特征在于，所述装置包括：
获取单元，被配置为执行获取待推荐的账号信息及与所述账号信息对应的推荐参数；
所述获取单元，还被配置为执行基于所述账号信息、所述推荐参数以及待推荐的多个多媒体资源的资源信息，获取每个所述多媒体资源的目标参数，所述目标参数指示将对应的多媒体资源推荐给所述账号信息指代的目标账号时，所述目标账号对应的终端对所述多媒体资源执行操作的可能性；
选取单元，被配置为执行基于多个所述多媒体资源的目标参数，从多个所述多媒体资源中将目标参数最高的至少一个多媒体资源，确定为目标多媒体资源；
推荐单元，被配置为执行将所述目标多媒体资源推荐给所述目标账号。
8.一种电子设备，其特征在于，所述电子设备包括：
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，以实现如权利要求1至6中任一项所述的多媒体资源推荐方法。
9.一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电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至权利要求6任一项所述的多媒体资源推荐方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至权利要求6任一项所述的多媒体资源推荐方法。
CN202111150685.4A 2021-09-29 2021-09-29 多媒体资源推荐方法、装置、电子设备及存储介质 Pending CN113886609A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111150685.4A CN113886609A (zh) 2021-09-29 2021-09-29 多媒体资源推荐方法、装置、电子设备及存储介质
US17/750,767 US20230095250A1 (en) 2021-09-29 2022-05-23 Method for recommending multimedia resource and electronic device
EP22178202.2A EP4160445A1 (en) 2021-09-29 2022-06-09 Method and apparatus for recommending multimedia resource, and computer program product

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111150685.4A CN113886609A (zh) 2021-09-29 2021-09-29 多媒体资源推荐方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN113886609A true CN113886609A (zh) 2022-01-04

Family

ID=79007831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111150685.4A Pending CN113886609A (zh) 2021-09-29 2021-09-29 多媒体资源推荐方法、装置、电子设备及存储介质

Country Status (3)

Country Link
US (1) US20230095250A1 (zh)
EP (1) EP4160445A1 (zh)
CN (1) CN113886609A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114547428A (zh) * 2022-03-07 2022-05-27 北京达佳互联信息技术有限公司 推荐模型处理方法、装置、电子设备及存储介质
CN114611009A (zh) * 2022-05-10 2022-06-10 北京达佳互联信息技术有限公司 资源推荐方法、装置、电子设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150066922A1 (en) * 2013-08-30 2015-03-05 Sony Network Entertainment International Llc System and method for recommending multimedia content
US20180352278A1 (en) * 2016-02-23 2018-12-06 Sony Interactive Entertainment LLC Personalized messaging management system for enhanced user engagement in a subscribed network

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114547428A (zh) * 2022-03-07 2022-05-27 北京达佳互联信息技术有限公司 推荐模型处理方法、装置、电子设备及存储介质
CN114611009A (zh) * 2022-05-10 2022-06-10 北京达佳互联信息技术有限公司 资源推荐方法、装置、电子设备及存储介质
CN114611009B (zh) * 2022-05-10 2022-08-26 北京达佳互联信息技术有限公司 资源推荐方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
US20230095250A1 (en) 2023-03-30
EP4160445A1 (en) 2023-04-05

Similar Documents

Publication Publication Date Title
CN109284445B (zh) 网络资源的推荐方法、装置、服务器及存储介质
CN111737573A (zh) 资源推荐方法、装置、设备及存储介质
CN108320756B (zh) 一种检测音频是否是纯音乐音频的方法和装置
CN111104980B (zh) 确定分类结果的方法、装置、设备及存储介质
CN111078521A (zh) 异常事件的分析方法、装置、设备、系统及存储介质
US20230095250A1 (en) Method for recommending multimedia resource and electronic device
CN112052354A (zh) 视频推荐方法、视频展示方法、装置及计算机设备
CN111708944A (zh) 多媒体资源识别方法、装置、设备及存储介质
CN113613028A (zh) 直播数据处理方法、装置、终端、服务器及存储介质
CN112699268A (zh) 训练评分模型的方法、设备及存储介质
CN112131473A (zh) 信息推荐方法、装置、设备及存储介质
CN111563201A (zh) 内容推送方法、装置、服务器及存储介质
CN111641853B (zh) 多媒体资源加载方法、装置、计算机设备及存储介质
CN111062709B (zh) 资源转移方式推荐方法、装置、电子设备及存储介质
CN114547429A (zh) 数据推荐方法、装置、服务器及存储介质
CN114385854A (zh) 资源推荐方法、装置、电子设备及存储介质
CN113139614A (zh) 特征提取方法、装置、电子设备及存储介质
CN111652432A (zh) 用户属性信息的确定方法、装置、电子设备及存储介质
CN114691860A (zh) 文本分类模型的训练方法、装置、电子设备及存储介质
CN113051494A (zh) 信息展示方法、装置、电子设备及存储介质
CN112001442A (zh) 特征检测方法、装置、计算机设备及存储介质
CN112132472A (zh) 资源管理方法、装置、电子设备及计算机可读存储介质
CN114611009B (zh) 资源推荐方法、装置、电子设备及存储介质
CN113064537B (zh) 媒体资源播放方法、装置、设备、介质及产品
CN110544108B (zh) 社交用户的分类方法、装置、电子设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination