CN113961792B - 一种资源推荐系统、方法、电子设备及存储介质 - Google Patents

Abstract

本公开关于一种资源推荐系统、方法、电子设备及存储介质，以至少解决相关技术中推荐系统中线上服务效率低的问题。本公开包括多组服务器的参数服务集群接收并保存模型参数，预测服务器响应于接收到的账户推荐请求，从集群服务器中获取模型参数，并基于获取到的模型参数更新预测服务器中的模型参数，得到待推荐资源的推荐参数，推荐服务引擎在接收到从预测服务器基于账户推荐请求返回的推荐参数之后，得到该账户的推荐资源，由于本公开中的参数服务集群与预测服务器并行执行相应的操作，从而无需在接收并保存模型参数时，暂停计算推荐参数，进而能够提高推荐效率。

Description

一种资源推荐系统、方法、电子设备及存储介质

技术领域

本发明涉及互联网技术领域，特别涉及一种资源推荐系统、方法、电子设备及存储介质。

背景技术

工业界个性化推荐服务无处不在，例如短视频的推荐服务、图片的推荐服务，文章的推荐服务、商品的推荐服务，等等。

这些个性化推荐服务中一个核心模块是精排(full rank)模块。工业级的个性化推荐系统中精排模块有如下特点：模型采用深度学习方法，参数规模很大，参数规模在千亿到万亿规模；内存消耗大，通常在几TB到百TB级别；深度学习模型结构复杂，计算耗时大。这三个特点导致线上服务的效率不高，影响推荐系统实际应用。

发明内容

本公开提供一种资源推荐系统、方法、电子设备及存储介质，以至少解决相关技术中推荐系统中线上服务效率低的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种资源推荐系统，包括：

参数服务集群，包括多组服务器，所述参数服务集群用于接收并保存模型参数，不同组的服务器用于存储不同的模型参数；

预测服务器，用于响应于接收到的账户推荐请求，从所述参数服务集群中获取模型参数，并基于获取到的模型参数更新预测服务器中的模型参数，得到所述待推荐资源的推荐参数；

推荐服务引擎，用于在接收到从预测服务器基于账户推荐请求返回的推荐参数之后，得到该账户的推荐资源；

其中，所述参数服务集群与所述预测服务器并行执行相应的操作。

在一种可选的实施方式中，所述模型参数包括视频特征和用户特征，所述参数服务集群至少用于接收离线模型更新的用户特征。

在一种可选的实施方式中，所述预测服务器具体用于：

将所述视频特征进行向量转换，得到至少一个视频特征向量，以及将所述用户特征进行向量转换，得到至少一个用户特征向量；

将所述至少一个视频特征向量组成视频特征矩阵，以及将所述至少一个用户特征向量组成用户特征矩阵；

基于所述视频特征矩阵和所述用户特征矩阵，得到所述待推荐资源的推荐参数。

在一种可选的实施方式中，所述参数服务集群中的服务器用于将接收到的模型参数转换为特征向量，所述特征向量通过矩阵形式表示；

所述预测服务器还用于将从所述参数服务集群读取到的特征向量转换为行向量。

在一种可选的实施方式中，所述预测服务器具体用于：

基于所述视频特征，得到所述推荐资源的第一推荐参数，以及基于所述用户特征，得到所述推荐资源的第二推荐参数；

基于所述第一推荐参数和所述第二推荐参数，得到所述待推荐资源的推荐参数。

根据本公开实施例的第二方面，提供一种资源推荐方法，包括：

响应于接收到的账户推荐请求，从参数服务集群中获取模型参数，并基于获取到的模型参数更新预测服务器中的模型参数，得到所述待推荐资源的推荐参数；

将基于所述账户推荐请求得到的推荐参数输入到推荐服务引擎，得到该账户的推荐资源；

其中，所述参数服务集群，包括多组服务器，所述参数服务集群用于接收并保存模型参数，不同组的服务器用于存储不同的模型参数，所述参数服务集群与所述预测服务器并行执行相应的操作。

在一种可选的实施方式中，所述模型参数包括视频特征和用户特征，所述参数服务集群至少用于接收离线模型更新的用户特征。

在一种可选的实施方式中，所述基于获取到的模型参数更新预测服务器中的模型参数，得到待推荐资源的推荐参数，包括：

将所述视频特征进行向量转换，得到至少一个视频特征向量，以及将所述用户特征进行向量转换，得到至少一个用户特征向量；

将所述至少一个视频特征向量组成视频特征矩阵，以及将所述至少一个用户特征向量组成用户特征矩阵；

基于所述视频特征矩阵和所述用户特征矩阵，得到所述待推荐资源的推荐参数。

在一种可选的实施方式中，该方法还包括：

将接收到的模型参数转换为特征向量，所述特征向量通过矩阵形式表示；

将读取到的所述特征向量转换为行向量。

在一种可选的实施方式中，所述基于获取到的模型参数更新预测服务器中的模型参数，得到所述待推荐资源的推荐参数，包括：

基于所述视频特征，得到所述推荐资源的第一推荐参数，以及基于所述用户特征，得到所述推荐资源的第二推荐参数；

基于所述第一推荐参数和所述第二推荐参数，得到所述待推荐资源的推荐参数。

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，以实现本公开实施例第二方面中任一项所述的资源推荐方法。

根据本公开实施例的第四方面，提供一种非易失性可读存储介质，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第二方面中任一项所述的资源推荐方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，当所述计算机程序产品在电子设备上运行时，使得所述电子设备执行实现本公开实施例上述第二方面以及第二方面任一可能涉及的方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

包括多组服务器的参数服务集群接收并保存模型参数，预测服务器响应于接收到的账户推荐请求，从集群服务器中获取模型参数，并基于获取到的模型参数更新预测服务器中的模型参数，得到待推荐资源的推荐参数，推荐服务引擎在接收到从预测服务器基于账户推荐请求返回的推荐参数之后，得到该账户的推荐资源，由于本公开中的参数服务集群与预测服务器并行执行相应的操作，从而无需在接收并保存模型参数时，暂停计算推荐参数，进而能够提高推荐效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本公开实施例提供的应用场景示意图；

图2为现有的精排模型的服务架构的结构示意图；

图3为本公开提供的精排模型的服务架构的结构示意图；

图4为本公开实施例提供的一种资源推荐系统的结构示意图；

图5为现有技术计算推荐参数的计算逻辑示意图；

图6为本公开提供的第一种计算推荐参数的计算逻辑示意图；

图7为本公开提供的第二种计算推荐参数的计算逻辑示意图；

图8为根据一示例性实施例示出的一种资源推荐方法的流程示意图；

图9为根据一示例性实施例示出的一种电子设备的框图；

图10为根据一示例性实施例示出的一种终端设备的框图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

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

本公开实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

本公开实施例中术语“电子设备”可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

本公开实施例描述的应用场景是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本公开的描述中，除非另有说明，“多个”的含义。

如图1所示，其为本公开实施例提供的应用场景示意图。该应用场景图中包括两个终端设备110和一个服务器130，可通过终端设备110登录相关界面120。终端设备110与服务器130之间可以通过通信网络进行通信。

在一种可选的实施方式中，通信网络是有线网络或无线网络。

在本公开实施例中，终端设备110为用户使用的电子设备，该电子设备可以是个人计算机、手机、平板电脑、笔记本、电子书阅读器等具有一定计算能力并且运行有即时通讯类软件及网站或者社交类软件及网站的计算机设备。各终端设备110通过无线网络与服务器130连接，服务器130是一台服务器或若干台服务器组成的服务器集群或云计算中心，或者是一个虚拟化平台。

可选地，服务器130还可以具有参数数据库，该参数数据库可以存储大量模型参数。

本公开实施例中，终端设备110可以直接根据账户的操作直接为账户推荐资源并通过界面120向用户进行展示；或者，终端设备110在接收到用户触发的资源推荐请求时，将请求发送给服务器130，由服务器130为账户推荐资源，将推荐资源结果发送给终端设备110，再由终端设备110向用户进行展示。

本公开实施例以精排模型的服务架构为例进行说明，下面简单介绍精排模型的现有服务架构。

如图2所示，为现有的精排模型的服务架构。图2中，精排模型的服务架构分为online service(线上服务)部分和offline training(离线训练)部分，其中，onlineservice部分是线上服务部分，offline training部分是线下离线部分。

online service部分中的leaf为推荐服务引擎，predict server是指模型的预估服务。

leaf响应账户推荐请求，然后通过predict server计算出的推荐参数，为账户推荐资源，其中，predict server在进行计算的过程中，还会接收BTQ发送的模型参数，以更新predict server中的模型参数。

其中，BTQ即Binary Tree Queue(二叉树队列)的缩写。是指基于binary tree(二叉树)数据结构的队列。Real-Time Learning(实时学习模块)将实时学习得到的模型参数通过BTQ发送给predict server，供predict server计算推荐参数时使用。

对于超大规模模型参数的线上服务的瓶颈主要体现在predict server部分。predict server会同时做两件事：模型参数的计算和模型参数的接收，前者是计算密集型任务，后者是网络密集型任务。

由于predict server在进行模型参数的计算过程中，会接收模型参数，在接收模型参数时，如果正在进行计算，则需要停止计算，接收模型参数，接收到模型参数后，再继续进行计算。由于在计算的过程中会停止计算，接收模型参数，所以计算效率低。

基于上述问题，本公开提供了一种资源推荐系统、方法、电子设备以存储介质，下面对本公开提供的资源推荐系统、方法、电子设备以存储介质进行详细说明。

如图3所示，为本公开实施例提供的一种精排模型的服务架构。从图3中可以看出，本公开实施例中的精排模型的服务架构的online service包括leaf、infer server(计算服务)、以及parameter server(参数服务)。

本公开实施例中的parameter server即包括多组服务器的参数服务集群；inferserver即预测服务器；leaf即推荐服务引擎。

由图3可以看出，在本公开实施例中，将现有技术中的predict server分为两部分，parameter server和infer server。parameter server只负责获取并保存模型参数，infer server负责响应于账户推荐请求，通过从parameter server中获取模型参数，并基于获取到的模型参数更新parameter server中的模型参数，得到待推荐资源的推荐参数，在infer server进行推荐参数的计算时，parameter server还会接收并保存模型参数，从而不会因为接收模型参数影响推荐参数的计算，进而能够提高推荐系统的推荐效率。

另外，在为账户推荐资源之前，infer server首先访问parameter server，获取模型参数之后再做计算。由于infer server获取参数之后再进行计算，所以不需要再存储模型参数的向量化数据，embedding server(嵌入服务器)不再需要存储待推荐资源的候选集合，从而可以大幅度节省内存，为将来的优化预留空间。

如图4所示，为本公开实施例提供的一种资源推荐系统400，包括：

参数服务集群401，包括多组服务器，所述参数服务集群用于接收并保存模型参数，不同组的服务器用于存储不同的模型参数；

预测服务器402，用于响应于接收到的账户推荐请求，从所述参数服务集群中获取模型参数，并基于获取到的模型参数更新预测服务器中的模型参数，得到待推荐资源的推荐参数；

推荐服务引擎403，用于在接收到从预测服务器基于账户推荐请求返回的推荐参数之后，得到该账户的推荐资源；

其中，所述参数服务集群与所述预测服务器并行执行相应的操作。

需要说明的是，本公开中不同组服务器用于存储不同的模型参数，是为了保证不同组服务器存储的数据没有冗余，比如，A组服务器用于存储A-X用户的数据，B组服务器用户存储AX-CZ用户的数据。

包括多组服务器的参数服务集群接收并保存模型参数，预测服务器响应于接收到的账户推荐请求，从集群服务器中获取模型参数，并基于获取到的模型参数更新预测服务器中的模型参数，得到待推荐资源的推荐参数，推荐服务引擎在接收到从预测服务器基于账户推荐请求返回的推荐参数之后，得到该账户的推荐资源，这里的参数服务集群与预测服务器并行执行相应的操作，从而无需在接收并保存模型参数时，暂停计算推荐参数，进而提高推荐效率。

在实施中，模型参数可以包括视频特征和用户特征，参数服务集群至少用于接收离线模型更新的用户特征。

本公开实施例中的资源可以是视频；用户特征，可以为账户的ID、账户的名称、账户关注的其他账户、账户关注的资源等信息；视频特征，可以为视频类型、视频被其他账户关注的数量、视频被点击观看的次数、视频被点赞的次数等信息。

在一种具体的实施方式中，预测服务器可以将视频特征进行向量转换，得到至少一个视频特征向量，将用户特征进行向量转换，得到至少一个用户特征向量，然后将至少一个视频特征向量组成视频特征矩阵，将至少一个用户特征向量组成用户特征矩阵，最后基于视频特征矩阵和用户特征矩阵，得到待推荐资源的推荐参数。

在另一种具体的实施方式中，参数服务集群中的服务器可以将接收到的模型参数转换为特征向量，该特征向量可以通过矩阵形式表示。参数服务集群中的服务器将接收到的模型参数转化为特征向量后，预测服务器可以将读取到的特征向量转换为行向量。

具体实施中，参数服务集群中的服务器可以将接收到的视频特征转换为视频特征向量，将接收到的用户特征转换为用户特征向量；预测服务器获取视频特征向量和/或用户特征向量，基于获取到的视频特征向量更新预测服务器中的视频特征向量，基于获取到的用户特征向量更新预测服务器中的用户特征向量，然后得到待推荐资源的推荐参数。

进一步的，特征向量中每行的行向量可能相同，因此预测服务器获取到特征向量后，可以将特征向量转换为行向量。

如果特征向量中每行的行向量相同，则参数服务集群中的服务器可以将接收到的视频特征转换为视频特征向量，将接收到的用户特征转换为用户特征向量；预测服务器获取视频特征向量和用户特征向量，预测服务器将获取到的视频特征向量转换为行向量，将获取到的用户特征向量转换为行向量，并基于转换后的行向量更新预测服务器中相对应的行向量，得到待推荐资源的推荐参数。

预测服务器基于获取到的模型参数更新预测服务器中的模型参数，得到待推荐资源的推荐参数，可以通过下列三种方式确定待推荐资源的推荐参数。

方式一、基于获取到的视频特征更新预测服务器中的视频特征，基于获取到的用户特征更新预测服务器中的用户特征，然后基于更新后的视频特征确定第一推荐参数，基于更新后的用户特征确定第二推荐参数，最后根据第一推荐参数和第二推荐参数确定待推荐资源的推荐参数。

方式二、基于获取到的视频特征向量更新预测服务器中的视频特征向量，基于获取到的用户特征向量更新预测服务器中的用户特征向量，然后根据更新后的视频特征向量确定第一推荐参数，根据更新后的用户特征向量确定第二推荐参数，最后根据第一推荐参数和第二推荐参数确定待推荐资源的推荐参数。

方式三、将获取到的视频特征向量转换为视频特征行向量，将获取到的用户特征向量转换为用户特征行向量，基于转换后的视频特征行向量更新预测服务器中的视频特征行向量，基于转换后的用户特征行向量更新预测服务器中的用户特征行向量，然后根据更新后的视频特征行向量确定第一推荐参数，根据更新后的用户特征行向量确定第二推荐参数，最后根据第一推荐参数和第二推荐参数确定待推荐资源的推荐参数。

可以将第一推荐参数和第二推荐参数的和作为待推荐资源的推荐参数。

由于基于视频特征确定第一推荐参数，基于用户特征确定第二推荐参数，然后再根据第一推荐参数和第二推荐参数确定待推荐资源的推荐参数，相比于现有技术中根据所有特征确定待推荐资源的推荐参数，更有针对性，从而简化了计算的复杂度，能够提高推荐效率。

确定了待推荐资源的推荐参数后，可以根据确定的待推荐资源对应的推荐参数推荐资源，比如将待推荐资源按照推荐参数的大小进行展现。

比如有三个待推荐资源，资源a，资源b，资源c，资源a对应的推荐资源参数为1，资源b对应的推荐参数为2，资源c对应的推荐参数为3，则可以将3个待推荐资源按推荐参数由大到小进行展示，即展示顺序为资源c，资源b，资源a。

下面以具体实施例对本公开进行说明。

在个性化推荐系统中，精排模块的深度学习模型通常具有超大规模模型参数，尤其是输入层的全连接层部分是耗时较大部分，计算逻辑可以如图5所示。

假设user feature(用户特征)是N*M的矩阵，non-user feature(非用户特征)是N*P的矩阵，user param(用户参数)是M*K的矩阵，non-user param(非用户参数)是P*Q的矩阵。图5中计算逻辑的复杂度为N*(M+P)*(K+Q)，计算是非常耗时的。

如图6所示，为本公开中计算推荐参数的计算逻辑。由于本公开中参数服务集群可以获取并保存模型参数，所以可以区分用户特征、非用户特征、用户参数、以及非用户参数，因此可以使用如图6所示的逻辑进行计算。

从图6中可以看出，计算逻辑的复杂度减少到N*M*K+N*P*Q。比图5中的计算逻辑的复杂度降低了很多，从而可以提高计算效率。

进一步的，特征向量如果是由一个行向量重复多次形成的，则可以将特征向量转换成一个行向量。

如图7所示，为用户特征向量转换成一个行向量后的计算逻辑。由于用户特征向量转换成了一个行向量，从而可以节省大量运算。

此外，由于用户侧输入变成了单行，因此在构造输入时也可以节省大量运算和内存。

上述方法，可以在不改变训练过程的前提下，仅仅通过修改预估时的逻辑以及少量的配置，就可以实现模型更高效地线上运行，提高推荐效率。

基于同一发明构思，本公开实施例还提供一种资源推荐方法，由于该方法对应的是本公开实施例资源推荐系统对应的方法，并且该方法解决问题的原理与该系统相似，因此该方法的实施可以参见系统的实施，重复之处不再赘述。

图8是根据一示例性实施例示出的一种资源推荐方法的流程图，如图8所示，包括以下步骤。

在步骤S81中，响应于接收到的账户推荐请求，从参数服务集群中获取模型参数，并基于获取到的模型参数更新预测服务器中的模型参数，得到所述待推荐资源的推荐参数；

在步骤S82中，将基于所述账户推荐请求得到的推荐参数输入到推荐服务引擎，得到该账户的推荐资源。

其中，所述参数服务集群，包括多组服务器，所述参数服务集群用于接收并保存模型参数，不同组的服务器用于存储不同的模型参数，所述参数服务集群与所述预测服务器并行执行相应的操作。

在一种可选的实施方式中，所述模型参数包括视频特征和用户特征，所述参数服务集群至少用于接收离线模型更新的用户特征。

在一种可选的实施方式中，所述基于获取到的模型参数更新预测服务器中的模型参数，得到待推荐资源的推荐参数，包括：

将所述视频特征进行向量转换，得到至少一个视频特征向量，以及将所述用户特征进行向量转换，得到至少一个用户特征向量；

将所述至少一个视频特征向量组成视频特征矩阵，以及将所述至少一个用户特征向量组成用户特征矩阵；

基于所述视频特征矩阵和所述用户特征矩阵，得到所述待推荐资源的推荐参数。

在一种可选的实施方式中，该方法还包括：

将接收到的模型参数转换为特征向量，所述特征向量通过矩阵形式表示；

将读取到的所述特征向量转换为行向量。

在一种可选的实施方式中，所述基于获取到的模型参数更新预测服务器中的模型参数，得到所述待推荐资源的推荐参数，包括：

基于所述视频特征，得到所述推荐资源的第一推荐参数，以及基于所述用户特征，得到所述推荐资源的第二推荐参数；

基于所述第一推荐参数和所述第二推荐参数，得到所述待推荐资源的推荐参数。

上述资源推荐方法，首先响应于接收到的账户推荐请求，从参数服务集群中获取模型参数，然后基于获取到的模型参数更新预测服务器中的模型参数，得到待推荐资源的推荐参数，最后将基于该账户推荐请求得到的推荐参数输入到推荐服务引擎，得到该账户的推荐资源，参数服务集群用于接收并保存模型参数，由于参数服务集群与预测服务器并行执行相应的操作，从而无需在接收并保存模型参数时，暂停计算推荐参数，进而能够提高推荐效率。

图9是根据一示例性实施例示出的一种电子设备900的框图，该装置包括：

处理器901；

用于存储处理器901可执行指令的存储器902；

其中，处理器901被配置为执行指令，以实现本公开实施例中任意一种图像排序方法。

在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器902，上述指令可由电子设备900的处理器901执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在本公开实施例中还提供一种终端设备，其结构如图10所示，本公开实施例给出一种用于图像排序的终端1000，包括：射频(Radio Frequency，RF)电路1010、电源1020、处理器1030、存储器1040、输入单元1050、显示单元1060、摄像头1070、通信接口1080、以及无线保真(Wireless Fidelity，Wi-Fi)模块1090等部件。本领域技术人员可以理解，图10中示出的终端的结构并不构成对终端的限定，本公开实施例提供的终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图10对终端1000的各个构成部件进行具体的介绍：

RF电路1010可用于通信或通话过程中，数据的接收和发送。特别地，RF电路1010在接收到基站的下行数据后，发送给处理器1030处理；另外，将待发送的上行数据发送给基站。通常，RF电路1010包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low Noise Amplifier，LNA)、双工器等。

此外，RF电路1010还可以通过无线通信与网络和其他终端通信。无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobilecommunication，GSM)、通用分组无线服务(General Packet Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code DivisionMultiple Access，WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等。

Wi-Fi技术属于短距离无线传输技术，终端1000通过Wi-Fi模块1090可以连接接入点(Access Point，AP)，从而实现数据网络的访问。Wi-Fi模块1090可用于通信过程中，数据的接收和发送。

终端1000可以通过通信接口1080与其他终端实现物理连接。可选的，通信接口1080与其他终端的通信接口通过电缆连接，实现终端1000和其他终端之间的数据传输。

由于在本公开实施例中，终端1000能够实现通信业务，向其他联系人发送信息，因此终端1000需要具有数据传输功能，即终端1000内部需要包含通信模块。虽然图10示出了RF电路1010、Wi-Fi模块1090、和通信接口1080等通信模块，但是可以理解的是，终端1000中存在上述部件中的至少一个或者其他用于实现通信的通信模块(如蓝牙模块)，以进行数据传输。

例如，当终端1000为手机时，终端1000可以包含RF电路1010，还可以包含Wi-Fi模块1090；当终端1000为计算机时，终端1000可以包含通信接口1080，还可以包含Wi-Fi模块1090；当终端1000为平板电脑时，终端1000可以包含Wi-Fi模块。

存储器1040可用于存储软件程序以及模块。处理器1030通过运行存储在存储器1040的软件程序以及模块，从而执行终端1000的各种功能应用以及数据处理，并且当处理器1030执行存储器1040中的程序代码后，可以实现本公开实施例图8中的部分或全部过程。

可选的，存储器1040可以主要包括存储程序区和存储数据区。其中，存储程序区可存储操作系统、各种应用程序(比如通信应用)以及人脸识别模块等；存储数据区可存储根据终端的使用所创建的数据(比如各种图片、视频文件等多媒体文件，以及人脸信息模板)等。

此外，存储器1040可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

输入单元1050可用于接收用户输入的数字或字符信息，以及产生与终端1000的用户设置以及功能控制有关的键信号输入。

可选的，输入单元1050可包括触控面板1051以及其他输入终端1052。

其中，触控面板1051，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1051上或在触控面板1051附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板1051可以包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器1030，并能接收处理器1030发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1051。

可选的，其他输入终端1052可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一个或多个。

显示单元1060可用于显示由用户输入的信息或提供给用户的信息以及终端1000的各种菜单。显示单元1060即为终端1000的显示系统，用于呈现界面，实现人机交互。

显示单元1060可以包括显示面板1061。可选的，显示面板1061可以采用液晶显示屏(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode，OLED)等形式来配置。

进一步的，触控面板1051可覆盖显示面板1061，当触控面板1051检测到在其上或附近的触摸操作后，传送给处理器1030以确定触摸事件的类型，随后处理器1030根据触摸事件的类型在显示面板1061上提供相应的视觉输出。

虽然在图10中，触控面板1051与显示面板1061是作为两个独立的部件来实现终端1000的输入和输入功能，但是在某些实施例中，可以将触控面板1051与显示面板1061集成而实现终端1000的输入和输出功能。

处理器1030是终端1000的控制中心，利用各种接口和线路连接各个部件，通过运行或执行存储在存储器1040内的软件程序和/或模块，以及调用存储在存储器1040内的数据，执行终端1000的各种功能和处理数据，从而实现基于终端的多种业务。

可选的，处理器1030可包括一个或多个处理单元。可选的，处理器1030可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1030中。

摄像头1070，用于实现终端1000的拍摄功能，拍摄图片或视频。摄像头1070还可以用于实现终端1000的扫描功能，对扫描对象(二维码/条形码)进行扫描。

终端1000还包括用于给各个部件供电的电源1020(比如电池)。可选的，电源1020可以通过电源管理系统与处理器1030逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗等功能。

需要说明的是，本公开实施例处理器1030可以执行图9中处理器901的功能，存储器1040存储存储器902中的内容。

本公开实施例还提供一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行实现本公开实施例上述任意一项图像排序方法或任意一项图像排序方法任一可能涉及的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种资源推荐系统，其特征在于，包括：

参数服务集群，包括多组服务器，所述参数服务集群用于接收并保存模型参数，不同组的服务器用于存储不同的模型参数；

预测服务器，用于响应于接收到的账户推荐请求，从所述参数服务集群中获取模型参数，并基于获取到的模型参数更新预测服务器中的模型参数，得到待推荐资源的推荐参数；

推荐服务引擎，用于在接收到从预测服务器基于账户推荐请求返回的推荐参数之后，得到该账户的推荐资源，

其中，所述参数服务集群与所述预测服务器并行执行相应的操作；

所述模型参数包括视频特征和用户特征，所述参数服务集群至少用于接收离线模型更新的用户特征。

2.如权利要求1所述的资源推荐系统，其特征在于，所述预测服务器具体用于：

将所述视频特征进行向量转换，得到至少一个视频特征向量，以及将所述用户特征进行向量转换，得到至少一个用户特征向量；

将所述至少一个视频特征向量组成视频特征矩阵，以及将所述至少一个用户特征向量组成用户特征矩阵；

基于所述视频特征矩阵和所述用户特征矩阵，得到所述待推荐资源的推荐参数。

3.如权利要求1所述的资源推荐系统，其特征在于，

所述参数服务集群中的服务器用于将接收到的模型参数转换为特征向量，所述特征向量通过矩阵形式表示；

所述预测服务器还用于将从所述参数服务集群读取到的特征向量转换为行向量。

4.如权利要求2或3所述的资源推荐系统，其特征在于，所述预测服务器具体用于：

基于所述视频特征，得到所述推荐资源的第一推荐参数，以及基于所述用户特征，得到所述推荐资源的第二推荐参数；

基于所述第一推荐参数和所述第二推荐参数，得到所述待推荐资源的推荐参数。

5.一种资源推荐方法，其特征在于，包括：

响应于接收到的账户推荐请求，从参数服务集群中获取模型参数，并基于获取到的模型参数更新预测服务器中的模型参数，得到待推荐资源的推荐参数；

将基于所述账户推荐请求得到的推荐参数输入到推荐服务引擎，得到该账户的推荐资源；

其中，所述参数服务集群，包括多组服务器，所述参数服务集群用于接收并保存模型参数，不同组的服务器用于存储不同的模型参数，所述参数服务集群与所述预测服务器并行执行相应的操作；

所述模型参数包括视频特征和用户特征，所述参数服务集群至少用于接收离线模型更新的用户特征。

6.如权利要求5所述的方法，其特征在于，所述基于获取到的模型参数更新预测服务器中的模型参数，得到待推荐资源的推荐参数，包括：

将所述视频特征进行向量转换，得到至少一个视频特征向量，以及将所述用户特征进行向量转换，得到至少一个用户特征向量；

将所述至少一个视频特征向量组成视频特征矩阵，以及将所述至少一个用户特征向量组成用户特征矩阵；

基于所述视频特征矩阵和所述用户特征矩阵，得到所述待推荐资源的推荐参数。

7.如权利要求5所述的方法，其特征在于，该方法还包括：

将接收到的模型参数转换为特征向量，所述特征向量通过矩阵形式表示；

将读取到的所述特征向量转换为行向量。

8.如权利要求6或7所述的方法，其特征在于，所述基于获取到的模型参数更新预测服务器中的模型参数，得到所述待推荐资源的推荐参数，包括：

基于所述视频特征，得到所述推荐资源的第一推荐参数，以及基于所述用户特征，得到所述推荐资源的第二推荐参数；

基于所述第一推荐参数和所述第二推荐参数，得到所述待推荐资源的推荐参数。

9.一种电子设备，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5至权利要求8中任一项所述的资源推荐方法。

10.一种存储介质，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或如权利要求5至权利要求8中任一项所述的资源推荐方法。