CN114254181A - 资源推荐方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种资源推荐方法、装置、计算机设备和存储介质。所述方法包括：获取待推荐资源的目标互动信息和目标展示信息；获取历史推荐资源的历史互动信息和历史展示信息；基于目标互动信息、目标展示信息、历史互动信息和历史展示信息确定目标互动因子和目标展示因子；根据目标互动因子和目标展示因子进行样本平滑处理，得到待推荐资源对应的目标平滑互动因子；获取目标用户的用户属性信息，基于用户属性信息和待推荐资源对应的目标平滑互动因子进行信息匹配，得到待推荐资源与目标用户的匹配度；根据匹配度推荐待推荐资源。采用本方法能够提高资源推荐的有效性，减少计算机设备的资源浪费。

Description

资源推荐方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种资源推荐方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术的发展，人们越来越多的通过网络应用进行交流和获取各种资源，例如，通过社交应用浏览新闻、通过金融应用浏览基金信息等。为了便于用户的查看，网络应用可以主动地向用户推荐资源。

传统技术中，通常是随机向用户推荐资源，导致推荐的资源往往不是用户关注的，资源推荐的有效性较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高资源推荐的有效性的资源推荐方法、装置、计算机设备和存储介质。

一种资源推荐方法，所述方法包括：

获取待推荐资源的目标互动信息和目标展示信息；

获取历史推荐资源的历史互动信息和历史展示信息；

基于目标互动信息、目标展示信息、历史互动信息和历史展示信息确定目标互动因子和目标展示因子；

根据目标互动因子和目标展示因子进行样本平滑处理，得到待推荐资源对应的目标平滑互动因子；

获取目标用户的用户属性信息，基于用户属性信息和待推荐资源对应的目标平滑互动因子进行信息匹配，得到待推荐资源与目标用户的匹配度；

根据匹配度推荐待推荐资源。

一种资源推荐装置，所述装置包括：

信息获取模块，用于获取待推荐资源的目标互动信息和目标展示信息；获取历史推荐资源的历史互动信息和历史展示信息；

因子确定模块，用于基于所述目标互动信息、目标展示信息、历史互动信息和历史展示信息确定目标互动因子和目标展示因子；

信息平滑模块，用于根据所述目标互动因子和目标展示因子进行样本平滑处理，得到所述待推荐资源对应的目标平滑互动因子；

匹配度确定模块，用于获取目标用户的用户属性信息，基于所述用户属性信息和所述待推荐资源对应的目标平滑互动因子进行信息匹配，得到所述待推荐资源与所述目标用户的匹配度；

资源推荐模块，用于根据所述匹配度推荐所述待推荐资源。

在一个实施例中，信息获取模块还用于获取待推荐资源的资源类别；获取资源类别对应的参考互动信息和参考展示信息；将参考互动信息作为目标互动信息，将参考展示信息作为目标展示信息。

在一个实施例中，信息获取模块还用于获取待推荐资源的资源属性信息；将资源属性信息输入至已训练的互动因子预测模型，得到参考互动因子；互动因子预测模型是根据训练推荐资源的资源属性信息和训练互动因子训练得到的；获取待推荐资源的资源类别，获取资源类别对应的参考展示信息，将参考展示信息作为目标展示信息；根据参考互动因子和参考展示信息得到目标互动信息。

在一个实施例中，因子确定模块还用于根据目标互动信息和历史互动信息得到互动融合信息；根据目标展示信息和历史展示信息得到展示融合信息；将互动融合信息和展示融合信息的比值作为目标互动因子，将展示融合信息作为目标展示因子。

在一个实施例中，信息平滑模块还用于获取第一预设平滑因子；根据第一预设平滑因子对目标展示因子进行缩放处理，得到目标缩放展示因子；根据目标缩放展示因子和目标展示因子对目标互动因子进行融合处理，得到目标平滑互动因子。

在一个实施例中，目标互动因子包括第一互动因子和第二互动因子，目标展示因子包括第一展示因子和第二展示因子，因子确定模块还用于将目标互动信息和目标展示信息的比值作为第一互动因子，将目标展示信息作为第一展示因子；将历史互动信息和历史展示信息的比值作为第二互动因子，将历史展示信息作为第二展示因子。

在一个实施例中，信息平滑模块还用于获取第二预设平滑因子；根据第二预设平滑因子对第一展示因子进行缩放处理，得到第一缩放展示因子；根据第一缩放展示因子和第一展示因子对第一互动因子进行融合处理，得到第一平滑互动因子；根据第二预设平滑因子对第二展示因子进行缩放处理，得到第二缩放展示因子；根据第二缩放展示因子和第二展示因子对第二互动因子进行融合处理，得到第二平滑互动因子；根据第一平滑互动因子和第二平滑互动因子得到目标平滑互动因子。

在一个实施例中，信息平滑模块还用于获取第一平滑互动因子对应的第一比例调节因子，获取第二平滑互动因子对应的第二比例调节因子；根据第一比例调节因子和第二比例调节因子对第一平滑互动因子和第二平滑互动因子进行调整，得到目标平滑互动因子。

在一个实施例中，信息平滑模块还用于获取第一平滑互动因子对应的置信区间和期望；根据置信区间和目标期望的距离得到第一比例调节因子；基于第一比例调节因子确定第二比例调节因子。

在一个实施例中，信息平滑模块还用于获取第一平滑互动因子对应的置信区间；计算置信区间的宽度，得到第一比例调节因子；基于第一比例调节因子确定第二比例调节因子。

在一个实施例中，信息平滑模块还用于获取第一互动因子对应的互动影响因子；根据互动影响因子对第一比例调节因子进行调整；基于调整后的第一比例调节因子确定第二比例调节因子。

在一个实施例中，匹配度确定模块还用于获取已训练的信息匹配模型；将用户属性信息和所述目标平滑互动因子输入已训练的信息匹配模型，得到待推荐资源与目标用户的匹配度。

在一个实施例中，信息获取模块还用于获取待训练的信息匹配模型的训练样本；训练样本包括训练推荐资源对应的训练平滑互动因子、训练用户的用户属性信息以及训练推荐资源和训练用户的匹配标签；将训练推荐资源对应的训练平滑互动因子和训练用户的用户属性信息作为信息匹配模型的输入，得到训练推荐资源和训练用户的预测匹配结果；基于预测匹配结果和匹配标签调整信息匹配模型的模型参数，直到满足收敛条件，得到已训练的信息匹配模型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待推荐资源的目标互动信息和目标展示信息；

获取历史推荐资源的历史互动信息和历史展示信息；

基于目标互动信息、目标展示信息、历史互动信息和历史展示信息确定目标互动因子和目标展示因子；

根据目标互动因子和目标展示因子进行样本平滑处理，得到待推荐资源对应的目标平滑互动因子；

获取目标用户的用户属性信息，基于用户属性信息和待推荐资源对应的目标平滑互动因子进行信息匹配，得到待推荐资源与目标用户的匹配度；

根据匹配度推荐待推荐资源。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取待推荐资源的目标互动信息和目标展示信息；

获取历史推荐资源的历史互动信息和历史展示信息；

基于目标互动信息、目标展示信息、历史互动信息和历史展示信息确定目标互动因子和目标展示因子；

根据目标互动因子和目标展示因子进行样本平滑处理，得到待推荐资源对应的目标平滑互动因子；

获取目标用户的用户属性信息，基于用户属性信息和待推荐资源对应的目标平滑互动因子进行信息匹配，得到待推荐资源与目标用户的匹配度；

根据匹配度推荐待推荐资源。

上述资源推荐方法、装置、计算机设备和存储介质，通过获取待推荐资源的目标互动信息和目标展示信息；获取历史推荐资源的历史互动信息和历史展示信息；基于目标互动信息、目标展示信息、历史互动信息和历史展示信息确定目标互动因子和目标展示因子；根据目标互动因子和目标展示因子进行样本平滑处理，得到待推荐资源对应的目标平滑互动因子；获取目标用户的用户属性信息，基于用户属性信息和待推荐资源对应的目标平滑互动因子进行信息匹配，得到待推荐资源与目标用户的匹配度；根据匹配度推荐待推荐资源。这样，待推荐资源的目标平滑互动因子的计算综合考虑了自身的互动信息和展示信息以及历史推荐资源的互动信息和展示信息，使得目标平滑互动因子更能反映待推荐资源的特征。根据匹配度向目标用户推荐待推荐资源，匹配度的计算综合考虑了目标用户的用户属性信息和待推荐资源的目标平滑互动因子，使得资源的推荐更符合用户的特征，推荐更精准，提高了资源推荐的有效性。有效的资源推荐可以避免由于无效的资源推荐导致用户重复搜索或重复刷新界面，重复搜索或重复刷新界面会占用大量的计算机设备资源，因此，在提高资源推荐的有效性的基础上，还可以减少终端或服务器的资源浪费。

附图说明

图1为一个实施例中资源推荐方法的应用环境图；

图2为一个实施例中资源推荐方法的流程示意图；

图3为另一个实施例中资源推荐方法的流程示意图；

图4为又一个实施例中资源推荐方法的流程示意图；

图5为一个实施例中平滑互动因子对应的置信区间的上界、下界以及期望的变化曲线的示意图；

图6为一个实施例中加权因子对应的变化曲线的示意图；

图7为一个实施例中样本平滑处理前后对比的示意图；

图8为一个实施例中基金推荐界面的界面示意图；

图9为一个实施例中新闻推荐界面的界面示意图；

图10为一个实施例中资源推荐装置的结构框图；

图11为一个实施例中计算机设备的内部结构图；

图12为另一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的资源推荐方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

终端102和服务器104均可单独用于执行本申请实施例中提供的资源推荐方法。终端102和服务器104也可协同用于执行本申请实施例中提供的资源推荐方法。

在一个实施例中，如图2所示，提供了一种资源推荐方法，以该方法应用于图1中的计算机设备为例进行说明，计算机设备可以是上述图1中的终端102或服务器104，资源推荐方法包括以下步骤：

步骤S202，获取待推荐资源的目标互动信息和目标展示信息。

步骤S204，获取历史推荐资源的历史互动信息和历史展示信息。

其中，待推荐资源是指用于向目标用户进行推荐的资源。资源是指能够通过网络应用获取到的信息，包括文字信息、图片信息、视频信息和音频信息中的至少一种。例如，若网络应用为电商应用，资源可以是各个商家、各种商品。若网络应用为视频应用时，资源可以是各种视频。若网络应用为直播应用时，资源可以是各个直播间。若网络应用为金融应用时，资源可以是各种基金。若网络应用为社交应用时，资源可以是各种新闻资讯、好友动态。若网络应用为音乐应用时，资源可以是各种歌曲。待推荐资源可以是已发布一段时间的资源，也可以是新发布的资源。历史推荐资源是指已发布一段时间的资源，可以是向目标用户推荐过的资源，也可以是没有向目标用户推荐过的资源。待推荐资源和历史推荐资源可以是同一资源主题的资源，例如，待推荐资源和历史推荐资源都是基金，待推荐资源和历史推荐资源都是视频。进一步的，待推荐资源和历史推荐资源可以是同一资源类别的资源，例如，待推荐资源和历史推荐资源都是科技类基金，待推荐资源和历史推荐资源都是人物图片。可以理解，资源类别是比资源主题更精细的词。例如，资源主题为基金，资源类别可以为科技类基金、生活类基金等。资源主题为音乐，资源类别可以为古典乐、摇滚乐等。资源主题为新闻，资源类别可以为娱乐新闻、政治新闻、科技新闻等。

互动信息是指通过用户对资源的互动行为产生的信息，例如，互动信息可以是资源的点击量、购买量、评论量、转发量等。目标互动信息是指待推荐资源的互动信息，历史互动信息是指历史推荐资源的互动信息。展示信息是指通过资源展示产生的信息，例如，展示信息可以是资源的曝光量等。目标展示信息是指待推荐资源的展示信息，历史展示信息是指历史推荐资源的展示信息。历史推荐资源包括至少一个资源，当历史推荐资源包括多个资源时，历史推荐资源的历史互动信息是多个资源的互动信息的统计值，历史资源的历史展示信息是多个资源的展示信息的统计值。互动信息的统计值可以是互动信息的平均值、中位值等。展示信息的统计值可以是展示信息的平均值、中位值等。

具体地，计算机设备可以对历史推荐资源在预设时间段内的互动相关信息和展示相关信息进行统计，得到历史推荐资源的历史互动信息和历史展示信息。预设时间段可以是根据需要预先设置的历史时间段，历史时间段是指当前时刻之前的时间段，历史时间段的单位可以是天、月、年等，例如，统计历史推荐基金在今年四月份的点击量和曝光量。当待推荐资源为已发布一段时间的资源时，计算机设备可以对待推荐资源在同一预设时间段内的互动相关信息和展示相关信息进行统计，得到待推荐资源的目标互动信息和目标展示信息。例如，统计待推荐基金和历史推荐基金在今年四月份的点击量和曝光量。当待推荐资源为新发布的资源时，待推荐资源的目标互动信息和目标展示信息可以为零。当待推荐资源为新发布的资源时，计算机设备也可以获取与待推荐资源属于同类别的多个历史推荐资源的历史互动信息和历史展示信息的统计值作为目标互动信息和目标展示信息。例如，待推荐资源是新发布的美妆类商品，可以获取多个已发布的美妆类商品在预设时间段内统计得到的平均点击量和平均曝光量作为待推荐资源的点击量和曝光量。待推荐资源是新发布的科技类基金，可以获取多个已发布的科技类基金在预设时间段内统计得到的平均点击量和平均曝光量作为待推荐资源的点击量和曝光量。当待推荐资源为新发布的资源时，计算机设备还可以获取与待推荐资源属于同类别的多个历史推荐资源的历史展示信息的统计值作为目标展示信息，通过模型和目标展示信息预测待推荐基金的目标互动信息。

步骤S206，基于目标互动信息、目标展示信息、历史互动信息和历史展示信息确定目标互动因子和目标展示因子。

其中，目标互动因子是根据互动信息和展示信息计算得到的互动比值，目标展示因子是根据展示信息计算得到的展示统计值。展示统计值可以是展示信息的总和、加权和等。

具体地，计算机设备可以计算目标互动信息和目标展示信息的比值，得到第一互动因子，计算历史互动信息和历史展示信息的比值，得到第二互动因子，将第一互动因子和第二互动因子作为目标互动因子，将目标展示信息和历史展示信息作为目标展示因子。例如，待推荐资源为已发布的基金A，历史推荐资源为其他已发布基金，可以根据基金A在预设时间段内的点击量和曝光量计算基金A的点击率，将基金A的点击率作为目标互动因子，将基金A在预设时间段内的曝光量作为目标展示因子，根据其他已发布基金的平均点击量和平均曝光量计算得到平均点击率，将平均点击率作为目标互动因子，将平均曝光量作为目标展示因子。待推荐资源为已发布的新闻B，历史推荐资源为与新闻B同类别的其他已发布新闻，可以根据新闻B在预设时间段内的评论量和曝光量计算新闻B的评论率，将新闻B的评论率作为目标互动因子，将新闻B在预设时间段内的曝光量作为目标展示因子，可以根据与新闻B同类别的其他已发布新闻的平均评论量和平均曝光量计算得到平均评论率，将平均评论率作为目标互动因子，将平均曝光量作为目标展示因子。

计算机设备还可以计算待推荐资源的目标互动信息、目标展示信息和历史推荐资源的历史互动信息、历史展示信息的综合统计值作为目标互动因子，计算待推荐资源的目标展示信息和历史推荐资源的历史展示信息的综合值作为目标展示因子。例如，待推荐资源为已发布的基金A，历史推荐资源为其他已发布基金，可以计算基金A在预设时间段内的点击量和其他已发布基金在预设时间段内的平均点击量的总和作为综合点击量，计算基金A在预设时间段内的曝光量和其他已发布基金在预设时间段内的平均曝光量的总和作为综合曝光量，计算综合点击量和综合曝光量的比值得到综合点击率，将综合点击率作为目标互动因子，将综合曝光量作为目标展示因子。待推荐资源为已发布的新闻B，历史推荐资源为与新闻B同类别的其他已发布新闻，可以计算新闻B在预设时间段内的评论量和与新闻B同类别的其他已发布新闻在预设时间段内的平均评论量的总和作为综合评论量，计算基金A在预设时间段内的曝光量和其他已发布基金在预设时间段内的平均曝光量的总和作为综合曝光量，计算综合评论量和综合曝光量的比值得到综合评论率，将综合评论率作为目标互动因子，将综合曝光量作为目标展示因子。

步骤S208，根据目标互动因子和目标展示因子进行样本平滑处理，得到待推荐资源对应的目标平滑互动因子。

其中，由于互动因子是根据互动信息和展示信息计算得到，当互动信息和展示信息中任意一个信息改变时，会引起互动因子出现较大的波动和变化，因此需要对互动因子进行样本平滑处理，将互动因子转化为快速迭代又比较稳定的平滑互动因子。样本平滑处理是指对互动因子进行数据平滑，过滤互动因子的噪声，得到平滑后的互动因子，即平滑互动因子。相对于互动因子，平滑互动因子可以更好地表征待推荐资源的特征，平滑互动因子更可信、更可靠。在一个实施例中，平滑互动因子在0和1之间，平滑互动因子越大，表征待推荐资源与大众的互动程度越高。例如，互动因子为待推荐资源的点击率，对点击率进行样本平滑处理后得到待推荐资源对应的点击得分，点击得分在0和1之间，点击得分越高，表征大众对该待推荐资源越感兴趣。目标平滑互动因子是指待推荐资源对应的平滑互动因子。

具体地，计算机设备可以根据目标互动因子和目标展示因子进行样本平滑处理，得到待推荐资源对应的目标平滑互动因子。计算机设备具体可以是获取预设平滑因子，根据预设平滑因子对目标展示因子进行缩放处理，根据缩放前和缩放后的目标展示因子对目标互动因子进行融合处理，得到目标平滑互动因子。

步骤S210，获取目标用户的用户属性信息，基于用户属性信息和待推荐资源对应的目标平滑互动因子进行信息匹配，得到待推荐资源与目标用户的匹配度。

其中，目标用户是指待进行资源推荐的用户。用户属性信息可以包括用户的性别、年龄、学历、地域、爱好等信息中的至少一种，用户属性信息可以在一定程度上表征用户的特性。匹配度可以是具体的匹配值，匹配值越大，待推荐资源与目标用户的匹配程度越高。匹配度也可以是匹配概率，匹配概率越大，匹配程度越高。匹配度还可以是表征匹配是否成功的标签，例如0表示匹配失败，1表示匹配成功。

具体地，计算机设备可以获取目标用户的用户属性信息，基于用户属性信息和待推荐资源对应的目标平滑互动因子进行信息匹配，得到待推荐资源与目标用户的匹配度。

在一个实施例中，基于用户属性信息和待推荐资源对应的目标平滑互动因子进行信息匹配，得到待推荐资源与目标用户的匹配度，包括：获取已训练的信息匹配模型；将用户属性信息和目标平滑互动因子输入已训练的信息匹配模型，得到待推荐资源与目标用户的匹配度。

其中，信息匹配模型可以是机器学习、深度学习中的具体一种或者多种算法根据训练数据进行学习后的结果，信息匹配模型用于预测推荐资源与用户的匹配度。算法具体可以是支持向量机(Support Vector Machine，SVM)、自适应增强算法(Adaptive Boost)、卷积神经网络(Constitutional Neural Networks，CNN)等。

具体地，计算机设备可以获取已训练的信息匹配模型，将目标用户的用户属性信息和待推荐资源对应的目标平滑互动因子输入该信息匹配模型，该信息匹配模型输出待推荐资源与目标用户的匹配度。

在一个实施例中，输入信息匹配模型的目标平滑互动因子可以为多个，例如，对待推荐资源的点击率进行样本平滑处理得到点击得分，对待推荐资源的订购率进行样本平滑处理得到订购得分，对待推荐资源的评论率进行样本平滑处理得到评论得分，将待推荐资源的点击得分、订购得分、评论得分和目标用户的用户属性信息一起输入信息匹配模型，得到待推荐资源与目标用户的匹配度。

在一个实施例中，信息匹配模型的生成包括以下步骤：获取待训练的信息匹配模型的训练样本；训练样本包括训练推荐资源对应的训练平滑互动因子、训练用户的用户属性信息以及训练推荐资源和训练用户的匹配标签；将训练推荐资源对应的训练平滑互动因子和训练用户的用户属性信息作为信息匹配模型的输入，得到训练推荐资源和训练用户的预测匹配结果；基于预测匹配结果和匹配标签调整信息匹配模型的模型参数，直到满足收敛条件，得到已训练的信息匹配模型。

其中，训练推荐资源是指已发布的用于训练信息匹配模型的资源。训练平滑互动因子是指训练推荐资源对应的平滑互动因子。可以理解，训练推荐资源基于和待推荐资源相同的处理，可以得到对应的训练平滑互动因子。训练推荐资源和训练用户的匹配标签可以是具体的匹配值、匹配概率，也可以是匹配是否成功等。训练样本包括多组训练数据，各组训练数据包括训练推荐资源对应的平滑互动因子、训练用户的用户属性信息以及训练推荐资源和训练用户的匹配标签。不同组训练数据中的训练推荐资源可以相同可以不同，不同组训练数据中的训练用户可以相同可以不同。例如，一组训练数据包括基金A对应的平滑互动因子、用户1的用户属性信息以及基金A和用户1的匹配标签。一组训练数据包括基金A对应的平滑互动因子、用户2的用户属性信息以及基金A和用户2的匹配标签。一组训练数据包括基金B对应的平滑互动因子、用户2的用户属性信息以及基金B和用户2的匹配标签。一组训练数据包括基金C对应的平滑互动因子、用户3的用户属性信息以及基金C和用户3的匹配标签。

具体地，在待训练的信息匹配模型中，预先对信息匹配模型的输入变量与输出变量进行了配置，将推荐资源对应的平滑互动因子和用户的用户属性信息设置为信息匹配模型的输入变量，将推荐资源和用户的匹配度设置为信息匹配模型的输出变量。计算机设备可以获取一组训练数据中训练推荐资源对应的训练平滑互动因子和训练用户的用户属性信息作为信息匹配模型的输入，将该组训练数据中训练推荐资源和训练用户的匹配标签作为预期输出，对信息匹配模型进行有监督训练。计算机设备根据多组训练数据对信息匹配模型进行训练。在训练过程中，计算机设备基于训练推荐资源和训练用户的预测匹配结果和匹配标签进行反向传播，调整信息匹配模型的模型参数并继续训练，直至满足收敛条件，则训练完成，得到已训练的信息匹配模型。

在一个实施例中，计算机设备可以根据不同的训练样本训练多个信息匹配模型，不同的信息匹配模型对应不同的资源主题，从而提高信息匹配模型的适应性和准确性。例如，根据基金相关的训练样本训练得到用于预测待推荐基金与目标用户的匹配度的信息匹配模型。根据视频相关的训练样本训练得到用于预测待推荐视频与目标用户的匹配度的信息匹配模型。根据新闻资讯相关的训练样本训练得到用于预测待推荐新闻资讯与目标用户的匹配度的信息匹配模型。

在一个实施例中，还可以将训练推荐资源的资源属性信息、平滑互动因子和训练用户的用户属性信息作为信息匹配模型的输入，对信息匹配模型进行训练，提高信息匹配模型的准确性。资源属性信息可以包括资源主题、资源类别、资源关键词、资源数据量和资源发布者信息等信息中的至少一种。相应的，在信息匹配模型使用时，将待推荐资源的资源属性信息、目标平滑互动因子和目标用户的用户属性信息输入信息匹配模型，得到待推荐资源与目标用户的匹配度。

传统技术中，在推荐场景下，深度学习模型在训练时通常会遇到样本量较少或样本量不足的情况，这同推荐场景用户物品量级以及采集样本的特殊性有关。对于点击率、评论率、订购率、转发率等在推荐场景下极为重要的指标特征信息(即目标互动因子)，当样本量极少或不够充足，例如曝光量较小时，其计算数值的波动变化会变得很大，直接使用未经样本平滑处理的指标特征信息进行模型训练，会引入较大噪声，影响模型的拟合。上述实施例中，对训练推荐资源的指标特征信息进行样本平滑处理得到训练推荐资源对应的训练平滑互动因子，将训练平滑互动因子应用于信息匹配模型的训练，可以提高模型训练的有效性。后续，通过已训练的信息匹配模型可以得到待推荐资源与目标用户的有效且较准确的匹配度，根据该匹配度可以向目标用户进行有效的资源推荐。

步骤S212，根据匹配度推荐待推荐资源。

具体地，可以预先设定匹配度阈值，当待推荐资源与目标用户的匹配度大于匹配度阈值时，则将待推荐资源推荐给目标用户。当待推荐资源有多个时，计算机设备可以得到各个待推荐资源分别与目标用户的匹配度，根据匹配度从大到小的顺序，对各个待推荐资源进行排序，将排序靠前的预设数目的待推荐资源推荐给目标用户，或者根据各个待推荐资源的排序顺序确定各个待推荐资源向目标用户进行推荐的推荐顺序。计算机设备还可以根据匹配度的大小为各个待推荐资源分配不同的显示参数，按照显示参数对各个待推荐资源进行相应显示。显示参数决定了待推荐资源的显示形态，包括显示位置、显示大小、动态显示或静态显示、显示模糊度、显示颜色等。例如，匹配分数越高，则显示位置越靠前，显示越清晰。匹配分数较高的待推荐资源可设定动画效果。

上述资源推荐方法中，通过获取待推荐资源的目标互动信息和目标展示信息；获取历史推荐资源的历史互动信息和历史展示信息；基于目标互动信息、目标展示信息、历史互动信息和历史展示信息确定目标互动因子和目标展示因子；根据目标互动因子和目标展示因子进行样本平滑处理，得到待推荐资源对应的目标平滑互动因子；获取目标用户的用户属性信息，基于用户属性信息和待推荐资源对应的目标平滑互动因子进行信息匹配，得到待推荐资源与目标用户的匹配度；根据匹配度推荐待推荐资源。这样，待推荐资源的目标平滑互动因子的计算综合考虑了自身的互动信息和展示信息以及历史推荐资源的互动信息和展示信息，使得目标平滑互动因子更能反映待推荐资源的特征。根据匹配度向目标用户推荐待推荐资源，匹配度的计算综合考虑了目标用户的用户属性信息和待推荐资源的目标平滑互动因子，使得资源的推荐更符合用户的特征，推荐更精准，提高了资源推荐的有效性。有效的资源推荐可以避免由于无效的资源推荐导致用户重复搜索或重复刷新界面，重复搜索或重复刷新界面会占用大量的计算机设备资源，因此，在提高资源推荐的有效性的基础上，还可以减少终端或服务器的资源浪费。

在一个实施例中，获取待推荐资源的目标互动信息和目标展示信息之前，所述方法还包括：获取待推荐资源的资源类别；获取资源类别对应的参考互动信息和参考展示信息；将参考互动信息作为目标互动信息，将参考展示信息作为目标展示信息。

其中，参考互动信息是根据同一资源类别下的多个已发布资源在预设时间段内的互动信息的统计值确定的。参考展示信息是根据同一资源类别下的多个已发布资源在预设时间段内的展示信息的统计值确定的。例如，可以计算一个资源类别下的多个已发布资源在预设时间段内的互动信息的平均值，将该平均值作为参考互动信息。可以计算同一资源类别下的多个已发布资源在预设时间段内的展示信息的平均值，将该平均值作为参考展示信息。

具体地，当待推荐资源为新发布的资源时，该待推荐资源自身的互动信息和展示信息为零，该互动信息和展示信息会导致新发布的资源基本无法向用户进行推荐。此时，计算机设备可以获取待推荐资源的资源类别，获取该资源类别对应的参考互动信息，将该参考互动信息作为目标互动信息，获取该资源类别对应的参考展示信息，将该参考展示信息作为目标展示信息。例如，新发布的待推荐基金为5G基金，属于科技类基金，那么可以计算科技类基金下的全部或部分基金的点击量和曝光量的平均值，将点击量的平均值作为该待推荐基金的点击量，将曝光量的平均值作为该待推荐基金的曝光量。

本实施例中，当待推荐资源为新发布的资源时，可以获取该待推荐资源的资源类别对应的参考互动信息和参考展示信息作为目标互动信息和目标展示信息。这样，可以避免出现目标互动信息和目标展示信息为零，影响资源推荐的情况，从而提高资源推荐的有效性。

在一个实施例中，获取待推荐资源的目标互动信息和目标展示信息之前，所述方法还包括：获取待推荐资源的资源属性信息；将资源属性信息输入至已训练的互动因子预测模型，得到参考互动因子；互动因子预测模型是根据训练推荐资源的资源属性信息和训练互动因子训练得到的；获取待推荐资源的资源类别，获取资源类别对应的参考展示信息，将参考展示信息作为目标展示信息；根据参考互动因子和参考展示信息得到目标互动信息。

其中，资源属性信息可以包括资源主题、资源类别、资源关键词、资源数据量和资源发布者信息等信息中的至少一种。资源关键词可以采用各种关键词提取算法从待推荐资源中提取得到，例如TF-IDF算法(Term Frequency–Inverse Document Frequency，词频-逆向文件频率)、Word2Vec算法、TextRank算法等。也可以将待推荐资源的标题、标签作为资源关键词。资源数据量可以是文章长度、图片大小、视频时长、音频时长等。资源发布者信息是指发布资源的用户的信息，例如新闻的作者、新闻的发布单位。

互动因子预测模型可以是机器学习、深度学习中的具体一种或者多种算法根据训练数据进行学习后的结果，用于预测资源的互动因子。算法具体可以是支持向量机(Support Vector Machine，SVM)、自适应增强算法(Adaptive Boost)、卷积神经网络(Constitutional Neural Networks，CNN)等。

具体地，计算机设备可以获取已训练的互动因子预测模型，将待推荐资源的资源属性信息输入该互动因子预测模型，该互动因子预测模型输出待推荐资源的参考互动因子。进一步的，计算机设备获取待推荐资源的资源类别，获取该资源类别对应的参考展示信息，将参考展示信息作为目标展示信息，并根据参考互动因子和目标展示信息得到目标互动信息。例如，将待推荐基金的资源属性信息输入基金点击率预测模型，得到待推荐基金的点击率。获取待推荐基金的基金类别对应的平均曝光量作为参考曝光量，将参考曝光量和通过模型预测得到的点击率进行乘积运算得到待推荐基金的点击量。

在互动因子预测模型中，预先对互动因子预测模型的输入变量与输出变量进行了配置，将推荐资源的资源属性信息设置为互动因子预测模型的输入变量，将推荐资源的互动因子设置为互动因子预测模型的输出变量。计算机设备可以获取训练推荐资源的资源属性信息作为互动因子预测模型的输入，将训练推荐资源的训练互动因子作为预期输出，对互动因子预测模型进行有监督训练。计算机设备根据多组训练数据对互动因子预测模型进行训练。在训练过程中，计算机设备基于训练推荐资源的预测结果和训练互动因子进行反向传播，调整互动因子预测模型的模型参数并继续训练，直至满足收敛条件，则训练完成，得到已训练的互动因子预测模型。

在一个实施例中，计算机设备可以训练不同资源主题的不同互动因子分别对应的互动因子预测模型。例如，用于预测基金点击率的基金点击率预测模型，用于预测基金订购率的基金订购率预测模型，用于预测新闻资讯评论率的新闻评论率预测模型。

上述实施例中，当待推荐资源为新发布的资源时，可以通过互动因子预测模型预测参考互动因子，可以获取待推荐资源的资源类别对应的参考展示信息作为目标展示信息，根据参考互动因子和参考展示信息确定目标互动信息。这样，可以避免出现目标互动信息和目标展示信息为零，影响资源推荐的情况，从而提高资源推荐的有效性。

在一个实施例中，如图3所示，基于目标互动信息、目标展示信息、历史互动信息和历史展示信息确定目标互动因子和目标展示因子，包括：

步骤S302，根据目标互动信息和历史互动信息得到互动融合信息。

步骤S304，根据目标展示信息和历史展示信息得到展示融合信息。

步骤S306，将互动融合信息和展示融合信息的比值作为目标互动因子，将展示融合信息作为目标展示因子。

具体地，计算机设备可以根据目标互动信息和历史互动信息得到互动融合信息，根据目标展示信息和历史展示信息得到展示融合信息，将互动融合信息和展示融合信息的比值作为目标互动因子，将展示融合信息作为目标展示因子。具体可以是将目标互动信息和历史互动信息的总和或加权和作为互动融合信息，将目标展示信息和历史展示信息的总和或加权和作为展示融合信息。

举例说明，待推荐资源的点击量为click，待推荐资源的曝光量为impression，与待推荐资源属于同一资源类别的多个历史推荐资源的平均点击量为click_b。目标互动因子为

目标展示因子为impression+impression_b。

在一个实施例中，如图3所示，根据目标互动因子和目标展示因子进行样本平滑处理，得到待推荐资源对应的目标平滑互动因子，包括：

步骤S308，获取第一预设平滑因子。

步骤S310，根据第一预设平滑因子对目标展示因子进行缩放处理，得到目标缩放展示因子。

步骤S312，根据目标缩放展示因子和目标展示因子对目标互动因子进行融合处理，得到目标平滑互动因子。

具体地，计算机设备可以获取第一预设平滑因子，根据第一预设平滑因子对目标展示因子进行缩放处理，得到目标缩放展示因子，根据目标缩放展示因子和目标展示因子对目标互动因子进行融合处理，得到目标平滑互动因子。

在一个实施例中，可以通过以下公式计算得到平滑互动因子：

其中，wilson(p，n)表示目标平滑互动因子，p表示目标互动因子，n表示目标展示因子，z表示预设平滑因子。

都表示缩放展示因子。z是wilson置信区间某一置信水平对应的统计量，可以通过查表得到。一般情况下，在95％的置信水平下，z的值为1.96。

举例说明，待推荐资源的点击量为click，待推荐资源的曝光量为impression，与待推荐资源属于同一资源类别的多个历史推荐资源的平均点击量为click_b，平均曝光量为impression_b。待推荐资源的点击得分(即目标平滑互动因子)为

本实施例中，通过结合待推荐资源的目标互动信息、目标展示信息以及历史推荐资源的历史互动信息和历史展示信息得到综合的目标互动因子和目标展示因子，根据该目标互动因子和目标展示因子进行样本平滑处理得到的目标平滑互动因子。这样，可以解决当待推荐资源为新发布资源时，新发布资源的互动信息和展示信息由于与已发布资源的互动信息和展示信息差距大而无法向用户推荐的问题。例如，新基金的点击率和曝光量为0，基金大盘平均点击率为6％，若直接根据点击率和曝光量计算得到新基金的点击得分为0，那么新基金将由于点击得分为0，与已有基金差距较大，从而导致新基金基本无法推荐给用户。但是，根据本实施例的方法计算得到的新基金的点击得分不为0，后续可以给用户推荐该新基金。并且，若基金1和基金2的点击率相同，但基金1的曝光量比基金2的曝光量大，根据本实施例的方法计算得到的基金1的点击得分高于基金2的点击得分，提高了目标平滑互动因子的可信度。

在一个实施例中，如图4所示，目标互动因子包括第一互动因子和第二互动因子，目标展示因子包括第一展示因子和第二展示因子，基于目标互动信息、目标展示信息、历史互动信息和历史展示信息确定目标互动因子和目标展示因子，包括：

步骤S402，将目标互动信息和目标展示信息的比值作为第一互动因子，将目标展示信息作为第一展示因子。

步骤S404，将历史互动信息和历史展示信息的比值作为第二互动因子，将历史展示信息作为第二展示因子。

具体地，目标互动因子包括第一互动因子和第二互动因子，目标展示因子包括第一展示因子和第二展示因子，计算机设备可以计算目标互动信息和目标展示信息的比值得到第一互动因子，将目标展示信息作为第一展示因子，计算历史互动信息和历史展示信息的比值作为第二互动因子，将历史展示信息作为第二展示因子。

举例说明，待推荐资源的点击量为click，待推荐资源的曝光量为impression，与待推荐资源属于同一资源类别的多个历史推荐资源的平均点击量为click_b，平均曝光量为impression_b。第一互动因子为

第二互动因子为

第一展示因子为impression，第二展示因子为impression_b。

在一个实施例中，如图4所示，根据目标互动因子和目标展示因子进行样本平滑处理，得到待推荐资源对应的目标平滑互动因子，包括：

步骤S406，获取第二预设平滑因子。

步骤S408，根据第二预设平滑因子对第一展示因子进行缩放处理，得到第一缩放展示因子。

步骤S410，根据第一缩放展示因子和第一展示因子对第一互动因子进行融合处理，得到第一平滑互动因子。

具体地，计算机设备可以获取第二预设平滑因子，根据第二预设平滑因子对第一展示因子进行缩放处理，得到第一缩放展示因子，根据第一缩放展示因子和第一展示因子对第一互动因子进行融合处理，得到第一平滑互动因子。

举例说明，待推荐资源的点击量为click，待推荐资源的曝光量为impression，第一平滑互动因子为

第一缩放展示因子包括

其中n为impression。

步骤S412，根据第二预设平滑因子对第二展示因子进行缩放处理，得到第二缩放展示因子。

步骤S414，根据第二缩放展示因子和第二展示因子对第二互动因子进行融合处理，得到第二平滑互动因子。

具体地，计算机设备可以根据第二预设平滑因子对第二展示因子进行缩放处理，得到第二缩放展示因子，根据第二缩放展示因子和第二展示因子对第二互动因子进行融合处理，得到第二平滑互动因子。

举例说明，与待推荐资源属于同一资源类别的多个历史推荐资源的平均点击量为click_b，平均曝光量为impression_b，第二平滑互动因子为

第二缩放展示因子包括

其中n为impression_b。

步骤S416，根据第一平滑互动因子和第二平滑互动因子得到目标平滑互动因子。

具体地，当计算得到第一平滑互动因子和第二平滑互动因子后，计算机设备可以根据第一平滑互动因子和第二平滑互动因子得到目标平滑互动因子。具体可以是计算第一平滑互动因子和第二平滑互动因子的总和或加权和得到目标平滑互动因子。

在一个实施例中，根据第一平滑互动因子和第二平滑互动因子得到目标平滑互动因子，包括：获取第一平滑互动因子对应的第一比例调节因子，获取第二平滑互动因子对应的第二比例调节因子；根据第一比例调节因子和第二比例调节因子对第一平滑互动因子和第二平滑互动因子进行调整，得到目标平滑互动因子。

具体地，计算机设备可以获取第一平滑互动因子和第二平滑互动因子对应的加权因子(即第一比例调节因子和第二比例调节因子)，基于加权因子计算第一平滑互动因子和第二平滑互动因子的加权和得到目标平滑互动因子。

在一个实施例中，可以通过以下公式计算得到目标平滑互动因子：

其中，y表示目标平滑互动因子，factor表示加权因子。

上述实施例中，首先单独考虑待推荐资源的目标互动信息和目标展示信息得到第一互动因子和第一展示因子，根据第一互动因子和第一展示因子进行样本平滑处理得到的第一平滑互动因子，单独考虑历史推荐资源的历史互动信息和历史展示信息得到第二互动因子和第二展示因子，根据第二互动因子和第二展示因子进行样本平滑处理得到的第二平滑互动因子，最后综合考虑第一平滑互动因子和第二平滑互动因子得到目标平滑互动因子。这样，可以解决由于一次性综合考虑待推荐资源的目标互动信息和目标展示信息以及历史推荐资源的历史互动信息和历史展示信息所引发的问题，提高目标平滑互动因子的准确性。

举例说明，假设在平均点击量为14，平均曝光量为200，平均点击率为7％的条件下，资源1和资源2的点击得分对比如表1所示。

表1

如表1所示，资源1的点击率和通过公式1计算得到的点击得分都优于资源2，但是资源1通过公式2计算得到的点击得分却低于资源2。由此可见，公式2在少数情况下会出现问题。经过分析可知

由此可见，当资源1的曝光量较低，而资源1的点击率又明显高于平均点击量时，公式

中分子的影响高于分母，那么即使当资源1的点击率明显优于资源2，资源1通过公式2计算得到的点击得分也会低于资源2通过公式2计算得到的点击得分。同理，当资源1的曝光量较低，而资源1的点击率又明显低于平均点击量时，也会出现上述问题。综上，当待推荐资源的互动因子明显低于或高于历史推荐资源的互动因子时，通过公式2对待推荐资源的数据进行样本平滑处理，得到目标平滑互动因子不准确。但是，根据本实施例的方法(即公式3)可以解决上述问题，提高目标平滑互动因子的准确性。

在一个实施例中，获取第一平滑互动因子对应的第一比例调节因子，获取第二平滑互动因子对应的第二比例调节因子，包括：获取第一平滑互动因子对应的置信区间和期望；根据置信区间和目标期望的距离得到第一比例调节因子；基于第一比例调节因子确定第二比例调节因子。

具体地，参考图5，图5为公式1对应的置信区间的上界、下界以及期望的变化曲线的示意图。横轴表示曝光量，纵轴表示平滑互动因子。如图5所示，展示信息与互动信息的置信度，参照上下界与期望的距离，并不是线性变化的关系，将这种随着展示信息的增大，上下界逐渐趋近于期望的非线性变化引入加权因子的构建。计算机设备可以获取第一平滑互动因子对应的置信区间和期望，置信区间包括上界和下界，将上下界与期望的相对距离(即上下界与期望的距离总和与期望的比值)作为第一比例调节因子。第一比例调节因子和第二比例调节因子的总和为1，那么当确定第一比例调节因子后，可以将1与第一比例调节因子的差值作为第二比例调节因子。

在一个实施例中，平滑互动因子为

置信区间的上界为

置信区间的下界为

期望为

根据置信区间上下界与期望的相对距离可以计算得到

其中，n表示待推荐资源的展示信息，p表示待推荐资源的互动因子。

本实施例中，根据第一平滑互动因子对应的置信区间和期望可以快速得到第一比例调节因子和第二比例调节因子。

在一个实施例中，获取第一平滑互动因子对应的第一比例调节因子，获取第二平滑互动因子对应的第二比例调节因子，包括：获取第一平滑互动因子对应的置信区间；计算置信区间的宽度，得到第一比例调节因子；基于第一比例调节因子确定第二比例调节因子。

具体地，参考图5，随着展示信息的增大，置信区间的宽度会逐渐减小，那么计算机设备可以获取第一平滑互动因子对应的置信区间，将置信区间的宽度作为第一比例调节因子。第一比例调节因子和第二比例调节因子的总和为1，那么当确定第一比例调节因子后，可以将1与第一比例调节因子的差值作为第二比例调节因子。

在一个实施例中，平滑互动因子为

置信区间的上界为

置信区间的下界为

根据置信区间上下界的距离可以计算得到

其中，n表示待推荐资源的展示信息，p表示待推荐资源的互动因子。

本实施例中，根据第一平滑互动因子对应的置信区间可以快速得到第一比例调节因子和第二比例调节因子。此外，factor1的变化主要取决于np的大小增长，对于互动因子较小的待推荐信息，factor1的变化速度太慢。例如，当待推荐资源的点击率和曝光量为0时，factor1＝1，当待推荐资源的点击率为1％，曝光量为100时，factor1≈0.87。但是，当p远离0.5后，在同样的n下，置信区间宽度减小会变得更快，也就是随着互动因子的减小或增大，factor2的变化速度会加快。

在一个实施例中，获取第一平滑互动因子对应的第一比例调节因子，获取第二平滑互动因子对应的第二比例调节因子，包括：获取第一互动因子对应的互动影响因子；根据互动影响因子对第一比例调节因子进行调整；基于调整后的第一比例调节因子确定第二比例调节因子。

具体地，若希望无论在任何互动因子下，加权因子的变化速度都是均等的，那么计算机设备可以获取第一互动因子对应的互动影响因子，根据互动影响因子度对第一比例调节因子进行调整和修正，得到调整后的第一比例调节因子。第一比例调节因子和第二比例调节因子的总和为1，那么当确定调整后的第一比例调节因子后，可以将1与调整后的第一比例调节因子的差值作为第二比例调节因子。

在一个实施例中，

为了让factor随n的变化而变化的速度趋于平稳，可以通过简化p(1-p)来消除p的影响。具体可以是获取p(1-p)的最大值来替代p(1-p)，得到

参考图6，加权因子factor3随着n的增大逐渐减小，但变化速度会逐渐减慢，符合预期的加权因子根据展示信息自适应的特性。因为随着n的增大，置信区间会逐渐缩小，缩小速度本身会逐渐变慢。例如，对于同一点击率，曝光量从100增加到1000，对比从10000增加到10900，其置信区间和可信度的变化并非相等，而是逐渐变慢的。因此，加权因子factor3的变化速度逐渐减慢符合预期，并且当z>0时，factor3的值在0至1之间，符合加权计算中加权因子的要求。这样，通过公式3+factor3进行样本平滑处理得到的目标平滑互动因子能够更准确、更可靠、更可信。

本申请还提供一种应用场景，该应用场景应用上述的资源推荐方法，该方法应用于金融推荐场景。具体地，以资源为基金为例，该资源推荐方法在该应用场景的应用如下：

1、确定待推荐基金在过去1个月的点击量click、订购量order和曝光量impression，确定与待推荐基金属于同一基金类别的多个历史推荐基金在过去1个月的平均点击量click_b、平均订购量order_b和平均曝光量impression_b。

2、根据点击量click、曝光量impression、平均点击量click_b和平均曝光量impression_b确定待推荐基金的点击得分。根据订购量order、曝光量impression、平均订购量order_b和平均曝光量impression_b确定待推荐基金的订购得分。

具体地，可以通过

进行样本平滑处理，计算待推荐基金的点击得分。也可以通过

计算待推荐基金的点击得分。其中factor可以是

也可以是

还可以是

在计算factor时，n为impression，p为

同理，可以通过上述公式计算得到待推荐基金的订购得分。

进一步的，基于加权因子的样本平滑处理(即公式3+factor3)可以更有效的刻画在小样本量情况下推荐资源的统计特征。如表2所示，待推荐基金包括基金1、基金2和基金3。根据待推荐基金的点击量、曝光量以及大盘基金的点击量、曝光量通过基于加权因子的样本平滑处理计算待推荐基金的点击得分。如表2所示，基金2的点击得分高于基金1和基金3，一方面因为在点击率差不多的情况下，基金2的曝光量较优，另一方面随着曝光量的变化，不同的基金对应不同的加权因子，有效平衡了待推荐基金的点击量、曝光量和历史推荐基金的点击量、曝光量之间的动态效果。

表2

进一步的，参考图7，图7为样本平滑处理前后对比的示意图。其中，横轴表示曝光量，纵轴表示点击率或点击得分，大盘基金的平均点击率为10％，平均曝光量为100，待推荐基金的原始点击率为20％。曲线1表示原始点击率(即样本平滑处理前)随曝光量的变化而变化的曲线，曲线2表示点击得分(即通过公式3+factor3进行样本平滑处理后)随曝光量的变化而变化的曲线，曲线3表示目标互动因子(即

)随曝光量的变化而变化的曲线。根据曲线1、曲线2和曲线3可知，曲线2的迭代收敛速度比曲线3快，并且结果曲线2的迭代收敛速度比曲线1更稳定。

3、将待推荐基金的点击得分、订购得分、基金属性信息和目标用户的用户属性信息输入信息匹配模型，得到待推荐基金和目标用户的匹配度。

4、根据匹配度向目标用户推荐待推荐基金。

终端或服务器可以定时获取候选基金池中各个待推荐基金的互动相关信息和展示相关信息，以计算待推荐基金的点击得分、订购得分。目标用户可以在终端点击金融应用，完成登录操作后进入基金推荐界面。终端或服务器可以从目标用户的登录信息中获取用户属性信息，从候选基金池中获取待推荐基金的基金属性信息，获取计算得到的待推荐基金的点击得分、订购得分，将待推荐基金的点击得分、订购得分、基金属性信息和目标用户的用户属性信息输入信息匹配模型，得到待推荐基金和目标用户的匹配度。最终，终端根据各个待推荐基金与目标用户的匹配度确定各个待推荐基金的展示顺序，按照该展示顺序在基金推荐界面向目标用户展示待推荐基金。如图8所示，根据待推荐基金和目标用户的匹配度确定待推荐基金中新能源汽车基金的推荐顺序为第一，航空装备基金的推荐顺序为第二，通信设备基金的推荐顺序为第三。可以理解，匹配度越高、推荐顺序越靠前，用户会越感兴趣。

本申请还提供一种应用场景，该应用场景应用上述的资源推荐方法，该方法应用于新闻推荐场景。具体地，以资源为新闻为例，该资源推荐方法在该应用场景的应用如下：

1、确定待推荐新闻在过去3个月的点击量click、评论量comment、转发量send和曝光量impression，确定与待推荐新闻属于同一新闻类别的多个新闻在过去3个月的平均点击量click_b、平均评论量comment_b、平均转发量send_b和平均曝光量impression_b。

2、根据点击量click、曝光量impression、平均点击量click_b和平均曝光量impression_b确定待推荐新闻的点击得分。根据评论量comment、曝光量impression、平均评论量comment_b和平均曝光量impression_b确定待推荐新闻的评论得分。根据转发量send、曝光量impression、平均转发量send_b和平均曝光量impression_b确定待推荐新闻的转发得分。

3、将待推荐新闻的点击得分、评论得分、转发得分、新闻属性信息和目标用户的用户属性信息输入信息匹配模型，得到待推荐新闻和目标用户的匹配度。

4、根据匹配度向目标用户推荐待推荐新闻。

服务器可以定时获取候选新闻池中各个待推荐新闻的互动相关信息和展示相关信息，以计算待推荐新闻的点击得分、评论得分、转发得分。目标用户可以在终端点击社交应用，例如微博，完成登录操作后进入新闻推荐界面。当检测到目标用户进入新闻推荐界面时，终端向服务器发送新闻推荐请求，新闻推荐请求携带目标用户的用户标识。服务器可以根据该用户标识获取目标用户的登录信息，从目标用户的登录信息中获取用户属性信息，从候选新闻池中获取待推荐新闻的新闻属性信息，获取待推荐新闻的点击得分、评论得分、转发得分，将待推荐新闻的点击得分、评论得分、转发得分、新闻属性信息和目标用户的用户属性信息输入信息匹配模型，得到待推荐新闻和目标用户的匹配度。服务器将各个待推荐新闻和目标用户的匹配度返回给终端。最终，终端根据接收到的匹配度确定各个待推荐新闻的展示顺序，按照该展示顺序在新闻推荐界面向目标用户展示待推荐新闻。如图9所示，根据待推荐新闻和目标用户的匹配度确定待推荐新闻中用户A发布的新闻的推荐顺序为第一，用户B发布的新闻的推荐顺序为第二，用户C发布的新闻的推荐顺序为第三。可以理解，匹配度越高、推荐顺序越靠前，用户会越感兴趣。

上述技术方案中，结合历史推荐基金(或新闻)的相关信息对待推荐基金(或新闻)的相关信息进行数据平滑，可以构建更能体现待推荐基金(或新闻)自身特征的数据，根据该数据能够进行更有效的基金(或新闻)推荐，并且减少终端或服务器的资源浪费。

应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图10所示，提供了一种资源推荐装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：信息获取模块1002、因子确定模块1004、信息平滑模块1006、匹配度确定模块1008和资源推荐模块1010，其中：

信息获取模块1002，用于获取待推荐资源的目标互动信息和目标展示信息；获取历史推荐资源的历史互动信息和历史展示信息；

因子确定模块1004，用于基于所述目标互动信息、目标展示信息、历史互动信息和历史展示信息确定目标互动因子和目标展示因子；

信息平滑模块1006，用于根据所述目标互动因子和目标展示因子进行样本平滑处理，得到所述待推荐资源对应的目标平滑互动因子；

匹配度确定模块1008，用于获取目标用户的用户属性信息，基于所述用户属性信息和所述待推荐资源对应的目标平滑互动因子进行信息匹配，得到所述待推荐资源与所述目标用户的匹配度；

资源推荐模块1010，用于根据所述匹配度推荐所述待推荐资源。

在一个实施例中，信息获取模块还用于获取待推荐资源的资源类别；获取资源类别对应的参考互动信息和参考展示信息；将参考互动信息作为目标互动信息，将参考展示信息作为目标展示信息。

在一个实施例中，信息获取模块还用于获取待推荐资源的资源属性信息；将资源属性信息输入至已训练的互动因子预测模型，得到参考互动因子；互动因子预测模型是根据训练推荐资源的资源属性信息和训练互动因子训练得到的；获取待推荐资源的资源类别，获取资源类别对应的参考展示信息，将参考展示信息作为目标展示信息；根据参考互动因子和参考展示信息得到目标互动信息。

在一个实施例中，因子确定模块还用于根据目标互动信息和历史互动信息得到互动融合信息；根据目标展示信息和历史展示信息得到展示融合信息；将互动融合信息和展示融合信息的比值作为目标互动因子，将展示融合信息作为目标展示因子。

在一个实施例中，信息平滑模块还用于获取第一预设平滑因子；根据第一预设平滑因子对目标展示因子进行缩放处理，得到目标缩放展示因子；根据目标缩放展示因子和目标展示因子对目标互动因子进行融合处理，得到目标平滑互动因子。

在一个实施例中，目标互动因子包括第一互动因子和第二互动因子，目标展示因子包括第一展示因子和第二展示因子，因子确定模块还用于将目标互动信息和目标展示信息的比值作为第一互动因子，将目标展示信息作为第一展示因子；将历史互动信息和历史展示信息的比值作为第二互动因子，将历史展示信息作为第二展示因子。

在一个实施例中，信息平滑模块还用于获取第二预设平滑因子；根据第二预设平滑因子对第一展示因子进行缩放处理，得到第一缩放展示因子；根据第一缩放展示因子和第一展示因子对第一互动因子进行融合处理，得到第一平滑互动因子；根据第二预设平滑因子对第二展示因子进行缩放处理，得到第二缩放展示因子；根据第二缩放展示因子和第二展示因子对第二互动因子进行融合处理，得到第二平滑互动因子；根据第一平滑互动因子和第二平滑互动因子得到目标平滑互动因子。

在一个实施例中，信息平滑模块还用于获取第一平滑互动因子对应的第一比例调节因子，获取第二平滑互动因子对应的第二比例调节因子；根据第一比例调节因子和第二比例调节因子对第一平滑互动因子和第二平滑互动因子进行调整，得到目标平滑互动因子。

在一个实施例中，信息平滑模块还用于获取第一平滑互动因子对应的置信区间和期望；根据置信区间和目标期望的距离得到第一比例调节因子；基于第一比例调节因子确定第二比例调节因子。

在一个实施例中，信息平滑模块还用于获取第一平滑互动因子对应的置信区间；计算置信区间的宽度，得到第一比例调节因子；基于第一比例调节因子确定第二比例调节因子。

在一个实施例中，信息平滑模块还用于获取第一互动因子对应的互动影响因子；根据互动影响因子对第一比例调节因子进行调整；基于调整后的第一比例调节因子确定第二比例调节因子。

在一个实施例中，匹配度确定模块还用于获取已训练的信息匹配模型；将用户属性信息和所述目标平滑互动因子输入已训练的信息匹配模型，得到待推荐资源与目标用户的匹配度。

在一个实施例中，信息获取模块还用于获取待训练的信息匹配模型的训练样本；训练样本包括训练推荐资源对应的训练平滑互动因子、训练用户的用户属性信息以及训练推荐资源和训练用户的匹配标签；将训练推荐资源对应的训练平滑互动因子和训练用户的用户属性信息作为信息匹配模型的输入，得到训练推荐资源和训练用户的预测匹配结果；基于预测匹配结果和匹配标签调整信息匹配模型的模型参数，直到满足收敛条件，得到已训练的信息匹配模型。

关于资源推荐装置的具体限定可以参见上文中对于资源推荐方法的限定，在此不再赘述。上述资源推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机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、计算机程序和数据库。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。该计算机设备的数据库用于存储资源的互动信息、展示信息、信息匹配模型、互动因子预测模型等数据。该计算机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资源推荐方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种资源推荐方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机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11、12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机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。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。

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，所述的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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (15)

1.一种资源推荐方法，其特征在于，所述方法包括：

获取待推荐资源的目标互动信息和目标展示信息；

获取历史推荐资源的历史互动信息和历史展示信息；

基于所述目标互动信息、目标展示信息、历史互动信息和历史展示信息确定目标互动因子和目标展示因子；

根据所述目标互动因子和目标展示因子进行样本平滑处理，得到所述待推荐资源对应的目标平滑互动因子；

获取目标用户的用户属性信息，基于所述用户属性信息和所述待推荐资源对应的目标平滑互动因子进行信息匹配，得到所述待推荐资源与所述目标用户的匹配度；

根据所述匹配度推荐所述待推荐资源。

2.根据权利要求1所述的方法，其特征在于，所述获取待推荐资源的目标互动信息和目标展示信息之前，所述方法还包括：

获取所述待推荐资源的资源类别；

获取所述资源类别对应的参考互动信息和参考展示信息；

将所述参考互动信息作为所述目标互动信息，将所述参考展示信息作为所述目标展示信息。

3.根据权利要求1所述的方法，其特征在于，所述获取待推荐资源的目标互动信息和目标展示信息之前，所述方法还包括：

获取所述待推荐资源的资源属性信息；

将所述资源属性信息输入至已训练的互动因子预测模型，得到参考互动因子；所述互动因子预测模型是根据训练推荐资源的资源属性信息和训练互动因子训练得到的；

获取所述待推荐资源的资源类别，获取所述资源类别对应的参考展示信息，将所述参考展示信息作为所述目标展示信息；

根据所述参考互动因子和所述参考展示信息得到所述目标互动信息。

4.根据权利要求1所述的方法，其特征在于，所述基于所述目标互动信息、目标展示信息、历史互动信息和历史展示信息确定目标互动因子和目标展示因子，包括：

根据所述目标互动信息和历史互动信息得到互动融合信息；

根据所述目标展示信息和历史展示信息得到展示融合信息；

将所述互动融合信息和所述展示融合信息的比值作为所述目标互动因子，将所述展示融合信息作为所述目标展示因子。

5.根据权利要求4所述的方法，其特征在于，所述根据所述目标互动因子和目标展示因子进行样本平滑处理，得到所述待推荐资源对应的目标平滑互动因子，包括：

获取第一预设平滑因子；

根据所述第一预设平滑因子对所述目标展示因子进行缩放处理，得到目标缩放展示因子；

根据所述目标缩放展示因子和所述目标展示因子对所述目标互动因子进行融合处理，得到所述目标平滑互动因子。

6.根据权利要求1所述的方法，其特征在于，所述目标互动因子包括第一互动因子和第二互动因子，所述目标展示因子包括第一展示因子和第二展示因子，所述基于所述目标互动信息、目标展示信息、历史互动信息和历史展示信息确定目标互动因子和目标展示因子，包括：

将所述目标互动信息和所述目标展示信息的比值作为所述第一互动因子，将所述目标展示信息作为所述第一展示因子；

将所述历史互动信息和所述历史展示信息的比值作为所述第二互动因子，将所述历史展示信息作为所述第二展示因子。

7.根据权利要求6所述的方法，其特征在于，所述根据所述目标互动因子和目标展示因子进行样本平滑处理，得到所述待推荐资源对应的目标平滑互动因子，包括：

获取第二预设平滑因子；

根据所述第二预设平滑因子对所述第一展示因子进行缩放处理，得到第一缩放展示因子；

根据所述第一缩放展示因子和所述第一展示因子对所述第一互动因子进行融合处理，得到所述第一平滑互动因子；

根据所述第二预设平滑因子对所述第二展示因子进行缩放处理，得到第二缩放展示因子；

根据所述第二缩放展示因子和所述第二展示因子对所述第二互动因子进行融合处理，得到所述第二平滑互动因子；

根据所述第一平滑互动因子和所述第二平滑互动因子得到所述目标平滑互动因子。

8.根据权利要求7所述的方法，其特征在于，所述根据所述第一平滑互动因子和第二平滑互动因子得到所述目标平滑互动因子，包括：

获取所述第一平滑互动因子对应的第一比例调节因子，获取所述第二平滑互动因子对应的第二比例调节因子；

根据所述第一比例调节因子和所述第二比例调节因子对所述第一平滑互动因子和所述第二平滑互动因子进行调整，得到所述目标平滑互动因子。

9.根据权利要求8所述的方法，其特征在于，所述获取所述第一平滑互动因子对应的第一比例调节因子，获取所述第二平滑互动因子对应的第二比例调节因子，包括：

获取所述第一平滑互动因子对应的置信区间和期望；

根据所述置信区间和目标期望的距离得到所述第一比例调节因子；

基于所述第一比例调节因子确定所述第二比例调节因子。

10.根据权利要求8所述的方法，其特征在于，所述获取所述第一平滑互动因子对应的第一比例调节因子，获取所述第二平滑互动因子对应的第二比例调节因子，包括：

获取所述第一平滑互动因子对应的置信区间；

计算所述置信区间的宽度，得到所述第一比例调节因子；

基于所述第一比例调节因子确定所述第二比例调节因子。

11.根据权利要求10所述的方法，其特征在于，所述获取所述第一平滑互动因子对应的第一比例调节因子，获取所述第二平滑互动因子对应的第二比例调节因子，包括：

获取所述第一互动因子对应的互动影响因子；

根据所述互动影响因子对所述第一比例调节因子进行调整；

基于调整后的第一比例调节因子确定所述第二比例调节因子。

12.根据权利要求1所述的方法，其特征在于，所述基于所述用户属性信息和所述待推荐资源对应的目标平滑互动因子进行信息匹配，得到所述待推荐资源与所述目标用户的匹配度，包括：

获取已训练的信息匹配模型；

将所述用户属性信息和所述目标平滑互动因子输入所述已训练的信息匹配模型，得到所述待推荐资源与所述目标用户的匹配度。

13.根据权利要求12所述的方法，其特征在于，所述信息匹配模型的生成包括以下步骤：

获取待训练的信息匹配模型的训练样本；所述训练样本包括训练推荐资源对应的训练平滑互动因子、训练用户的用户属性信息以及训练推荐资源和训练用户的匹配标签；

将所述训练推荐资源对应的训练平滑互动因子和所述训练用户的用户属性信息作为所述信息匹配模型的输入，得到所述训练推荐资源和训练用户的预测匹配结果；

基于所述预测匹配结果和所述匹配标签调整所述信息匹配模型的模型参数，直到满足收敛条件，得到已训练的信息匹配模型。

14.一种资源推荐装置，其特征在于，所述装置包括：

信息获取模块，用于获取待推荐资源的目标互动信息和目标展示信息；获取历史推荐资源的历史互动信息和历史展示信息；

因子确定模块，用于基于所述目标互动信息、目标展示信息、历史互动信息和历史展示信息确定目标互动因子和目标展示因子；

信息平滑模块，用于根据所述目标互动因子和目标展示因子进行样本平滑处理，得到所述待推荐资源对应的目标平滑互动因子；

匹配度确定模块，用于获取目标用户的用户属性信息，基于所述用户属性信息和所述待推荐资源对应的目标平滑互动因子进行信息匹配，得到所述待推荐资源与所述目标用户的匹配度；

资源推荐模块，用于根据所述匹配度推荐所述待推荐资源。

15.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至13中任一项所述的方法的步骤。

Images