CN113918738A

CN113918738A - 多媒体资源推荐方法、装置、电子设备及存储介质

Info

Publication number: CN113918738A
Application number: CN202111484291.2A
Authority: CN
Inventors: 焦宇航
Original assignee: Beijing Dajia Internet Information Technology Co Ltd
Current assignee: Beijing Dajia Internet Information Technology Co Ltd
Priority date: 2021-12-07
Filing date: 2021-12-07
Publication date: 2022-01-11
Anticipated expiration: 2041-12-07
Also published as: CN113918738B

Abstract

本公开关于一种多媒体资源推荐方法、装置、电子设备及存储介质，该方法包括获取基于目标对象的目标对象属性和待推荐多媒体资源的目标资源属性确定的目标对象资源数据；基于目标数据解耦网络中第一预设数量个目标特征中心，对目标对象资源数据进行解耦处理，得到第一预设数量个解耦特征数据，第一预设数量个解耦特征数据表征目标对象属性和目标资源属性解耦到第一预设数量个目标特征中心后的数据；将目标对象资源数据和解耦特征数据输入目标兴趣识别网络进行兴趣识别处理，得到目标兴趣指标；基于目标兴趣指标，将待推荐多媒体资源中的目标多媒体资源，推荐给目标对象。利用本公开实施例可以准确捕捉对象兴趣偏好，提升推荐精准性和效果。

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

本公开涉及互联网技术领域，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，大量网络平台也在不断的升级，除了可以发布一些图文信息之外，也可以供用户随时分享日常的短视频等多媒体资源，而如何精准的推送这些多媒体资源是大量推荐系统遇到的挑战。

相关技术中，在多媒体资源推荐过程中，考虑到被推荐对象的属性与多媒体资源的资源属性间往往存在着一定的关联性，会将被推荐对象的属性与多媒体资源的资源属性联合输入目标兴趣识别网络，以挖掘被推荐对象对于多媒体资源的兴趣偏好，但是被推荐对象的属性与多媒体资源的资源属性间也存在某些负相关性，导致目标兴趣识别网络无法准确的学习到被推荐对象和多媒体资源的特征，进而造成无法较好地捕捉到被推荐对象的兴趣偏好，推荐系统中推荐精准性和效果较差，且无效的多媒体资源推荐，也造成推荐系统的系统资源浪费和系统性能下降等问题。

发明内容

本公开提供一种多媒体资源推荐方法、装置、电子设备及存储介质，以至少解决相关技术中无法准确的学习到对象和多媒体资源的特征，造成无法有效捕捉对象兴趣偏好，推荐系统中推荐精准性和效果较差，以及系统资源浪费和系统性能下降等问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种多媒体资源推荐方法，包括：

获取目标对象对应的目标对象资源数据，所述目标对象资源数据为基于所述目标对象的目标对象属性和待推荐多媒体资源的目标资源属性确定的数据；

基于目标数据解耦网络中第一预设数量个目标特征中心，对所述目标对象资源数据进行解耦处理，得到所述目标对象资源数据对应的所述第一预设数量个解耦特征数据，所述第一预设数量个解耦特征数据表征所述目标对象属性和所述目标资源属性解耦到所述第一预设数量个目标特征中心后的数据；

将所述目标对象资源数据和所述第一预设数量个解耦特征数据输入目标兴趣识别网络进行兴趣识别处理，得到目标兴趣指标；

基于所述目标兴趣指标，将所述待推荐多媒体资源中的目标多媒体资源，推荐给所述目标对象。

可选的，所述目标数据解耦网络包括第二预设数量个共享特征表征网络、特征融合网络、权重分析网络、对象资源拆分网络；

所述第一预设数量个解耦特征数据包括第一预设数量个融合特征中心；所述基于目标数据解耦网络中第一预设数量个目标特征中心，对所述目标对象资源数据进行解耦处理，得到所述目标对象资源数据对应的所述第一预设数量个解耦特征数据包括：

将所述目标对象资源数据输入所述第二预设数量个共享特征表征网络进行特征表征处理，得到所述第二预设数量个对象资源特征数据；

将所述第二预设数量个对象资源特征数据和所述第一预设数量个目标特征中心输入所述特征融合网络进行特征融合处理，得到融合特征数据；

将所述融合特征数据输入所述权重分析网络进行权重分析处理，得到第三预设数量个权重信息，所述第三预设数量个权重信息表征所述第二预设数量个对象资源特征数据分别与所述第一预设数量个目标特征中心间的关联程度；

将所述第二预设数量个对象资源特征数据、所述第三预设数量个权重信息和所述第一预设数量个目标特征中心输入所述对象资源拆分网络进行特征拆分处理，得到所述第一预设数量个融合特征中心。

可选的，所述目标数据解耦网络还包括归一化网络；

所述基于目标数据解耦网络中第一预设数量个目标特征中心，对所述目标对象资源数据进行解耦处理，得到所述目标对象资源数据对应的所述第一预设数量个解耦特征数据还包括：

将所述第二预设数量个对象资源特征数据和所述第一预设数量个目标特征中心输入所述归一化网络进行归一化处理，得到所述第二预设数量个归一化对象资源特征数据和所述第一预设数量个归一化特征中心；

所述将所述第二预设数量个对象资源特征数据和所述第一预设数量个目标特征中心输入所述特征融合网络进行特征融合处理，得到融合特征数据包括：

将所述第二预设数量个归一化对象资源特征数据和所述第一预设数量个归一化特征中心输入所述特征融合网络进行特征融合处理，得到所述融合特征数据。

可选的，所述方法还包括：

基于所述第一预设数量个融合特征中心，更新所述第一预设数量个目标特征中心；

基于更新后的所述第一预设数量个目标特征中心重复所述将所述第二预设数量个对象资源特征数据和所述第一预设数量个目标特征中心输入所述特征融合网络进行特征融合处理，得到融合特征数据，至所述将所述第二预设数量个对象资源特征数据、所述第三预设数量个权重信息和所述第一预设数量个目标特征中心输入所述对象资源拆分网络进行特征拆分处理，得到所述第一预设数量个融合特征中心的解耦迭代操作，直至所述解耦迭代操作的执行次数达到目标迭代次数；

将所述目标迭代次数对应的第一预设数量个融合特征中心作为所述第一预设数量个解耦特征数据。

可选的，所述目标兴趣识别网络包括：多个资源推荐任务对应的任务特征提取网络和兴趣指标预测网络；所述将所述目标对象资源数据和所述第一预设数量个解耦特征数据输入目标兴趣识别网络进行兴趣识别处理，得到目标兴趣指标包括：

将所述目标对象资源数据输入多个资源推荐任务对应的任务特征提取网络进行任务特征提取处理，得到多个所述资源推荐任务各自对应的对象资源特征数据；

将所述对象资源特征数据和所述第一预设数量个解耦特征数据输入兴趣指标预测网络进行兴趣预测，得到所述目标兴趣指标。

可选的，所述目标兴趣指标包括多个资源推荐任务各自对应的兴趣指标；所述兴趣指标预测网络包括特征拼接网络、多个所述资源推荐任务各自对应的门控网络和多个所述资源推荐任务各自对应的任务兴趣预测网络；

所述将所述对象资源特征数据和所述第一预设数量个解耦特征数据输入兴趣指标预测网络进行兴趣预测，得到所述目标兴趣指标包括：

将所述对象资源特征数据和所述第一预设数量个解耦特征数据输入所述特征拼接网络进行拼接处理，得到拼接特征数据；

将所述拼接特征数据输入多个所述资源推荐任务各自对应的门控网络进行任务特征控制，得到多个所述资源推荐任务各自对应的任务特征数据；

将每个资源推荐任务对应的任务特征数据输入每个所述资源推荐任务对应的任务兴趣预测网络进行兴趣预测，得到多个所述资源推荐任务各自对应的兴趣指标。

可选的，所述目标兴趣指标包括多个资源推荐任务各自对应的兴趣指标；所述基于所述目标兴趣指标，将所述待推荐多媒体资源中的目标多媒体资源，推荐给所述目标对象包括：

对所述多个资源推荐任务各自对应的兴趣指标进行加权求和处理，得到加权兴趣指标；

根据所述加权兴趣指标，从所述待推荐多媒体资源中确定所述目标多媒体资源；

将所述目标多媒体资源，推荐给所述目标对象。

可选的，所述方法还包括：

获取样本对象对应的正样本对象资源数据和负样本对象资源数据，所述正样本对象资源数据为基于所述样本对象的样本对象属性和所述样本对象执行过预设操作的样本多媒体资源的正样本资源属性确定的数据，所述负样本对象资源数据为基于所述样本对象属性和所述样本对象未执行过所述预设操作的样本多媒体资源的负样本资源属性确定的数据；

基于待训练数据解耦网络中第一预设数量个原始特征中心，对所述正样本对象资源数据和负样本对象资源数据分别进行解耦处理，得到所述正样本对象资源数据对应的所述第一预设数量个正样本解耦特征数据和所述负样本对象资源数据对应的所述第一预设数量个负样本解耦特征数据；所述第一预设数量个正样本解耦特征数据表征所述样本对象属性和所述正样本资源属性解耦到所述第一预设数量个原始特征中心后的数据；所述第一预设数量个负样本解耦特征数据表征所述样本对象属性和所述负样本资源属性解耦到所述第一预设数量个原始特征中心后的数据；

将所述正样本对象资源数据、所述负样本对象资源数据、所述第一预设数量个正样本解耦特征数据和所述第一预设数量个负样本解耦特征数据输入待训练兴趣识别网络进行兴趣识别处理，得到样本兴趣指标；

根据所述样本兴趣指标，确定目标损失信息；

基于所述目标损失信息，训练所述待训练数据解耦网络、所述待训练兴趣识别网络以及更新所述第一预设数量个原始特征中心，得到所述目标数据解耦网络、所述目标兴趣识别网络和所述第一预设数量个目标特征中心。

可选的，所述基于所述目标损失信息，训练所述待训练数据解耦网络、所述待训练兴趣识别网络以及更新所述第一预设数量个原始特征中心，得到所述目标数据解耦网络、所述目标兴趣识别网络和所述第一预设数量个目标特征中心包括：

基于所述目标损失信息更新所述待训练数据解耦网络中的网络参数、所述第一预设数量个原始特征中心和所述待训练兴趣识别网络中的网络参数；

基于更新网络参数后的待训练数据解耦网络、待训练兴趣识别网络和更新后的第一预设数量个原始特征中心重复所述基于待训练数据解耦网络中第一预设数量个原始特征中心，对所述正样本对象资源数据和负样本对象资源数据分别进行解耦处理，得到所述正样本对象资源数据对应的所述第一预设数量个正样本解耦特征数据和所述负样本对象资源数据对应的所述第一预设数量个负样本解耦特征数据，至所述基于所述目标损失信息更新所述待训练数据解耦网络中的网络参数、所述第一预设数量个原始特征中心和所述待训练兴趣识别网络中的网络参数的训练迭代操作，至满足预设训练收敛条件；

将满足所述预设训练收敛条件的情况下对应的待训练数据解耦网络作为所述目标数据解耦网络，将满足所述预设训练收敛条件的情况下对应的待训练兴趣识别网络作为所述目标兴趣识别网络以及将满足所述预设训练收敛条件的情况下对应的第一预设数量个原始特征中心作为所述第一预设数量个目标特征中心。

根据本公开实施例的第二方面，提供一种多媒体资源推荐装置，包括：

数据获取模块，被配置为执行获取目标对象对应的目标对象资源数据，所述目标对象资源数据为基于所述目标对象的目标对象属性和待推荐多媒体资源的目标资源属性确定的数据；

第一解耦处理模块，被配置为执行基于目标数据解耦网络中第一预设数量个目标特征中心，对所述目标对象资源数据进行解耦处理，得到所述目标对象资源数据对应的所述第一预设数量个解耦特征数据，所述第一预设数量个解耦特征数据表征所述目标对象属性和所述目标资源属性解耦到所述第一预设数量个目标特征中心后的数据；

第一兴趣识别处理模块，被配置为执行将所述目标对象资源数据和所述第一预设数量个解耦特征数据输入目标兴趣识别网络进行兴趣识别处理，得到目标兴趣指标；

资源推荐模块，被配置为执行基于所述目标兴趣指标，将所述待推荐多媒体资源中的目标多媒体资源，推荐给所述目标对象。

所述第一解耦处理模块包括：

特征表征处理单元，被配置为执行将所述目标对象资源数据输入所述第二预设数量个共享特征表征网络进行特征表征处理，得到所述第二预设数量个对象资源特征数据；

特征融合处理单元，被配置为执行将所述第二预设数量个对象资源特征数据和所述第一预设数量个目标特征中心输入所述特征融合网络进行特征融合处理，得到融合特征数据；

权重分析处理单元，被配置为执行将所述融合特征数据输入所述权重分析网络进行权重分析处理，得到第三预设数量个权重信息，所述第三预设数量个权重信息表征所述第二预设数量个对象资源特征数据分别与所述第一预设数量个目标特征中心间的关联程度；

特征拆分处理单元，被配置为执行将所述第二预设数量个对象资源特征数据、所述第三预设数量个权重信息和所述第一预设数量个目标特征中心输入所述对象资源拆分网络进行特征拆分处理，得到所述第一预设数量个融合特征中心。

可选的，所述目标数据解耦网络还包括归一化网络；

所述第一解耦处理模块还包括：

归一化处理单元，被配置为执行将所述第二预设数量个对象资源特征数据和所述第一预设数量个目标特征中心输入所述归一化网络进行归一化处理，得到所述第二预设数量个归一化对象资源特征数据和所述第一预设数量个归一化特征中心；

所述特征融合处理单元还被配置为执行将所述第二预设数量个归一化对象资源特征数据和所述第一预设数量个归一化特征中心输入所述特征融合网络进行特征融合处理，得到所述融合特征数据。

可选的，所述装置还包括：

目标特征中心更新模块，被配置为执行基于所述第一预设数量个融合特征中心，更新所述第一预设数量个目标特征中心；

解耦迭代处理模块，被配置为执行基于更新后的所述第一预设数量个目标特征中心，重复所述将所述第二预设数量个对象资源特征数据和所述第一预设数量个目标特征中心输入所述特征融合网络进行特征融合处理，得到融合特征数据，至所述将所述第二预设数量个对象资源特征数据、所述第三预设数量个权重信息和所述第一预设数量个目标特征中心输入所述对象资源拆分网络进行特征拆分处理，得到所述第一预设数量个融合特征中心的解耦迭代操作，直至所述解耦迭代操作的执行次数达到目标迭代次数；

解耦特征数据确定模块，被配置为执行将所述目标迭代次数对应的第一预设数量个融合特征中心作为所述第一预设数量个解耦特征数据。

可选的，所述目标兴趣识别网络包括：多个资源推荐任务对应的任务特征提取网络和兴趣指标预测网络；所述第一兴趣识别处理模块包括：

任务特征提取处单元，被配置为执行将所述目标对象资源数据输入多个资源推荐任务对应的任务特征提取网络进行任务特征提取处理，得到多个所述资源推荐任务各自对应的对象资源特征数据；

兴趣预测单元，被配置为执行将所述对象资源特征数据和所述第一预设数量个解耦特征数据输入兴趣指标预测网络进行兴趣预测，得到所述目标兴趣指标。

所述兴趣预测单元包括：

拼接处理单元，被配置为执行将所述对象资源特征数据和所述第一预设数量个解耦特征数据输入所述特征拼接网络进行拼接处理，得到拼接特征数据；

任务特征控制单元，被配置为执行将所述拼接特征数据输入多个所述资源推荐任务各自对应的门控网络进行任务特征控制，得到多个所述资源推荐任务各自对应的任务特征数据；

兴趣预测子单元，被配置为执行将每个资源推荐任务对应的任务特征数据输入每个所述资源推荐任务对应的任务兴趣预测网络进行兴趣预测，得到多个所述资源推荐任务各自对应的兴趣指标。

可选的，所述目标兴趣指标包括多个资源推荐任务各自对应的兴趣指标；所述资源推荐模块包括：

加权求和处理单元，被配置为执行对所述多个资源推荐任务各自对应的兴趣指标进行加权求和处理，得到加权兴趣指标；

目标多媒体资源确定单元，被配置为执行根据所述加权兴趣指标，从所述待推荐多媒体资源中确定所述目标多媒体资源；

目标对象推荐单元，被配置为执行将所述目标多媒体资源，推荐给所述目标对象。

可选的，所述装置还包括：

样本数据获取模块，被配置为执行获取样本对象对应的正样本对象资源数据和负样本对象资源数据，所述正样本对象资源数据为基于所述样本对象的样本对象属性和所述样本对象执行过预设操作的样本多媒体资源的正样本资源属性确定的数据，所述负样本对象资源数据为基于所述样本对象属性和所述样本对象未执行过所述预设操作的样本多媒体资源的负样本资源属性确定的数据；

第二解耦处理模块，被配置为执行基于待训练数据解耦网络中第一预设数量个原始特征中心，对所述正样本对象资源数据和负样本对象资源数据分别进行解耦处理，得到所述正样本对象资源数据对应的所述第一预设数量个正样本解耦特征数据和所述负样本对象资源数据对应的所述第一预设数量个负样本解耦特征数据；所述第一预设数量个正样本解耦特征数据表征所述样本对象属性和所述正样本资源属性解耦到所述第一预设数量个原始特征中心后的数据；所述第一预设数量个负样本解耦特征数据表征所述样本对象属性和所述负样本资源属性解耦到所述第一预设数量个原始特征中心后的数据；

第二兴趣识别处理模块，被配置为执行将所述正样本对象资源数据、所述负样本对象资源数据、所述第一预设数量个正样本解耦特征数据和所述第一预设数量个负样本解耦特征数据输入待训练兴趣识别网络进行兴趣识别处理，得到样本兴趣指标；

目标损失信息确定模块，被配置为执行根据所述样本兴趣指标，确定目标损失信息；

训练更新模块，被配置为执行基于所述目标损失信息，训练所述待训练数据解耦网络、所述待训练兴趣识别网络以及更新所述第一预设数量个原始特征中心，得到所述目标数据解耦网络、所述目标兴趣识别网络和所述第一预设数量个目标特征中心。

可选的，所述训练更新模块包括：

数据更新单元，被配置为执行基于所述目标损失信息更新所述待训练数据解耦网络中的网络参数、所述第一预设数量个原始特征中心和所述待训练兴趣识别网络中的网络参数；

训练迭代处理单元，被配置为执行基于更新网络参数后的待训练数据解耦网络、待训练兴趣识别网络和更新后的第一预设数量个原始特征中心重复所述基于待训练数据解耦网络中第一预设数量个原始特征中心，对所述正样本对象资源数据和负样本对象资源数据分别进行解耦处理，得到所述正样本对象资源数据对应的所述第一预设数量个正样本解耦特征数据和所述负样本对象资源数据对应的所述第一预设数量个负样本解耦特征数据，至所述基于所述目标损失信息更新所述待训练数据解耦网络中的网络参数、所述第一预设数量个原始特征中心和所述待训练兴趣识别网络中的网络参数的训练迭代操作，至满足预设训练收敛条件；

网络确定单元，被配置为执行将满足所述预设训练收敛条件的情况下对应的待训练数据解耦网络作为所述目标数据解耦网络，将满足所述预设训练收敛条件的情况下对应的待训练兴趣识别网络作为所述目标兴趣识别网络以及将满足所述预设训练收敛条件的情况下对应的第一预设数量个原始特征中心作为所述第一预设数量个目标特征中心。

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，以实现如上述第一方面中任一项所述的方法。

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本公开实施例的第一方面中任一项所述方法。

根据本公开实施例的第五方面，提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本公开实施例的第一方面中任一项所述方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

基于目标数据解耦网络中第一预设数量个目标特征中心，对目标对象资源数据进行解耦处理，可以将目标对象属性和目标资源属性解耦到，具有高内聚低耦合特性的第一预设数量个目标特征中心，进而可以减少属性间的负相关性对目标对象和待推荐多媒体资源的特征表征的影响，提升学习到的第一预设数量个解耦特征数据对目标对象和待推荐多媒体资源的表征精准性和有效性；并结合解耦后的第一预设数量个解耦特征数据进行兴趣识别处理，可以使得识别出的目标兴趣指标更准确的反映目标对象的兴趣偏好情况，基于该目标兴趣指标进行多媒体资源推荐，可以有效提升多媒体资源推荐的精准性和有效性，减少无效多媒体资源的推送，进而降低推荐系统的系统资源浪费，提升推荐系统的系统性能。

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应用环境的示意图；

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一种基于目标数据解耦网络中第一预设数量个目标特征中心，对目标对象资源数据进行解耦处理，得到目标对象资源数据对应的第一预设数量个解耦特征数据的流程图；

图4是根据一示例性实施例提供的一种结合目标解耦网络对目标对象资源数据进行解耦处理的示意图；

图5是根据一示例性实施例示出的一种预先训练出目标数据解耦网络和目标兴趣识别网络的流程图；

图6是根据一示例性实施例示出的一种基于目标兴趣指标，将待推荐多媒体资源中的目标多媒体资源，推荐给目标对象的流程图；

图7是根据一示例性实施例示出的一种多媒体资源推荐装置框图；

图8是根据一示例性实施例示出的一种用于多媒体资源推荐的电子设备的框图。

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，本公开涉及的术语“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，图1是根据一示例性实施例示出的一种应用环境的示意图，如图1所示，该应用环境可以包括服务器100和终端200。

在一个可选的实施例中，服务器100可以用于训练目标数据解耦网络和目标兴趣识别网络。可选的，服务器100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。

在一个可选的实施例中，终端200可以用于面向任一用户提供多媒体资源推荐服务。具体的，可以结合服务器100训练好的目标数据解耦网络和目标兴趣识别网络进行多媒体资源推荐。具体的，终端200可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmented reality，AR)/虚拟现实(virtualreality，VR)设备、智能可穿戴设备等类型的电子设备，也可以为运行于上述电子设备的软体，例如应用程序等。可选的，电子设备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。

此外，需要说明的是，图1所示的仅仅是本公开提供的一种应用环境，在实际应用中，还可以包括其他应用环境，例如可以包括更多的终端。

本说明书实施例中，上述服务器100和终端200可以通过有线或无线通信方式进行直接或间接地连接，本公开在此不做限制。

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，如图2所示，该多媒体资源推荐方法用于终端电子设备中，包括以下步骤。

在步骤S201中，获取目标对象对应的目标对象资源数据。

在一个具体的实施例中，上述目标对象资源数据可以为基于目标对象的目标对象属性和待推荐多媒体资源的目标资源属性确定的数据。可选的，目标对象可以为待推荐多媒体资源的推荐对象；具体的，目标对象可以为推荐系统中任一用户账号，目标对象的目标对象属性可以为能够表征目标对象的兴趣偏好的属性信息。在一个具体的实施例中，目标对象属性可以包括但不限于用户性别、年龄、学历、地域、以及在预设时间段内执行过预设操作的多媒体资源的资源标识等表征目标对象的兴趣偏好的信息。

在一个具体的实施例中，上述预设操作可以包括但不限于浏览、点击、转化（例如基于多媒体资源购买了相关产品，或基于多媒体资源下载了相关应用等）等。具体的，预设时间段可以结合实际应用场景进行设置，例如预设时间段为30分钟，一个星期等。

在一个具体的实施例中，待推荐多媒体资源可以为推荐系统中的多媒体资源。可选的，多媒体资源可以包括文本、图像等静态资源，也可以包括短视频等动态资源。在一个具体的实施例中，目标资源属性可以为用于描述多媒体资源的信息，以多媒体资源为视频为例，目标资源属性可以包括待推荐多媒体资源的发布者信息、资源标识、发布日期、视频帧图像、音频信息、播放时长、标题信息等可以描述待推荐多媒体资源的信息。

在一个具体的实施例中，目标对象资源数据可以为目标对象属性和目标资源属性的特征向量表征。在一个可选的实施例中，可以基于预设特征表征网络将目标对象属性和目标资源属性转换成对应的目标对象资源数据。

在步骤S203中，基于目标数据解耦网络中第一预设数量个目标特征中心，对目标对象资源数据进行解耦处理，得到目标对象资源数据对应的第一预设数量个解耦特征数据。

在一个具体的实施例中，第一预设数量个目标特征中心可以为多个不同类簇的特征中心，具体的，第一预设数量可以结合实际应用对特征解耦程度的需求进行设置。上述第一预设数量个解耦特征数据表征目标对象属性和目标资源属性解耦到第一预设数量个目标特征中心后的数据。

本说明书实施例中，通过将目标对象属性和目标资源属性解耦到第一预设数量个目标特征中心，可以结合具有高内聚低耦合特性的第一预设数量个目标特征中心，对目标对象属性和目标资源属性进行解耦，减少属性间的负相关性对对象和多媒体资源的特征表征的影响，进而提升学习到的第一预设数量个解耦特征数据对对象和多媒体资源的表征精准性和有效性。

在一个具体的实施例中，上述目标数据解耦网络可以为基于样本对象对应的正样本对象资源数据和负样本对象资源数据对待训练数据解耦网络和待训练兴趣识别网络进行联合训练得到的数据解耦网络。具体的，样本对象可以为推荐系统中的大量用户账号。正样本对象资源数据为基于样本对象的样本对象属性和样本对象执行过预设操作的样本多媒体资源的正样本资源属性确定的数据，负样本对象资源数据为基于样本对象属性和样本对象未执行过预设操作的样本多媒体资源的负样本资源属性确定的数据；具体的，样本对象执行过预设操作的样本多媒体资源可以为样本对象在预设采样时间段内执行过预设操作的样本多媒体资源；相应的，样本对象未执行过预设操作的样本多媒体资源可以为样本对象在预设采样时间段内未执行过预设操作的样本多媒体资源。具体的，预设采样时间段可以为结合实际应用场景设置的正负样本资源属性的单位采集时长。

在一个具体的实施例中，上述目标数据解耦网络可以包括第二预设数量个共享特征表征网络、特征融合网络、权重分析网络和对象资源拆分网络；

在一个具体的实施例中，上述第一预设数量个解耦特征数据包括第一预设数量个融合特征中心；可选的，如图3所示，上述基于目标数据解耦网络中第一预设数量个目标特征中心，对目标对象资源数据进行解耦处理，得到目标对象资源数据对应的第一预设数量个解耦特征数据可以包括以下步骤：

在步骤S301中，将目标对象资源数据输入第二预设数量个共享特征表征网络进行特征表征处理，得到第二预设数量个对象资源特征数据；

在步骤S303中，将第二预设数量个对象资源特征数据和第一预设数量个目标特征中心输入特征融合网络进行特征融合处理，得到融合特征数据；

在步骤S305中，将融合特征数据输入权重分析网络进行权重分析处理，得到第三预设数量个权重信息；

在步骤S307中，将第二预设数量个对象资源特征数据、第三预设数量个权重信息和第一预设数量个目标特征中心输入对象资源拆分网络进行特征拆分处理，得到第一预设数量个融合特征中心。

在一个具体的实施例中，上述第二预设数量个共享特征表征网络可以用于对目标对象资源数据进行特征表征。具体的，共享特征表征网络的数量（第二预设数量）可以结合实际应用进行设置。可选的，共享特征表征网络可以为单层神经网络也可以是多层神经网络。

在一个具体的实施例中，特征融合网络可以用于对上述对象资源特征数据和第一预设数量个目标特征中心进行融合。具体的，可以将第二预设数量个对象资源特征数据和第一预设数量个目标特征中心进行点乘处理，以实现对第二预设数量个对象资源特征数据和第一预设数量个目标特征中心的融合。

在一个具体的实施例中，假设第二预设数量个对象资源特征数据依次为：z_1，...，z_L，其中，L为第二预设数量，第一预设数量个目标特征中心为c_1，...，c_K，其中K为第一预设数量。相应的，上述融合特征数据可以为L行K列的矩阵P，其中，任意一行可以表示某一个对象资源特征数据与K个目标特征中心点乘后的数据（融合特征数据）；任意一列可以表示某一个目标特征中心与L个目标特征中心点乘后的数据（融合特征数据）。

在一个具体的实施例中，上述第三预设数量可以等于第一预设数量和第二预设数量的乘积。第三预设数量个权重信息可以表征第二预设数量个对象资源特征数据分别与第一预设数量个目标特征中心间的关联程度。权重分析网络可以用于分析第二预设数量个对象资源特征数据关于每个目标特征中心的权重信息。具体的，将融合特征数据输入权重分析网络进行权重分析处理过程中，可以结合softmax函数，对融合特征数据（矩阵）按列进行softmax计算，即计算P_j = softmax(p1j，p2j，... pLj)，具体的，P_j表示第j列的融合特征数据对应的权重信息，p1j表示第一行第j列的融合特征数据对应的权重信息（即表征第一个对象资源特征数据与第j个目标特征中心间的关联程度）；p2j表示第二行第j列的融合特征数据对应的权重信息（即表征第二个对象资源特征数据与第j个目标特征中心间的关联程度）；pLj表示第L行第j列的融合特征数据对应的权重信息（即表征第L个对象资源特征数据与第j个目标特征中心间的关联程度）。在一个具体的实施例中，同一列的融合特征数据对应的权重信息之和等于1，且同一列的融合特征数据对应的每一权重信息都大于0。

在一个具体的实施例中，对象资源拆分网络可以用于结合上述权重信息将对象资源特征数据拆分到第一预设数量个目标特征中心中，具体的，在对象资源拆分网络进行特征拆分处理过程中，对于每个目标特征中心，可以结合c_j’ = c_j + sum(P1j*z_1, ...,PLj*z_L)，其中，c_j 表示第j个目标特征中心，c_j’表示第j个融合特征中心。

上述实施例中，在基于目标数据解耦网络中第一预设数量个目标特征中心，对目标对象资源数据进行解耦处理过程中，结合对目标特征中心和对象资源特征数据融合后的融合特征数据的权重分析处理，可以确定第二预设数量个对象资源特征数据分别与第一预设数量个目标特征中心间关联程度的权重信息，并结合该权重信息将对象资源特征数据拆分到多个高内聚低耦合的类簇对应的目标特征中心中，可以有效的将输入的目标对象资源数据对应的目标对象属性和目标资源属性进行解耦，减少属性间的负相关性对对象和多媒体资源的特征表征的影响，进而提升学习到的第一预设数量个解耦特征数据对对象和多媒体资源的表征精准性和有效性。

在一个可选的实施例中，上述第二预设数量个对象资源特征数据和第一预设数量个目标特征中心不是相同数量级的情况下，可以先将第二预设数量个对象资源特征数据和第一预设数量个目标特征中心量化到同一数量级后，进行特征融合处理；相应的，上述目标数据解耦网络还包括归一化网络；上述基于目标数据解耦网络中第一预设数量个目标特征中心，对目标对象资源数据进行解耦处理，得到目标对象资源数据对应的第一预设数量个解耦特征数据还可以包括：

将第二预设数量个对象资源特征数据和第一预设数量个目标特征中心输入归一化网络进行归一化处理，得到第二预设数量个归一化对象资源特征数据和第一预设数量个归一化特征中心；

相应的，上述将第二预设数量个对象资源特征数据和第一预设数量个目标特征中心输入特征融合网络进行特征融合处理，得到融合特征数据可以包括：

将第二预设数量个归一化对象资源特征数据和第一预设数量个归一化特征中心输入特征融合网络进行特征融合处理，得到融合特征数据。

上述实施例中，通过对第二预设数量个对象资源特征数据和第一预设数量个目标特征中心进行归一化后，再进行特征融合处理，可以保证在同一量级进行对象资源特征数据和目标特征中心的融合，进而可以大大提升融合特征数据的有效性。

在一个可选的实施例中，上述方法还包括：

基于第一预设数量个融合特征中心，更新所述第一预设数量个目标特征中心；

基于更新后的第一预设数量个目标特征中心，重复将第二预设数量个对象资源特征数据和第一预设数量个目标特征中心输入特征融合网络进行特征融合处理，得到融合特征数据，至将第二预设数量个对象资源特征数据、第三预设数量个权重信息和第一预设数量个目标特征中心输入对象资源拆分网络进行特征拆分处理，得到第一预设数量个融合特征中心的解耦迭代操作，直至解耦迭代操作的执行次数达到目标迭代次数；

将目标迭代次数对应的第一预设数量个融合特征中心作为第一预设数量个解耦特征数据。

在一个具体的实施例中，上述目标迭代次数可以为结合实际应用预先设置的，解耦迭代操作对应的收敛条件。具体的，可以将上一次解耦迭代操作得到的第一预设数量个融合特征中心，作为下一次解耦迭代操作过程中的第一预设数量个目标特征中心。

上述实施例中，通过进行目标迭代次数的解耦迭代操作，可以更好将输入的目标对象资源数据对应的目标对象属性和目标资源属性进行解耦，进而更好的提升学习到的第一预设数量个解耦特征数据对对象和多媒体资源的表征精准性和有效性。

在一个具体的实施例中，如图4所示，图4是根据一示例性实施例提供的一种结合目标解耦网络对目标对象资源数据进行解耦处理的示意图。具体的，可以将目标对象资源数据输入目标数据解耦网络中第二预设数量个（假设为三个）共享特征表征网络进行特征表征处理，相应的，三个共享特征表征网络会输出三个对象资源特征数据，可选的，可以将上述三个对象资源特征数据和第一预设数量个目标特征中心输入归一化网络进行归一化处理，得到三个归一化对象资源特征数据和第一预设数量个归一化特征中心；进一步的，三个归一化对象资源特征数据和第一预设数量个归一化特征中心可以输入特征融合网络进行特征融合处理，得到融合特征数据；该融合特征数据可以输入权重分析网络进行权重分析处理，得到第三预设数量（三乘以第一预设数量）个权重信息；进一步的，可以将上述三个对象资源特征数据、第三预设数量个权重信息和第一预设数量个目标特征中心输入对象资源拆分网络进行特征拆分处理，得到第一预设数量个融合特征中心；将该第一预设数量个融合特征中心作为下一次解耦迭代操作过程中的第一预设数量个目标特征中心，并重复解耦迭代操作，直至解耦迭代操作的执行次数达到目标迭代次数；相应的，目标迭代次数对应的第一预设数量个融合特征中心可以作为上述第一预设数量个解耦特征数据。

在步骤S205中，将目标对象资源数据和第一预设数量个解耦特征数据输入目标兴趣识别网络进行兴趣识别处理，得到目标兴趣指标；

在一个具体的实施例中，上述目标兴趣识别网络可以为基于样本对象对应的正样本对象资源数据和负样本对象资源数据，对待训练数据解耦网络和待训练兴趣识别网络进行联合训练得到的兴趣识别网络。具体的，目标兴趣指标可以表征目标对象对待推荐多媒体资源的喜好程度。

在实际应用中，在进行多媒体资源推荐过程中，往往还需要维护其他的业务指标，例如点击率、留存率、设备使用时长等业务指标。相应的，目标兴趣识别网络在进行兴趣识别的过程中，可以从结合业务指标来表征对象对多媒体资源的喜好程度。具体的，以结合点击率（业务指标）来执行资源推荐任务为例，上述目标兴趣指标可以为对象点击多媒体资源的概率；相应的，该概率越高，目标对象对待推荐多媒体资源的喜好程度越高；该概率越低，目标对象对待推荐多媒体资源的喜好程度越低。

在一个可选的实施例中，上述目标兴趣识别网络可以为单一业务指标对应的资源推荐任务下的兴趣识别网络，即单一资源推荐任务对应的兴趣识别网络。具体的，单一资源推荐任务对应的兴趣识别网络的网络结构可以结合实际应用预先设置。

在一个可选的实施例中，上述目标兴趣识别网络可以为多个业务指标对应的多个资源推荐任务下的兴趣识别网络，即多个资源推荐任务对应的兴趣识别网络。

在一个可选的实施例中，在目标兴趣识别网络为多个资源推荐任务对应的兴趣识别网络的情况下，上述目标兴趣识别网络可以包括：多个资源推荐任务对应的任务特征提取网络和兴趣指标预测网络；相应的，上述将目标对象资源数据和第一预设数量个解耦特征数据输入目标兴趣识别网络进行兴趣识别处理，得到目标兴趣指标包括：将目标对象资源数据输入多个资源推荐任务对应的任务特征提取网络进行任务特征提取处理，得到多个资源推荐任务各自对应的对象资源特征数据；将对象资源特征数据和第一预设数量个解耦特征数据输入兴趣指标预测网络进行兴趣预测，得到目标兴趣指标。

在一个具体的实施例中，每个资源推荐任务对应的任务特征提取网络可以用于提取该资源推荐任务对应的对象资源特征数据。可选的，任务特征提取网络的网络结构可以结合实际应用预先设置，可以为单层神经网络也可以是多层神经网络。

在一个可选的实施例中，在目标兴趣识别网络为多个资源推荐任务对应的兴趣识别网络的情况下，上述目标兴趣指标可以包括多个资源推荐任务各自对应的兴趣指标；可选的，上述兴趣指标预测网络可以包括特征拼接网络、多个资源推荐任务各自对应的门控网络和多个资源推荐任务各自对应的任务兴趣预测网络；

相应的，上述将对象资源特征数据和第一预设数量个解耦特征数据输入兴趣指标预测网络进行兴趣预测，得到目标兴趣指标包括：将对象资源特征数据和第一预设数量个解耦特征数据输入特征拼接网络进行拼接处理，得到拼接特征数据；将拼接特征数据输入多个资源推荐任务各自对应的门控网络进行任务特征控制，得到多个资源推荐任务各自对应的任务特征数据；将每个资源推荐任务对应的任务特征数据输入每个资源推荐任务对应的任务兴趣预测网络进行兴趣预测，得到多个资源推荐任务各自对应的兴趣指标。

在一个具体的实施例中，拼接特征数据用于将对象资源特征数据和第一预设数量个解耦特征数据进行拼接处理。每个资源推荐任务对应的门控网络可以用于对该资源推荐任务对应的对象资源特征数据以及第一预设数量个解耦特征数据在该资源推荐任务中的重要性进行筛选，以得到用于该资源推荐任务对应的兴趣指标预测的任务特征数据。具体的，每个资源推荐任务对应的任务兴趣预测网络可以用于预测该资源推荐任务各自对应的兴趣指标。

上述实施例中，结合解耦后的第一预设数量个解耦特征数据进行多任务的兴趣识别，可以有效缓解不同业务指标对应的多任务间任务目标矛盾的问题，实现资源推荐的多任务联合处理，从而在提高多媒体资源推荐精准性和有效性的基础上，满足多种业务需求，大大提升多媒体资源推荐的处理效率。另外，在进行多任务的兴趣识别过程中，针对多个资源推荐任务设置各自对应的任务特征提取网络和任务兴趣预测网络，可以充分考虑多任务间的差异，进而更好的提升多任务联合下的多媒体资源推荐精准性和有效性。

在一个可选的实施例中，上述方法还可以包括：预先训练出目标数据解耦网络和目标兴趣识别网络的步骤。可选的，如图5所示，可以包括以下步骤：

在步骤S501中，获取样本对象对应的正样本对象资源数据和负样本对象资源数据。

在步骤S503中，基于待训练数据解耦网络中第一预设数量个原始特征中心，对正样本对象资源数据和负样本对象资源数据分别进行解耦处理，得到正样本对象资源数据对应的第一预设数量个正样本解耦特征数据和负样本对象资源数据对应的第一预设数量个负样本解耦特征数据。

在一个具体的实施例中，上述第一预设数量个正样本解耦特征数据可以表征样本对象属性和正样本资源属性解耦到第一预设数量个原始特征中心后的数据；上述第一预设数量个负样本解耦特征数据表征样本对象属性和负样本资源属性解耦到第一预设数量个原始特征中心后的数据。

在一个具体的实施例中，基于待训练数据解耦网络中第一预设数量个原始特征中心，对正样本对象资源数据和负样本对象资源数据分别进行解耦处理，得到正样本对象资源数据对应的第一预设数量个正样本解耦特征数据和负样本对象资源数据对应的第一预设数量个负样本解耦特征数据的具体细化，可以参见上述基于目标数据解耦网络中第一预设数量个目标特征中心，对目标对象资源数据进行解耦处理，得到目标对象资源数据对应的第一预设数量个解耦特征数据的具体细化，在此不再赘述。

在步骤S505中，将正样本对象资源数据、负样本对象资源数据、第一预设数量个正样本解耦特征数据和第一预设数量个负样本解耦特征数据输入待训练兴趣识别网络进行兴趣识别处理，得到样本兴趣指标。

在一个具体的实施例中，样本兴趣指标可以包括：正样本对象资源数据对应的第一样本兴趣指标和负样本对象资源数据对应的第二样本兴趣指标。具体的，第一样本兴趣指标可以表征待训练兴趣识别网络识别出的样本对象对执行过预设操作的样本多媒体资源的喜好程度。第一样本兴趣指标可以表征待训练兴趣识别网络识别出的样本对象对未执行过预设操作的样本多媒体资源的喜好程度。

在一个具体的实施例中，将正样本对象资源数据、负样本对象资源数据、第一预设数量个正样本解耦特征数据和第一预设数量个负样本解耦特征数据输入待训练兴趣识别网络进行兴趣识别处理，得到样本兴趣指标的具体细化，可以参见上述将目标对象资源数据和第一预设数量个解耦特征数据输入目标兴趣识别网络进行兴趣识别处理，得到目标兴趣指标的相关细化，在此不再赘述。

在步骤S507中，根据样本兴趣指标，确定目标损失信息。

在一个具体实施例中，样本兴趣指标可以为大于等于0小于等于1的数值。具体的，由于正样本对象资源数据为基于样本对象的样本对象属性和样本对象执行过预设操作的样本多媒体资源的正样本资源属性确定的数据，故正样本对象资源对应的标注兴趣指标为1；反之，由于负样本对象资源数据为基于样本对象属性和样本对象未执行过预设操作的样本多媒体资源的负样本资源属性确定的数据，故负样本对象资源对应的标注兴趣指标为0。相应的，上述根据样本兴趣指标，确定目标损失信息可以包括基于预设损失函数，确定第一样本兴趣指标和1之间的第一损失信息；基于预设损失函数，确定第二样本兴趣指标和0之间的第二损失信息；以及基于第一损失信息和第二损失信息，确定目标损失信息。

在一个可选的实施例中，可以将第一损失信息和第二损失信息相加作为目标损失信息；也可以对第一损失信息和第二损失信息进行加权求和，得到目标损失信息。

在步骤S509中，基于目标损失信息，训练待训练数据解耦网络、待训练兴趣识别网络以及更新第一预设数量个原始特征中心，得到目标数据解耦网络、目标兴趣识别网络和第一预设数量个目标特征中心。

在一个可选的实施例中，上述基于目标损失信息，训练待训练数据解耦网络、待训练兴趣识别网络以及更新第一预设数量个原始特征中心，得到目标数据解耦网络、目标兴趣识别网络和第一预设数量个目标特征中心包括：

基于目标损失信息更新待训练数据解耦网络中的网络参数、第一预设数量个原始特征中心和待训练兴趣识别网络中的网络参数；

基于更新网络参数后的待训练数据解耦网络、待训练兴趣识别网络和更新后的第一预设数量个原始特征中心重复基于待训练数据解耦网络中第一预设数量个原始特征中心，对正样本对象资源数据和负样本对象资源数据分别进行解耦处理，得到正样本对象资源数据对应的第一预设数量个正样本解耦特征数据和负样本对象资源数据对应的第一预设数量个负样本解耦特征数据，至基于目标损失信息更新待训练数据解耦网络中的网络参数、第一预设数量个原始特征中心和待训练兴趣识别网络中的网络参数的训练迭代操作，至满足预设训练收敛条件；

将满足预设训练收敛条件的情况下对应的待训练数据解耦网络作为目标数据解耦网络，将满足预设训练收敛条件的情况下对应的待训练兴趣识别网络作为目标兴趣识别网络以及将满足预设训练收敛条件的情况下对应的第一预设数量个原始特征中心作为第一预设数量个目标特征中心。

在一个具体的实施例中，在每一次训练迭代操作过程中，可以基于本次得到的目标损失信息更新，上一次结合目标损失信息更新得到的第一预设数量个原始特征中心。具体的，基于目标损失信息更新待训练数据解耦网络中的网络参数、第一预设数量个原始特征中心和待训练兴趣识别网络中的网络参数过程中，可以结合梯度下降法。

在一个可选的实施例中，上述满足预设训练收敛条件可以为训练迭代操作的次数达到预设训练次数。可选的，满足预设训练收敛条件也可以为目标损失信息小于预设阈值。可选的，满足预设训练收敛条件也可以为前后两次得到的目标损失信息间的差值小于指定阈值。本说明书实施例中，预设训练次数、预设阈值和指定阈值可以结合实际应用中对网络的训练速度和精准度预先设置。

上述实施例中，基于样本对象对应的正样本对象资源数据和负样本对象资源数据对待训练数据解耦网络和待训练兴趣识别网络进行联合训练得到的目标数据解耦网络和目标兴趣识别网络，可以将正负样本对象资源数据对应的样本对象属性和样本资源属性解耦到，具有高内聚低耦合特性的第一预设数量个原始特征中心，进而可以结合能够精准表征样本对象属性和样本资源属性的第一预设数量个样本解耦特征数据，来挖掘样本对象的兴趣偏好，提升目标兴趣识别网络对对象兴趣识别的精准性和有效性。且在训练过程中，不断更新第一预设数量个原始特征中心，可以提升最终的目标特征中心的高内聚低耦合特性，保证后续的对象资源数据的解耦效果。

在步骤S207中，基于目标兴趣指标，将待推荐多媒体资源中的目标多媒体资源，推荐给目标对象。

在一个可选的实施例中，在目标兴趣识别网络为单一资源推荐任务对应的兴趣识别网络的情况下，可选的，上述基于目标兴趣指标，将待推荐多媒体资源中的目标多媒体资源，推荐给目标对象可以包括：根据目标兴趣指标，从待推荐多媒体资源中确定目标多媒体资源；将目标多媒体资源，推荐给目标对象。

本说明书实施例中，待推荐多媒体资源可以包括多个待推荐的多媒体资源。可选的，根据目标兴趣指标，从待推荐多媒体资源中确定目标多媒体资源可以包括：结合目标兴趣指标对多个待推荐的多媒体资源进行降序排序，并选取排序前第四预设数量个多媒体资源作为目标多媒体资源。具体的，第四预设数量可以结合实际应用进行设置，可选的，第四预设数量可以大于等于一。

在一个可选的实施例中，根据目标兴趣指标，从待推荐多媒体资源中确定目标多媒体资源可以包括：将多个待推荐的多媒体资源中，目标兴趣指标大于等于第一预设指标阈值的多媒体资源作为目标多媒体资源。具体的，第一预设指标阈值可以结合实际应用进行设置。

在另一个可选的实施例中，在目标兴趣指标包括多个资源推荐任务各自对应的兴趣指标的情况下，如图6所示，上述基于目标兴趣指标，将待推荐多媒体资源中的目标多媒体资源，推荐给目标对象可以包括：

在步骤S601中，对多个资源推荐任务各自对应的兴趣指标进行加权求和处理，得到加权兴趣指标；

在步骤S603中，根据加权兴趣指标，从待推荐多媒体资源中确定目标多媒体资源；

在步骤S605中，将目标多媒体资源，推荐给目标对象。

在一个具体的实施例中，每个资源推荐任务对应的兴趣指标的权重可以结合实际应用中该资源推荐任务对应业务指标的重要程度进行设置，具体的，对应业务指标的重要程度与兴趣指标的权重呈正比。

在一个可选的实施例中，可以根据加权兴趣指标，从待推荐多媒体资源中确定目标多媒体资源的具体细化，可以参见上述根据目标兴趣指标，从待推荐多媒体资源中确定目标多媒体资源的具体细化，在此不再赘述。

上述实施例中，将多个资源推荐任务的兴趣指标进行加权求和处理，得到加权兴趣指标，并基于该加权兴趣指标从待推荐多媒体资源中确定推荐给目标对象的目标多媒体资源，可以满足多业务场景下的多媒体资源推荐需求，更好的提升多媒体资源推荐的精准性和有效性，减少无效多媒体资源的推送，进而降低推荐系统的系统资源浪费，提升推荐系统的系统性能。

由以上本说明书实施例提供的技术方案可见，本说明书基于目标数据解耦网络中第一预设数量个目标特征中心，对目标对象资源数据进行解耦处理，可以将目标对象属性和目标资源属性解耦到，具有高内聚低耦合特性的第一预设数量个目标特征中心，进而可以减少属性间的负相关性对目标对象和待推荐多媒体资源的特征表征的影响，提升学习到的第一预设数量个解耦特征数据对目标对象和待推荐多媒体资源的表征精准性和有效性；并结合解耦后的第一预设数量个解耦特征数据进行兴趣识别处理，可以使得识别出的目标兴趣指标更准确的反映目标对象的兴趣偏好情况，基于该目标兴趣指标进行多媒体资源推荐，可以有效提升多媒体资源推荐的精准性和有效性，减少无效多媒体资源的推送，进而降低推荐系统的系统资源浪费，提升推荐系统的系统性能。

图7是根据一示例性实施例示出的一种多媒体资源推荐装置框图。参照图7，该装置包括：

数据获取模块710，被配置为执行获取目标对象对应的目标对象资源数据，目标对象资源数据为基于目标对象的目标对象属性和待推荐多媒体资源的目标资源属性确定的数据；

第一解耦处理模块720，被配置为执行基于目标数据解耦网络中第一预设数量个目标特征中心，对目标对象资源数据进行解耦处理，得到目标对象资源数据对应的第一预设数量个解耦特征数据，第一预设数量个解耦特征数据表征目标对象属性和目标资源属性解耦到第一预设数量个目标特征中心后的数据；

第一兴趣识别处理模块730，被配置为执行将目标对象资源数据和第一预设数量个解耦特征数据输入目标兴趣识别网络进行兴趣识别处理，得到目标兴趣指标；

资源推荐模块740，被配置为执行基于目标兴趣指标，将待推荐多媒体资源中的目标多媒体资源，推荐给目标对象。

可选的，目标数据解耦网络包括第二预设数量个共享特征表征网络、特征融合网络、权重分析网络、对象资源拆分网络；

第一解耦处理模块720包括：

特征表征处理单元，被配置为执行将目标对象资源数据输入第二预设数量个共享特征表征网络进行特征表征处理，得到第二预设数量个对象资源特征数据；

特征融合处理单元，被配置为执行将第二预设数量个对象资源特征数据和第一预设数量个目标特征中心输入特征融合网络进行特征融合处理，得到融合特征数据；

权重分析处理单元，被配置为执行将融合特征数据输入权重分析网络进行权重分析处理，得到第三预设数量个权重信息，第三预设数量个权重信息表征第二预设数量个对象资源特征数据分别与第一预设数量个目标特征中心间的关联程度；

特征拆分处理单元，被配置为执行将第二预设数量个对象资源特征数据、第三预设数量个权重信息和第一预设数量个目标特征中心输入对象资源拆分网络进行特征拆分处理，得到第一预设数量个融合特征中心。

可选的，目标数据解耦网络还包括归一化网络；

第一解耦处理模块720还包括：

归一化处理单元，被配置为执行将第二预设数量个对象资源特征数据和第一预设数量个目标特征中心输入归一化网络进行归一化处理，得到第二预设数量个归一化对象资源特征数据和第一预设数量个归一化特征中心；

特征融合处理单元还被配置为执行将第二预设数量个归一化对象资源特征数据和第一预设数量个归一化特征中心输入特征融合网络进行特征融合处理，得到融合特征数据。

可选的，上述装置还包括：

目标特征中心更新模块，被配置为执行基于第一预设数量个融合特征中心，更新第一预设数量个目标特征中心；

解耦迭代处理模块，被配置为执行基于更新后的第一预设数量个目标特征中心，重复将第二预设数量个对象资源特征数据和第一预设数量个目标特征中心输入特征融合网络进行特征融合处理，得到融合特征数据，至将第二预设数量个对象资源特征数据、第三预设数量个权重信息和第一预设数量个目标特征中心输入对象资源拆分网络进行特征拆分处理，得到第一预设数量个融合特征中心的解耦迭代操作，直至解耦迭代操作的执行次数达到目标迭代次数；

解耦特征数据确定模块，被配置为执行将目标迭代次数对应的第一预设数量个融合特征中心作为第一预设数量个解耦特征数据。

可选的，目标兴趣识别网络包括：多个资源推荐任务对应的任务特征提取网络和兴趣指标预测网络；第一兴趣识别处理模块730包括：

任务特征提取处单元，被配置为执行将目标对象资源数据输入多个资源推荐任务对应的任务特征提取网络进行任务特征提取处理，得到多个资源推荐任务各自对应的对象资源特征数据；

兴趣预测单元，被配置为执行将对象资源特征数据和第一预设数量个解耦特征数据输入兴趣指标预测网络进行兴趣预测，得到目标兴趣指标。

可选的，目标兴趣指标包括多个资源推荐任务各自对应的兴趣指标；兴趣指标预测网络包括特征拼接网络、多个资源推荐任务各自对应的门控网络和多个资源推荐任务各自对应的任务兴趣预测网络；

兴趣预测单元包括：

拼接处理单元，被配置为执行将对象资源特征数据和第一预设数量个解耦特征数据输入特征拼接网络进行拼接处理，得到拼接特征数据；

任务特征控制单元，被配置为执行将拼接特征数据输入多个资源推荐任务各自对应的门控网络进行任务特征控制，得到多个资源推荐任务各自对应的任务特征数据；

兴趣预测子单元，被配置为执行将每个资源推荐任务对应的任务特征数据输入每个资源推荐任务对应的任务兴趣预测网络进行兴趣预测，得到多个资源推荐任务各自对应的兴趣指标。

可选的，目标兴趣指标包括多个资源推荐任务各自对应的兴趣指标；资源推荐模块740包括：

加权求和处理单元，被配置为执行对多个资源推荐任务各自对应的兴趣指标进行加权求和处理，得到加权兴趣指标；

目标多媒体资源确定单元，被配置为执行根据加权兴趣指标，从待推荐多媒体资源中确定目标多媒体资源；

目标对象推荐单元，被配置为执行将目标多媒体资源，推荐给目标对象。

可选的，上述装置还包括：

样本数据获取模块，被配置为执行获取样本对象对应的正样本对象资源数据和负样本对象资源数据，正样本对象资源数据为基于样本对象的样本对象属性和样本对象执行过预设操作的样本多媒体资源的正样本资源属性确定的数据，负样本对象资源数据为基于样本对象属性和样本对象未执行过预设操作的样本多媒体资源的负样本资源属性确定的数据；

第二解耦处理模块，被配置为执行基于待训练数据解耦网络中第一预设数量个原始特征中心，对正样本对象资源数据和负样本对象资源数据分别进行解耦处理，得到正样本对象资源数据对应的第一预设数量个正样本解耦特征数据和负样本对象资源数据对应的第一预设数量个负样本解耦特征数据；第一预设数量个正样本解耦特征数据表征样本对象属性和正样本资源属性解耦到第一预设数量个原始特征中心后的数据；第一预设数量个负样本解耦特征数据表征样本对象属性和负样本资源属性解耦到第一预设数量个原始特征中心后的数据；

第二兴趣识别处理模块，被配置为执行将正样本对象资源数据、负样本对象资源数据、第一预设数量个正样本解耦特征数据和第一预设数量个负样本解耦特征数据输入待训练兴趣识别网络进行兴趣识别处理，得到样本兴趣指标；

目标损失信息确定模块，被配置为执行根据样本兴趣指标，确定目标损失信息；

训练更新模块，被配置为执行基于目标损失信息，训练待训练数据解耦网络、待训练兴趣识别网络以及更新第一预设数量个原始特征中心，得到目标数据解耦网络、目标兴趣识别网络和第一预设数量个目标特征中心。

可选的，训练更新模块包括：

数据更新单元，被配置为执行基于目标损失信息更新待训练数据解耦网络中的网络参数、第一预设数量个原始特征中心和待训练兴趣识别网络中的网络参数；

训练迭代处理单元，被配置为执行基于更新网络参数后的待训练数据解耦网络、待训练兴趣识别网络和更新后的第一预设数量个原始特征中心重复基于待训练数据解耦网络中第一预设数量个原始特征中心，对正样本对象资源数据和负样本对象资源数据分别进行解耦处理，得到正样本对象资源数据对应的第一预设数量个正样本解耦特征数据和负样本对象资源数据对应的第一预设数量个负样本解耦特征数据，至基于目标损失信息更新待训练数据解耦网络中的网络参数、第一预设数量个原始特征中心和待训练兴趣识别网络中的网络参数的训练迭代操作，至满足预设训练收敛条件；

网络确定单元，被配置为执行将满足预设训练收敛条件的情况下对应的待训练数据解耦网络作为目标数据解耦网络，将满足预设训练收敛条件的情况下对应的待训练兴趣识别网络作为目标兴趣识别网络以及将满足预设训练收敛条件的情况下对应的第一预设数量个原始特征中心作为第一预设数量个目标特征中心。

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

图8是根据一示例性实施例示出的一种用于多媒体资源推荐的电子设备的框图，该电子设备可以是终端，其内部结构图可以如图8所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种多媒体资源推荐方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本公开方案相关的部分结构的框图，并不构成对本公开方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在示例性实施例中，还提供了一种电子设备，包括：处理器；用于存储该处理器可执行指令的存储器；其中，该处理器被配置为执行该指令，以实现如本公开实施例中的多媒体资源推荐方法。

在示例性实施例中，还提供了一种计算机可读存储介质，当该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本公开实施例中的多媒体资源推荐方法。

在示例性实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本公开实施例中的多媒体资源推荐方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

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。

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。

Claims

1.一种多媒体资源推荐方法，其特征在于，包括：

2.根据权利要求1所述的多媒体资源推荐方法，其特征在于，所述目标数据解耦网络包括第二预设数量个共享特征表征网络、特征融合网络、权重分析网络、对象资源拆分网络；

3.根据权利要求2所述的多媒体资源推荐方法，其特征在于，所述目标数据解耦网络还包括归一化网络；

4.根据权利要求3所述的多媒体资源推荐方法，其特征在于，所述方法还包括：

基于所述第一预设数量个融合特征中心更新所述第一预设数量个目标特征中心；

5.根据权利要求1所述的多媒体资源推荐方法，其特征在于，所述目标兴趣识别网络包括：多个资源推荐任务对应的任务特征提取网络和兴趣指标预测网络；所述将所述目标对象资源数据和所述第一预设数量个解耦特征数据输入目标兴趣识别网络进行兴趣识别处理，得到目标兴趣指标包括：

6.根据权利要求5所述的多媒体资源推荐方法，其特征在于，所述目标兴趣指标包括多个资源推荐任务各自对应的兴趣指标；所述兴趣指标预测网络包括特征拼接网络、多个所述资源推荐任务各自对应的门控网络和多个所述资源推荐任务各自对应的任务兴趣预测网络；

7.根据权利要求1所述的多媒体资源推荐方法，其特征在于，所述目标兴趣指标包括多个资源推荐任务各自对应的兴趣指标；所述基于所述目标兴趣指标，将所述待推荐多媒体资源中的目标多媒体资源，推荐给所述目标对象包括：

将所述目标多媒体资源，推荐给所述目标对象。

8.根据权利要求1至7任一所述的多媒体资源推荐方法，其特征在于，所述方法还包括：

根据所述样本兴趣指标，确定目标损失信息；

9.根据权利要求8所述的多媒体资源推荐方法，其特征在于，所述基于所述目标损失信息，训练所述待训练数据解耦网络、所述待训练兴趣识别网络以及更新所述第一预设数量个原始特征中心，得到所述目标数据解耦网络、所述目标兴趣识别网络和所述第一预设数量个目标特征中心包括：

10.一种多媒体资源推荐装置，其特征在于，包括：

11.根据权利要求10所述的多媒体资源推荐装置，其特征在于，所述目标数据解耦网络包括第二预设数量个共享特征表征网络、特征融合网络、权重分析网络、对象资源拆分网络；

所述第一解耦处理模块包括：

12.根据权利要求11所述的多媒体资源推荐装置，其特征在于，所述目标数据解耦网络还包括归一化网络；

所述第一解耦处理模块还包括：

13.根据权利要求12所述的多媒体资源推荐装置，其特征在于，所述装置还包括：

14.根据权利要求10所述的多媒体资源推荐装置，其特征在于，所述目标兴趣识别网络包括：多个资源推荐任务对应的任务特征提取网络和兴趣指标预测网络；所述第一兴趣识别处理模块包括：

15.根据权利要求14所述的多媒体资源推荐装置，其特征在于，所述目标兴趣指标包括多个资源推荐任务各自对应的兴趣指标；所述兴趣指标预测网络包括特征拼接网络、多个所述资源推荐任务各自对应的门控网络和多个所述资源推荐任务各自对应的任务兴趣预测网络；

所述兴趣预测单元包括：

16.根据权利要求10所述的多媒体资源推荐装置，其特征在于，所述目标兴趣指标包括多个资源推荐任务各自对应的兴趣指标；所述资源推荐模块包括：

17.根据权利要求10至16任一所述的多媒体资源推荐装置，其特征在于，所述装置还包括：

18.根据权利要求17所述的多媒体资源推荐装置，其特征在于，所述训练更新模块包括：

19.一种电子设备，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9中任一项所述的多媒体资源推荐方法。

20.一种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9中任一项所述的多媒体资源推荐方法。

21.一种计算机程序产品，包括计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1至9中任一项所述的多媒体资源推荐方法。