CN114266622A

CN114266622A - 资源推荐方法、装置、电子设备以及存储介质

Info

Publication number: CN114266622A
Application number: CN202111566901.3A
Authority: CN
Inventors: 麦乐怡
Original assignee: Beijing Dajia Internet Information Technology Co Ltd
Current assignee: Beijing Dajia Internet Information Technology Co Ltd
Priority date: 2021-12-20
Filing date: 2021-12-20
Publication date: 2022-04-01

Abstract

本公开关于一种资源推荐方法、装置、电子设备以及存储介质，属于人工智能技术领域，该方法通过目标对象的第一数据和第二数据，获取到每个第一候选资源的第一转化率和第二转化率，从而同时考虑目标对象对于资源进行的主动交互和被动交互，基于第一转化率和第二转化率，确定为目标对象推荐的资源，能够更倾向于为目标对象推荐更可能进行被动交互的资源，有效提高了推荐资源的准确率。

Description

资源推荐方法、装置、电子设备以及存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及一种资源推荐方法、装置、电子设备以及存储介质。

背景技术

随着互联网技术的飞速发展，网络中的资源能够承载更多的信息，例如，商家可以在网络中发布与商品相关的资源，从而实现对商品的推广。在对某个用户进行商品推广的过程中，能够从资源候选集中选择用户感兴趣的资源，将该资源以广告的形式推荐给用户，从而提升用户转化资源的概率，以广告的形式推荐给用户指在显示该资源的界面上显示购买商品的相关链接以及广告标识。

相关技术中，往往通过转化率(Conversion Rate，CVR)预估模型，预测资源候选集中每个候选资源的转化率，将转化率更高的候选资源推荐给用户。但是，由于用户对资源存在主动转化的情况，也即是，无需以广告的形式将资源推荐给用户，该用户通过主动搜索等其他方式查看到该资源时，也会对商品进行消费。因此，上述技术会导致将多余的资源推荐给用户，推荐资源的准确率较低。

发明内容

本公开提供一种资源推荐方法、装置、电子设备以及存储介质，能够更倾向于为目标对象推荐更可能进行被动转化的资源，提高了推荐资源的准确率。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种资源推荐方法，该方法包括：

获取目标对象的第一数据和第二数据，该第一数据为该目标对象对资源进行过的主动交互的数据，该第二数据为该目标对象基于推荐对资源进行过交互的数据；

基于该目标对象的第一数据和第二数据以及多个第一候选资源，获取该多个第一候选资源的第一转化率和第二转化率，该第一转化率表示该目标对象对该第一候选资源进行主动交互的概率，该第二转化率表示该目标对象基于推荐对该第一候选资源进行交互的概率；

基于该多个第一候选资源的第一转化率和第二转化率，从该多个第一候选资源中确定待推荐的资源；

基于该待推荐的资源，向该目标对象进行资源推荐。

在一些实施例中，该基于该目标对象的第一数据和第二数据以及多个第一候选资源，获取该多个第一候选资源的第一转化率和第二转化率包括：

对于任一第一候选资源，将该目标对象的第一数据和第二数据以及该第一候选资源的资源数据输入资源推荐模型，得到该第一候选资源的第一转化率和第二转化率；

其中，该资源推荐模型基于样本对象的第一数据和第二数据进行多任务训练得到。

对于任一第一候选资源，将该目标对象的第一数据和该第一候选资源的资源数据输入第一预测模型，得到该第一候选资源的第一转化率；

将该目标对象的第二数据和该第一候选资源的资源数据输入第二预测模型，得到该第一候选资源的第二转化率；

其中，该第一预测模型基于样本对象的第一数据训练得到，该第二预测模型基于该样本对象的第二数据训练得到。

在一些实施例中，该方法还包括：

对于任一第一候选资源，获取该第一候选资源的多个第一对象，该第一对象为没有被推荐过该第一候选资源的对象；

基于每个该第一对象对多个目标资源的第一数据，获取该第一候选资源的第一转化率，该目标资源与该第一候选资源来源于相同的上传对象。

在一些实施例中，该获取该第一候选资源的多个第一对象包括：

基于该目标对象的第二数据和多个候选对象的第二数据，获取该目标对象与各个该候选对象之间的相似度，该候选对象为没有被推荐过该第一候选资源的对象；

基于该相似度，从该多个候选对象中确定该多个第一对象。

在一些实施例中，该基于每个该第一对象对多个目标资源的第一数据，获取该第一候选资源的第一转化率包括：

基于每个该第一对象的第二数据和该第一候选资源的资源数据，获取每个该第一对象对应的权重，该权重表示该第一对象基于推荐对该第一候选资源进行浏览的概率；

基于每个该第一对象的权重以及每个该第一对象对多个目标资源的第一数据，获取该第一候选资源的第一转化率。

在一些实施例中，该基于该多个第一候选资源的第一转化率和第二转化率，从该多个第一候选资源中确定待推荐的资源包括：

获取每个该第一候选资源的增量概率，该增量概率为该第一候选资源的第二转化率和第一转化率的差值，该增量概率表示适合将该第一候选资源推荐给该目标对象的概率；

基于每个该第一候选资源的增量概率，从该多个第一候选资源中确定待推荐的资源。

在一些实施例中，该基于每个该第一候选资源的增量概率，从该多个第一候选资源中确定待推荐的资源包括：

基于每个该第一候选资源的增量概率，对每个该第一候选资源的虚拟资源的数量进行调整，该虚拟资源的数量为推荐该第一候选资源所消耗的虚拟资源的数量；

基于调整后的虚拟资源的数量，从该多个第一候选资源中，确定多个第二候选资源；

从该多个第二候选资源中，确定待推荐的资源。

在一些实施例中，该方法还包括：

获取每个该第一候选资源的虚拟资源的数量上限，该数量上限为在目标页面上推荐目标资源所消耗的虚拟资源的数量上限，该目标资源与该第一候选资源来源于相同的上传对象；

相应地，该基于每个该第一候选资源的增量概率，对每个该第一候选资源的虚拟资源的数量进行调整包括：

基于每个该第一候选资源的增量概率和虚拟资源的数量上限，对每个该第一候选资源的虚拟资源的数量进行调整。

在一些实施例中，该获取多个该第一候选资源的第一转化率和第二转化率包括：

获取每个该第一候选资源相对于多个对象的第一转化率和第二转化率；

该获取每个该第一候选资源的虚拟资源的数量上限之前，该方法还包括：

基于每个该第一候选资源相对于该多个对象的第一转化率和第二转化率，对每个该第一候选资源的虚拟资源的多个数量上限进行调整，每个该数量上限对应于一个页面，每个该数量上限为在对应页面上推荐该目标资源所消耗的虚拟资源的数量上限。

在一些实施例中，该从该多个第二候选资源中，确定待推荐的资源包括：

获取每个该第二候选资源的主动交互概率，该主动交互概率表示该目标对象对该第二候选资源进行多种类型的主动交互的概率；

基于每个该第二候选资源的主动交互概率和增量概率，从该多个第二候选资源中，确定待推荐的资源。

根据本公开实施例的第二方面，提供一种资源推荐装置，该装置包括：

获取单元，被配置为执行获取目标对象的第一数据和第二数据，该第一数据为该目标对象对资源进行过的主动交互的数据，该第二数据为该目标对象基于推荐对资源进行过交互的数据；

预测单元，被配置为执行基于该目标对象的第一数据和第二数据以及多个第一候选资源，获取该多个第一候选资源的第一转化率和第二转化率，该第一转化率表示该目标对象对该第一候选资源进行主动交互的概率，该第二转化率表示该目标对象基于推荐对该第一候选资源进行交互的概率；

确定单元，被配置为执行基于该多个第一候选资源的第一转化率和第二转化率，从该多个第一候选资源中确定待推荐的资源；

推荐单元，被配置为执行基于该待推荐的资源，向该目标对象进行资源推荐。

在一些实施例中，该预测单元，被配置为执行对于任一第一候选资源，将该目标对象的第一数据和第二数据以及该第一候选资源的资源数据输入资源推荐模型，得到该第一候选资源的第一转化率和第二转化率；其中，该资源推荐模型基于样本对象的第一数据和第二数据进行多任务训练得到。

在一些实施例中，该预测单元，被配置为执行对于任一第一候选资源，将该目标对象的第一数据和该第一候选资源的资源数据输入第一预测模型，得到该第一候选资源的第一转化率；将该目标对象的第二数据和该第一候选资源的资源数据输入第二预测模型，得到该第一候选资源的第二转化率；其中，该第一预测模型基于样本对象的第一数据训练得到，该第二预测模型基于该样本对象的第二数据训练得到。

在一些实施例中，该获取单元，被配置为执行对于任一第一候选资源，获取该第一候选资源的多个第一对象，该第一对象为没有被推荐过该第一候选资源的对象；

该预测单元，被配置为执行基于每个该第一对象对多个目标资源的第一数据，获取该第一候选资源的第一转化率，该目标资源与该第一候选资源来源于相同的上传对象。

在一些实施例中，该获取单元，被配置为执行基于该目标对象的第二数据和多个候选对象的第二数据，获取该目标对象与各个该候选对象之间的相似度，该候选对象为没有被推荐过该第一候选资源的对象；基于该相似度，从该多个候选对象中确定该多个第一对象。

在一些实施例中，该预测单元，被配置为执行基于每个该第一对象的第二数据和该第一候选资源的资源数据，获取每个该第一对象对应的权重，该权重表示该第一对象基于推荐对该第一候选资源进行浏览的概率；基于每个该第一对象的权重以及每个该第一对象对多个目标资源的第一数据，获取该第一候选资源的第一转化率。

在一些实施例中，该确定单元，被配置为执行获取每个该第一候选资源的增量概率，该增量概率为该第一候选资源的第二转化率和第一转化率的差值，该增量概率表示适合将该第一候选资源推荐给该目标对象的概率；基于每个该第一候选资源的增量概率，从该多个第一候选资源中确定待推荐的资源。

在一些实施例中，该确定单元包括：

调整子单元，被配置为执行基于每个该第一候选资源的增量概率，对每个该第一候选资源的虚拟资源的数量进行调整，该虚拟资源的数量为推荐该第一候选资源所消耗的虚拟资源的数量；

确定子单元，被配置为执行基于调整后的虚拟资源的数量，从该多个第一候选资源中，确定多个第二候选资源；

该确定子单元，被配置为执行从该多个第二候选资源中，确定待推荐的资源。

在一些实施例中，该获取单元，被配置为执行获取每个该第一候选资源的虚拟资源的数量上限，该数量上限为在目标页面上推荐目标资源所消耗的虚拟资源的数量上限，该目标资源与该第一候选资源来源于相同的上传对象；

该调整子单元，被配置为执行基于每个该第一候选资源的增量概率和虚拟资源的数量上限，对每个该第一候选资源的虚拟资源的数量进行调整。

在一些实施例中，该预测单元，被配置为执行获取每个该第一候选资源相对于多个对象的第一转化率和第二转化率；

该装置还包括：

调整单元，被配置为执行基于每个该第一候选资源相对于该多个对象的第一转化率和第二转化率，对每个该第一候选资源的虚拟资源的多个数量上限进行调整，每个该数量上限对应于一个页面，每个该数量上限为在对应页面上推荐该目标资源所消耗的虚拟资源的数量上限。

在一些实施例中，该确定子单元，被配置为执行获取每个该第二候选资源的主动交互概率，该主动交互概率表示该目标对象对该第二候选资源进行多种类型的主动交互的概率；基于每个该第二候选资源的主动交互概率和增量概率，从该多个第二候选资源中，确定待推荐的资源。

根据本公开实施例的第三方面，提供一种电子设备，该电子设备包括：

一个或多个处理器；

用于存储该处理器可执行程序代码的存储器；

其中，该处理器被配置为执行该程序代码，以实现上述的资源推荐方法。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，该计算机可读存储介质包括：当该计算机可读存储介质中的程序代码由电子设备的处理器执行时，使得电子设备能够执行上述的资源推荐方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的资源推荐方法。

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，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资源推荐方法的实施环境示意图；

图2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；

图3是根据一示例性实施例示出的一种资源推荐方法的流程框架图；

图4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；

图5是根据一示例性实施例示出的一种资源推荐装置的框图；

图6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。

本公开所涉及的数据可以为经对象授权或者经过各方充分授权的数据。

图1是根据一示例性实施例示出的一种资源推荐方法的实施环境示意图，参见图1，该实施环境中包括：终端101和服务器102。

终端101可以为智能手机、智能手表、台式电脑、手提电脑、虚拟现实终端、增强现实终端、无线终端和膝上型便携计算机等设备中的至少一种，终端101具有通信功能，可以接入互联网，终端101可以泛指多个终端中的一个，本实施例仅以终端101来举例说明。本领域技术人员可以知晓，上述终端的数量可以更多或更少。终端101运行有支持资源推荐和展示功能的应用程序，如视频应用程序、音乐应用程序等。

服务器102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文件系统，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、内容分发网络(Content Delivery Network，CDN)、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。服务器102用于为终端101运行的应用程序提供资源推荐的后台服务。在一些实施例中，该服务器102关联有数据库，该数据库用于存储多个资源以及资源的相关数据。服务器102与终端101可以通过有线或无线通信方式进行直接或间接的连接，本申请实施例对此不作限定。可选地，上述服务器102的数量可以更多或更少，本申请实施例对此不加以限定。当然，服务器102还可以包括其他功能服务器，以便提供更全面且多样化的服务。

基于图1所示的实施环境，图2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2所示，该方法由服务器执行，包括以下步骤201至204。

在步骤201中，服务器获取目标对象的第一数据和第二数据，该第一数据为目标对象对资源进行过的主动交互的数据，该第二数据为目标对象基于推荐对资源进行过交互的数据。

在本申请实施例中，该目标对象为终端登录的对象，终端运行的目标应用程序提供有资源的推荐和展示功能，在终端运行目标应用程序的过程中，服务器能够获取目标对象的第一数据和第二数据以及多个第一候选资源的资源数据，从而对目标对象进行资源推荐。

其中，第一候选资源用于对物品进行推广，该物品可以是虚拟物品或实体物品，例如，该第一候选资源为衣服广告。可选地，该第一候选资源为图片、音频或视频，本申请实施例对该第一候选资源的形式不作限定。在本申请实施例中，终端能够以自然方式或推广方式展示资源，自然方式指当对象通过主动搜索等方式主动浏览资源时，终端将资源进行展示，推广方式指当某个资源被推荐给对象时，终端将推荐的资源进行展示，并在资源上展示该资源的推广控件。例如，若该资源为衣服广告，该推广控件可以是衣服的标志或者衣服的购买控件，该购买控件能够基于点击跳转到衣服的购买页面。可选地，终端通过应用程序或网页将资源进行展示。

其中，第一数据包括目标对象在历史时间段内主动浏览、点击以及转化过的资源等，第二数据包括目标对象在历史时间段内基于推荐浏览、点击以及转化过的资源等。第一候选资源的资源数据包括第一候选资源的标识、物品标识和关键词等。可选地，该第一候选资源的资源数据还包括第一候选资源的上传对象的标识和标签等。

在步骤202中，服务器基于该目标对象的第一数据和第二数据以及多个第一候选资源，获取该多个第一候选资源的第一转化率和第二转化率，该第一转化率表示目标对象对第一候选资源进行主动交互的概率，该第二转化率表示目标对象基于推荐对第一候选资源进行交互的概率。

在一些实施例中，第一转化率表示目标对象主动转化第一候选资源的概率，第二转化率表示目标对象基于推荐转化第一候选资源的概率。

通过获取第一转化率和第二转化率，得到了目标对象对第一候选资源主动进行转化的概率以及基于推荐被动进行转化的概率，在后续步骤中，通过第一转化率和第二转化率进行资源推荐，能够更倾向于为目标对象推荐更可能进行被动交互的资源，从而达到提升推荐资源的准确率的目的。

在步骤203中，服务器基于该多个第一候选资源的第一转化率和第二转化率，从该多个第一候选资源中确定待推荐的资源。

可选地，若该第一候选资源为广告，通过第一转化率和第二转化率，从多个第一候选资源中确定待推荐的资源的过程，能够用于广告推荐的任一过程，如召回过程、粗排过程和精排过程等。

在步骤204中，服务器基于该待推荐的资源，向该目标对象进行资源推荐。

在本申请实施例中，向目标对象进行资源推荐是指，服务器将待推荐的资源发送至终端，终端以推广方式显示接收到的资源。例如，以待推荐的资源为衣服广告为例，服务器将衣服广告以及衣服的购买链接发送至终端，终端在目标对象当前浏览的页面上显示该衣服广告，基于购买链接，在衣服广告上显示衣服的购买控件。

本公开实施例提供的技术方案，通过目标对象的第一数据和第二数据，获取了每个第一候选资源的第一转化率和第二转化率，从而同时考虑目标对象对于资源进行的主动交互和被动交互，基于第一转化率和第二转化率，确定为目标对象推荐的资源，能够更倾向于为目标对象推荐更可能进行被动交互的资源，有效提高了推荐资源的准确率。

下面基于图3，对本申请提出的资源推荐方法的流程框架进行介绍，图3是根据一示例性实施例示出的一种资源推荐方法的流程框架图，如图3所示，该资源推荐方法涉及到转化率预估与确定待推荐资源2个流程。其中，转化率预估指基于在线方式或离线方式，获取多个第一候选资源的第一转化率和第二转化率。确定待推荐资源指基于获取到的第一转化率和第二转化率，从多个第一候选资源中确定待推荐的资源，该流程涉及到虚拟资源的数量调整、数量上限调整以及混合排序3个过程。对上述2个流程的具体说明详见图4对应的实施例，在此不再赘述。

上述图2和图3对应的实施例仅是对本申请提出的资源推荐方法的简要介绍，下面结合图4，对该方法进行详细说明。图4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4所示，该方法包括以下步骤401至步骤407。

在步骤401中，终端向服务器发送资源获取请求，该资源获取请求用于指示返回推荐给目标对象的资源。

在一些实施例中，终端响应于目标对象对目标应用程序的启动操作，启动该目标应用程序，显示目标页面，目标对象能够通过在目标页面上的滑动、点击等操作，来浏览资源，终端响应于目标对象浏览资源的操作，向服务器发送资源获取请求。其中，该目标页面可以是目标应用程序的首页，或者是基于对象在目标应用程序运行过程中的操作所显示的任一页面，如关注页面、视频播放页面等。

示例性地，以资源为广告视频，目标页面为视频播放页面为例，目标对象能够通过在该视频播放页面的滑动操作，切换当前播放的视频，终端响应于目标对象在该视频播放页面的滑动操作，向服务器发送资源获取请求，以播放为该目标对象推荐的广告视频，并在视频上显示推广控件。

在步骤402中，服务器接收该资源获取请求，获取目标对象的第一数据和第二数据，该第一数据为目标对象对资源进行过的主动交互的数据，该第二数据为目标对象基于推荐对资源进行过交互的数据。

在一些实施例中，服务器还获取了目标对象的其他数据，该步骤402还包括：服务器获取目标对象的画像数据，该画像数据包括目标对象的年龄、性别、地域和爱好等。

在步骤403中，服务器基于目标对象的第一数据和多个第一候选资源，获取该多个第一候选资源的第一转化率，该第一转化率表示目标对象对第一候选资源进行主动交互的概率。

在一些实施例中，对于任一第一候选资源，服务器能够通过资源推荐模型或者第一预测模型，获取该第一候选资源的第一转化率，该第一预测模型为主动转化预测模型，下面分别对上述两种方法进行说明。

一种可能实现方式中，服务器将该目标对象的第一数据和该第一候选资源的资源数据输入资源推荐模型，得到该第一候选资源的第一转化率。其中，该资源推荐模型基于样本对象的第一数据和第二数据训练得到，具体的模型训练过程详见本实施例后面关于模型训练的介绍，在此不再赘述。

示例性地，对基于资源推荐模型获取第一转化率的过程进行说明。该资源推荐模型包括多个全连接层以及一个归一化函数，该多个全连接层包括多个网络参数，如公式(1)所示，服务器将映射标签设为0，将第一数据、第一候选资源的资源数据和映射标签输入该资源推荐模型，该多个全连接层基于映射标签的取值，从多个全连接层包括的多个网络参数中，确定用于获取第一转化率的多个网络参数，基于用于获取第一转化率的多个网络参数，将第一数据和资源数据映射到第一转化率空间，基于归一化函数对最后一个全连接层的输出数据进行归一化，得到该第一候选资源的第一转化率。

logit(E(Y))＝β₀+β₁Z+β₂X+β₃ZX (1)

其中，Z表示映射标签，X表示第一数据和第一候选资源的资源数据，β₀、β₁、β₂和β₃为资源推荐模型的网络参数，E(Y)表示该资源推荐模型的最后一个全连接层的输出数据，logit()表示归一化函数。

另一种可能实现方式中，服务器将目标对象的第一数据和该第一候选资源的资源数据输入第一预测模型，得到该第一候选资源的第一转化率。其中，该第一预测模型基于样本对象的第一数据和样本资源的资源数据训练得到，具体的模型训练过程详见本实施例后面关于模型训练的介绍，在此不再赘述。

示例性地，该第一预测模型包括多个全连接层和归一化函数，如公式(2)所示，服务器将第一数据和第一候选资源的资源数据输入该第一预测模型，基于该多个全连接层，将该第一数据和资源数据映射到第一转化率空间，基于归一化函数，对最后一个全连接层的输出数据进行归一化，得到该第一候选资源的第一转化率。

logit(E’(Y))＝β’₀+β’₂X (2)

其中，β’₀和β’₂表示第一预测模型的网络参数，E’(Y)表示第一预测模型的最后一个全连接层的输出数据。

需要说明的是，上述为基于深度学习模型获取第一转化率的方法，在一些实施例中，服务器能够通过多个没有被推荐过第一候选资源的对象，获取每个第一候选资源的第一转化率，由于该多个对象没有被推荐过第一候选资源，因此根据上述多个对象与第一候选资源相关的第一数据，能够预测第一候选资源的第一转化率，从而无需大量的样本数据进行模型训练，就能够获取到第一转化率，节约了服务器的计算资源。也即是，可选地，该步骤403能够替换为：对于任一第一候选资源，服务器获取该第一候选资源的多个第一对象，基于每个第一对象对多个目标资源的第一数据，获取该第一候选资源的第一转化率，该目标资源与该第一候选资源来源于相同的上传对象。

示例性地，服务器能够基于加倾向权法(Propensity Score Weighting)或空间匹配法(Original Space Matching)，通过该第一候选资源的多个第一对象，获取第一转化率，下面分别对上述两种方法进行介绍。

(1)倾向加权法

在一些实施例中，服务器首先获取多个候选对象，该候选对象为没有被推荐过该第一候选资源的对象，然后随机从多个候选对象中获取多个第一对象，基于每个第一对象的第二数据和该第一候选资源的资源数据，获取每个该第一对象对应的权重，该权重表示第一对象基于推荐对该第一候选资源进行浏览的概率，基于每个第一对象的权重以及每个第一对象对多个目标资源的第一数据，获取该第一候选资源的第一转化率。通过获取各个第一对象的权重，能够使第一转化率的准确率更高，从而达到提升推荐资源的目的。

可选地，获取任一第一对象的权重的方法如公式(3)所示。

其中，w_i表示任一第一对象的权重，

表示该第一对象基于推荐对第一候选资源进行浏览的概率。

示例性地，对基于每个第一对象的权重和每个第一对象对多个目标资源的第一数据，获取第一转化率的过程进行说明。对于任一第一对象，基于该第一对象对多个目标资源的第一数据，获取该第一对象主动浏览多个目标资源的第一次数和主动转化该多个目标资源的第二次数，用第二次数除以第一次数，得到该第一对象的第一转化率。服务器基于每个第一对象的权重，将多个第一对象的第一转化率加权求和，得到该第一候选资源的第一转化率。

(2)空间匹配法

在一些实施例中，服务器首先获取多个候选对象，基于该目标对象的第二数据和多个候选对象的第二数据，获取该目标对象与各个该候选对象之间的相似度，该候选对象为没有被推荐过该第一候选资源的对象，基于该相似度，从该多个候选对象中确定该多个第一对象。服务器基于每个第一对象对多个目标资源的第一数据，获取每个第一对象的第一转化率，将多个第一对象的第一转化率的均值作为该第一候选资源的第一转化率。通过相似度，能够获取与目标对象的数据更加相似的多个第一对象，从而使基于多个第一对象得到的第一转化率，能够更准确的表示第一候选资源相对于目标对象的第一转化率，达到了提升推荐资源的准确率的目的。

可选地，相似度为目标对象向量与候选对象向量之间的欧几里得距离或者余弦相似度，目标对象向量基于对目标对象的第二数据进行向量化映射得到，候选对象向量基于对候选对象的第二数据进行向量化映射得到。

可选地，服务器基于目标对象与各个候选对象之间的相似度，通过最近邻算法(K-Nearest Neighbor，KNN)，从多个候选对象中确定K个第一对象，K为大于0且小于候选对象数量的整数。

在一些实施例中，服务器基于目标对象的第一数据和画像数据以及多个第一候选资源的资源数据，通过上述任一种方法，获取多个第一候选资源的第一转化率。

需要说明的是，服务器能够基于上述任一种方法，以在线方式或离线方式获取第一转化率。其中，在线方式指服务器响应于接收到终端的资源获取请求，实时获取每个第一候选相对于目标对象的第二转化率。离线方式指服务器预先获取每个第一候选资源相对于多个对象的第二转化率，将获取到的第二转化率存储在缓存中，响应于接收到终端的资源获取请求，从缓存中获取多个第一候选资源相对于目标对象第二转化率。可选地，该多个对象为登录过终端的对象。

需要说明的是，对于上述步骤402与步骤403，服务器能够以任意顺序获取第一转化率和第二转化率，并不限于当前的时序。

在步骤404中，服务器基于目标对象的第二数据和多个第一候选资源，获取该多个第一候选资源的第二转化率，该第二转化率表示目标对象基于推荐对第一候选资源进行交互的概率。

在一些实施例中，对于任一第一候选资源，服务器能够基于资源推荐模型或第二预测模型，获取该第一候选资源的第二转化率，该第二预测模型为推荐转化预测模型，下面分别对上述两种方法进行说明。

一种可能实现方式中，服务器将该目标对象的第二数据和该第一候选资源的资源数据输入资源推荐模型，得到该第一候选资源的第二转化率。示例性地，服务器将映射标签设为1，将第二数据、第一候选资源的资源数据和映射标签输入资源推荐模型，基于与上述步骤403中通过资源推荐模型，获取第一转化率同理的方法，获取该第一候选资源的第二转化率，在此不再赘述。

另一种可能实现方式中，服务器将该目标对象的第二数据和该第一候选资源的资源数据输入第二预测模型，得到该第一候选资源的第二转化率。其中，该第二预测模型基于样本对象的第二数据进行训练得到，具体的模型训练过程详见本实施例后面关于模型训练的介绍，在此不再赘述。基于第二预测模型，获取第二转化率的过程，与上述步骤403中通过第一预测模型，获取第一转化率的过程同理，在此不再赘述。

在一些实施例中，服务器基于目标对象的第二数据和画像数据以及多个第一候选资源的资源数据，通过上述任一种方法，获取多个第一候选资源的第二转化率。

需要说明的是，服务器能够基于上述任一种方法，以在线方式或离线方式获取第二转化率。

在步骤405中，服务器基于多个第一候选资源的第一转化率和第二转化率，从多个第一候选资源中确定多个第二候选资源。

在一些实施例中，服务器首先基于第一转化率和第二转化率，获取多个第一候选资源的增量概率，该增量概率表示适合将该第一候选资源推荐给目标对象的概率，然后基于增量概率，对每个第一候选资源的虚拟资源的数量进行调整，基于调整后的虚拟资源的数量，从多个第一候选资源中确定多个第二候选资源。其中，虚拟资源的数量为推荐该第一候选资源所消耗的虚拟资源的数量，例如，若第一候选资源为广告，则该虚拟资源的数量为广告主对该广告的出价。

下面基于过程1至过程3，对上述过程进行说明。

过程1、获取增量概率。

在一些实施例中，如公式(4)或公式(5)所示，对于任一第一候选资源，服务器用该第一候选资源的第二转化率减去第一转化率，得到该第一候选资源的增量概率。该增量概率越大，则表示目标对象更倾向于基于推荐对该第一候选资源进行转化，也即是，该第一候选资源适合推荐给目标对象；该增量概率越小，则表示目标对象更倾向于主动对第一候选资源进行转化，或者目标对象比较反感在推广方式下转化该第一候选资源，也即是，该第一候选资源不适合推荐该目标对象。

其中，

表示任一第一候选资源的增量概率，y₁表示该第一候选资源的第二转化率，y₀表示该第一候选资源的第一转化率。

为基于倾向加权法得到的第一候选资源的第一转化率，N表示第一对象的数量，y_i表示该第一候选资源的任一第一对象的第一转化率。

在一些实施例中，服务器获取到增量概率后，将每个第一候选资源的增量概率与预设的概率阈值进行比较，若多个第一候选资源的增量概率均小于概率阈值，表示该目标对象比较反感以推广方式展示资源，则服务器不再执行后续步骤，也即是，服务器不对该目标对象执行推荐资源的操作。通过将增量概率与概率阈值进行比较，能够在一定程度上避免将资源推荐给对推广方式展示资源反感的对象。

过程2、调整虚拟资源的数量。

在一些实施例中，服务器能够基于每个第一候选资源的增量概率，通过以下两种方式，对第一候选资源的虚拟资源的数量(auto_cpa_bid)进行调整。

一种可能实现方式中，增量概率越大，服务器将对应的第一候选资源的虚拟资源的数量调大，增量概率越小，服务器将对应的第一候选资源的虚拟资源的数量调小。从而使适合推荐给目标对象的第一候选资源的虚拟资源的数量更多，达到提升推荐资源准确率的目的。

另一种可能实现方式中，服务器基于如公式(6)或公式(7)所示的约束条件，对每个第一候选资源的虚拟资源的数量进行调整。

st.sum(uplift i*ltv i-ecpm i)＞x (6)

max sum(ctr_i*cvr_i*uplift_i*ltv_i-ecpm_i) (7)

其中，对于公式(6)，sum()表示求和操作，uplift_i表示第i个第一候选资源的增量概率，ltv_i表示目标对象对于第i个第一候选资源的生命周期价值，uplift_i*ltv_i能够表示将第i个第一候选资源推荐给目标对象为上传对象带来的收益，ecpm_i表示第i个第一候选资源为推荐系统带来的收益，ecpm_i基于虚拟资源的数量得到，x为预设阈值。对于公式(7)，ctr_i表示第i个第一候选资源的推荐点击率，cvr_i表示第i个第一候选资源的第二转化率，ctr_i*cvr_i*uplift_i*ltv_i能够更加准确的表示将第i个第一候选资源推荐给目标对象为上传对象带来的价值。其中，推荐点击率表示目标对象基于推荐对该第一候选资源进行点击的概率，该推荐点击率基于目标对象的第二数据和第一候选资源的资源数据得到。可选地，服务器能够在获取第二转化率的过程中，通过其他深度学习模型获取该推荐点击率。

通过公式(6)或公式(7)，能够以最大化上传对象的收益为目的，对虚拟资源的数量进行调整，在后续步骤中，进一步通过调整后的虚拟资源的数量，进行资源的推荐，能够将为上传对象带来更多收益的第一候选资源推荐给目标对象，从而提升了推荐资源的准确率。

在一些实施例中，服务器能够获取每个第一候选资源的虚拟资源的数量上限，基于该数量上限和增量概率，对虚拟资源的数量进行调整。其中，该数量上限为在目标页面上推荐目标资源所消耗的虚拟资源的数量上限，该目标资源与该第一候选资源来源于相同的上传对象，例如，若该第一候选资源为广告，则虚拟资源的数量上限表示该广告的广告主给出的在目标页面进行广告推荐的预算。需要说明的是，来源于相同上传对象的第一候选资源的虚拟资源的数量上限相同。通过引入虚拟资源上限，能够保证推荐资源所消耗的虚拟资源的数量不会超过上传对象设置的数量上限，从而控制上传对象花费的成本，保证上传对象的收益，达到提升推荐资源的准确率的目的。

示例性地，对基于增量概率和数量上限，调账虚拟资源的数量的过程进行说明。服务器基于增量概率，对每个第一候选资的虚拟资源的数量进行调整后，将来源于相同上传对象的第一候选资源的虚拟资源的数量求和，将求和得到的结果与对应的数量上限进行比较，若超过数量上限，则将对应第一候选资源的虚拟资源的数量调小。

在一些实施例中，服务器在获取虚拟资源的数量上限之前，能够先对每个第一候选资源的多个数量上限进行调整。其中，每个数量上限对应于一个页面，每个该数量上限为在对应页面上推荐该目标资源所消耗的虚拟资源的数量上限，例如，若第一候选资源为广告，则每个数量上限表示广告主在对应的页面推荐广告的预算。相应地，服务器能够基于增量概率和调整后的数量上限，对每个第一候选资源的虚拟资源的数量进行调整。

示例性地，对调整虚拟资源的多个数量上限的方法进行说明。服务器获取每个第一候选资源在每个页面下，相对于多个对象的第一转化率和第二转化率。服务器基于获取到的第一转化率和第二转化率，获取每个第一候选资源在每个页面下相对于多个对象的增量概率。对于任一页面，服务器首先将每个第一候选资源在该页面下相对于多个对象的增量概率相加，得到每个第一候选资源在该页面下的增量值，然后基于如公式(8)所示的约束条件，对多个页面的上限比例进行调整，将每个页面调整后的上限比例，与所有页面的虚拟资源的数量上限的总和相乘，得到每个页面调整后的虚拟资源的数量上限。其中，任一页面的上限比例表示该页面对应的虚拟资源的数量上限占所有页面的虚拟资源的数量上限总和的比例。

示例性地，对于任一页面，获取每个第一候选资源在该页面下相对于多个对象的第一转化率和第二转化率的方法为：服务器基于每个第一候选资源的资源数据、多个对象在该页面下的第一数据和第二数据，通过步骤403与404中同理的方法，获取每个第一候选资源在该页面下相对于多个对象的第一转化率和第二转化率。

max sum(x_j*ecpm_j)，s.t.uplift_j＞x’ (8)

其中，x_j表示第j个页面的上限比例，ecpm_j表示在第j个页面进行资源推荐为推荐系统带来的收益，uplift_j表示在第j个页面推荐的资源的增量值的总和，x’为预设的增量值下限。

通过上述公式(8)，不仅能够以最大化推荐系统的收益为目标，对每个页面的虚拟资源的数量上限进行调整，还能够调整在每个页面上推荐的资源，保证在每个页面上推荐的资源的增量值的总和大于增量值下限，保证了上传对象的收益，从而进一步提升了推荐资源的准确性。

过程3、确定多个第二候选资源。

在一些实施例中，服务器基于调整后的虚拟资源的数量，从多个第一候选资源中，确定多个第二候选资源。

示例性地，服务器将每个第一候选资源的第二转化率、推荐点击率和调整后的虚拟资源的数量相乘，得到每个第一候选资源的候选参考信息，按照该候选参考信息从大到小的顺序，对该多个第一候选资源进行排序，将位于前M位的第一候选资源确定为第二候选资源，M为大于0且小于第一候选资源的整数。

在一些实施例中，若服务器还基于公式(8)，对在每个页面上推荐的资源进行了调整，则服务器首先从多个第一候选资源中确定在目标页面上推荐的多个资源，然后基于调整后的虚拟资源的数量，从目标页面对应的多个资源中确定第二候选资源。

在步骤406中，服务器从多个第二候选资源中，确定待推荐的资源。

在一些实施例中，服务器获取每个第二候选资源的主动交互概率，该主动交互概率表示该目标对象对该第二候选资源进行多种类型的主动交互的概率，可选地，该多种类型的主动交互包括对第二候选资源进行浏览、点击、关注和转化等。服务器基于每个第二候选资源的主动交互概率和增量概率，从多个第二候选资源中，确定待推荐的资源。在本申请实施例中，上述过程称为混合排序过程。

通过获取主动交互概率，得到了目标对象与第二候选资源发生多种主动交互的概率，基于主动交互概率和增量概率，确定待推荐的资源，能够在同时考虑目标对象的主动交互数据和被动交互数据的情况下，进行资源推荐，能够在一定程度上减少为目标对象推荐能够主动转化的资源，从而提升了推荐资源的准确率。

示例性地，服务器基于目标对象数据类别更多的第一数据和每个第二候选资源数据类别更多的资源数据，获取每个第二候选资源的主动交互概率。可选地，用于获取主动交互概率的第一数据包括目标对象主动浏览、关注、点击和转化的资源。

示例性地，对确定待推荐的资源的过程进行说明。服务器基于如公式(9)所示的方法，将每个第二候选资源的主动交互概率和增量概率进行加权求和，得到每个第二候选资源的推荐参考信息，按照推荐参考信息从大到小的顺序，对多个第二候选资源进行排序，将位于前T位的第二候选资源确定为待推荐的资源，T为大于0且小于M的整数。

coef_a*uplift+coef_r*reco_score (9)

其中，coef_a表示增量概率的权重，coef_r表示主动交互概率的权重，reco_score表示主动交互概率，uplift表示增量概率。

在步骤407中，服务器向终端发送该待推荐的资源。

在一些实施例中，服务器首先向终端发送资源获取响应，然后向终端发送该待推荐的资源。

在一些实施例中，终端将接收到的待推荐的资源展示给目标对象，相应地，本申请实施例还包括：终端接收该资源获取响应，从该资源获取响应中获取待推荐的资源，将该待推荐的资源以推广方式展示在目标页面上，以完成向目标对象进行资源推荐。

在一些实施例中，在目标对象浏览目标页面的过程中，服务器周期性地执行确定待推荐的资源的过程，向终端发送该待推荐的资源，终端周期性地将接收到的资源以推广方式展示在目标页面中，以完成向目标对象进行资源推荐。

在一些实施例中，服务器接收到终端对任一页面的访问请求，基于上述步骤402至步骤406同理的方法，获取待推荐的资源，向终端发送该页面的访问响应和推荐指令，该访问响应携带该页面的页面信息和待推荐的资源，该页面信息用于指示该页面，该推荐指令用于指示通过推广方式，在该页面中展示待推荐的资源。终端接收该页面的访问响应，基于该页面信息，展示该页面，在页面上以推广方式，展示接收到的资源。

下面对以上实施例中各个模型的训练过程进行说明。

(1)资源推荐模型

该资源推荐模型基于样本对象的第一数据和第二数据进行多任务训练得到，训练过程包括训练数据准备和模型训练两个过程，下面分别对这两个过程进行说明。

过程1、训练数据准备。训练数据包括多个样本数据、对应的映射标签和对应的转化标签，其中，多个样本数据包括多个第一样本数据和多个第二样本数据，第一样本数据包括样本对象的第一数据和样本资源的资源数据，第一样本数据对应的映射标签取值为0，第一样本数据对应的转化标签表示对应样本对象是否主动对样本资源进行转化，第二样本数据包括样本对象的第二数据和样本资源的资源数据，第二样本数据对应的映射标签取值为1，第二样本数据对应的转化标签表示对应样本对象是否基于推荐对样本资源进行转化。

过程2、模型训练。该资源推荐模型的训练过程基于多次迭代实现，在任一次迭代的过程中，服务器基于与上述步骤403和404同理的方法，获取该多个样本数据的对应的第一预测转化率和第二预测转化率，基于获取的第一预测转化率、第二预测转化率以及对应的转化标签，对资源推荐模型的网络参数进行调整，基于调整后的资源推荐模型执行下一次迭代训练，直到达到训练结束条件。

通过同时基于样本对象的第一数据和第二数据进行多任务训练，使模型能够学习到多个任务之间的联系，从而使获取到的第一转化率和第二转化率的准确性更高，达到提升推荐资源准确性的目的。

(2)第一预测模型

该第一预测模型基于多个第一样本数据以及对应的转化标签进行训练得到。该第一预测模型的训练过程基于多次迭代实现，在任一次迭代的过程中，服务器基于与上述步骤403同理的方法，获取多个第一样本数据的第一预测转化率，基于获取的多个第一预测转化率和对应的转化标签，对该第一预测模型的网络参数进行调整，基于调整后的第一预测模型执行下一次迭代训练，直到达到训练结束条件。

(3)第二预测模型

该第二预测模型基于多个第二样本数据以及对应的转化标签进行训练得到，该第二预测模型的训练过程与第一预测模型的训练过程同理，在此不再赘述。

分别通过样本对象的第一数据和第二数据，训练第一预测模型和第二预测模型，能够降低模型的训练难度，减少服务器的计算压力。

图5是根据一示例性实施例示出的一种资源推荐装置的框图。参照图5，该装置包括获取单元501，预测单元502、确定单元503和推荐单元504。

获取单元501，被配置为执行获取目标对象的第一数据和第二数据，该第一数据为该目标对象对资源进行过的主动交互的数据，该第二数据为该目标对象基于推荐对资源进行过交互的数据；

预测单元502，被配置为执行基于该目标对象的第一数据和第二数据以及多个第一候选资源，获取该多个第一候选资源的第一转化率和第二转化率，该第一转化率表示该目标对象对该第一候选资源进行主动交互的概率，该第二转化率表示该目标对象基于推荐对该第一候选资源进行交互的概率；

确定单元503，被配置为执行基于该多个第一候选资源的第一转化率和第二转化率，从该多个第一候选资源中确定待推荐的资源；

推荐单元504，被配置为执行基于该待推荐的资源，向该目标对象进行资源推荐。

在一些实施例中，该预测单元502，被配置为执行对于任一第一候选资源，将该目标对象的第一数据和第二数据以及该第一候选资源的资源数据输入资源推荐模型，得到该第一候选资源的第一转化率和第二转化率；其中，该资源推荐模型基于样本对象的第一数据和第二数据进行多任务训练得到。

在一些实施例中，该预测单元502，被配置为执行对于任一第一候选资源，将该目标对象的第一数据和该第一候选资源的资源数据输入第一预测模型，得到该第一候选资源的第一转化率；将该目标对象的第二数据和该第一候选资源的资源数据输入第二预测模型，得到该第一候选资源的第二转化率；其中，该第一预测模型基于样本对象的第一数据训练得到，该第二预测模型基于该样本对象的第二数据训练得到。

在一些实施例中，该获取单元501，被配置为执行对于任一第一候选资源，获取该第一候选资源的多个第一对象，该第一对象为没有被推荐过该第一候选资源的对象；

该预测单元502，被配置为执行基于每个该第一对象对多个目标资源的第一数据，获取该第一候选资源的第一转化率，该目标资源与该第一候选资源来源于相同的上传对象。

在一些实施例中，该获取单元501，被配置为执行基于该目标对象的第二数据和多个候选对象的第二数据，获取该目标对象与各个该候选对象之间的相似度，该候选对象为没有被推荐过该第一候选资源的对象；基于该相似度，从该多个候选对象中确定该多个第一对象。

在一些实施例中，该预测单元502，被配置为执行基于每个该第一对象的第二数据和该第一候选资源的资源数据，获取每个该第一对象对应的权重，该权重表示该第一对象基于推荐对该第一候选资源进行浏览的概率；基于每个该第一对象的权重以及每个该第一对象对多个目标资源的第一数据，获取该第一候选资源的第一转化率。

在一些实施例中，该确定单元503，被配置为执行获取每个该第一候选资源的增量概率，该增量概率为该第一候选资源的第二转化率和第一转化率的差值，该增量概率表示适合将该第一候选资源推荐给该目标对象的概率；基于每个该第一候选资源的增量概率，从该多个第一候选资源中确定待推荐的资源。

在一些实施例中，该确定单元503包括：

在一些实施例中，该获取单元501，被配置为执行获取每个该第一候选资源的虚拟资源的数量上限，该数量上限为在目标页面上推荐目标资源所消耗的虚拟资源的数量上限，该目标资源与该第一候选资源来源于相同的上传对象；

在一些实施例中，该预测单元502，被配置为执行获取每个该第一候选资源相对于多个对象的第一转化率和第二转化率；

该装置还包括：

需要说明的是：上述实施例提供的资源推荐装置在推荐资源时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的资源推荐装置与资源推荐方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本申请实施例还提供了一种用于执行上述资源推荐方法的电子设备，在一些实施例中，该电子设备被提供为服务器。图6是根据一示例性实施例示出的一种服务器的框图，如图6所示，该服务器600可因配置或性能不同而产生比较大的差异，可以包括一个或多个处理器(Central Processing Units，CPU)601和一个或多个的存储器602，其中，该一个或多个存储器602中存储有至少一条程序代码，该至少一条程序代码由该一个或多个处理器601加载并执行以实现上述各个方法实施例提供的资源推荐方法中服务器执行的过程。当然，该服务器600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600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，还提供了一种包括程序代码的计算机可读存储介质，例如包括程序代码的存储器602，上述程序代码可由服务器600的处理器601执行以完成上述资源推荐方法。可选地，计算机可读存储介质可以是只读内存(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、只读光盘(compact-disc read-only memory，CD-ROM)、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的资源推荐方法。

在一些实施例中，本申请实施例所涉及的计算机程序可被部署在一个计算机设备上执行，或者在位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行，分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链系统。

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

1.一种资源推荐方法，其特征在于，所述方法包括：

获取目标对象的第一数据和第二数据，所述第一数据为所述目标对象对资源进行过的主动交互的数据，所述第二数据为所述目标对象基于推荐对资源进行过交互的数据；

基于所述目标对象的第一数据和第二数据以及多个第一候选资源，获取所述多个第一候选资源的第一转化率和第二转化率，所述第一转化率表示所述目标对象对所述第一候选资源进行主动交互的概率，所述第二转化率表示所述目标对象基于推荐对所述第一候选资源进行交互的概率；

基于所述多个第一候选资源的第一转化率和第二转化率，从所述多个第一候选资源中确定待推荐的资源；

基于所述待推荐的资源，向所述目标对象进行资源推荐。

2.根据权利要求1所述的资源推荐方法，其特征在于，所述基于所述目标对象的第一数据和第二数据以及多个第一候选资源，获取所述多个第一候选资源的第一转化率和第二转化率包括：

对于任一第一候选资源，将所述目标对象的第一数据和第二数据以及所述第一候选资源的资源数据输入资源推荐模型，得到所述第一候选资源的第一转化率和第二转化率；

其中，所述资源推荐模型基于样本对象的第一数据和第二数据进行多任务训练得到。

3.根据权利要求1所述的资源推荐方法，其特征在于，所述基于所述目标对象的第一数据和第二数据以及多个第一候选资源，获取所述多个第一候选资源的第一转化率和第二转化率包括：

对于任一第一候选资源，将所述目标对象的第一数据和所述第一候选资源的资源数据输入第一预测模型，得到所述第一候选资源的第一转化率；

将所述目标对象的第二数据和所述第一候选资源的资源数据输入第二预测模型，得到所述第一候选资源的第二转化率；

其中，所述第一预测模型基于样本对象的第一数据训练得到，所述第二预测模型基于所述样本对象的第二数据训练得到。

4.根据权利要求1所述的资源推荐方法，其特征在于，所述方法还包括：

对于任一第一候选资源，获取所述第一候选资源的多个第一对象，所述第一对象为没有被推荐过所述第一候选资源的对象；

基于每个所述第一对象对多个目标资源的第一数据，获取所述第一候选资源的第一转化率，所述目标资源与所述第一候选资源来源于相同的上传对象。

5.根据权利要求1所述的资源推荐方法，其特征在于，所述基于所述多个第一候选资源的第一转化率和第二转化率，从所述多个第一候选资源中确定待推荐的资源包括：

获取每个所述第一候选资源的增量概率，所述增量概率为所述第一候选资源的第二转化率和第一转化率的差值，所述增量概率表示适合将所述第一候选资源推荐给所述目标对象的概率；

基于每个所述第一候选资源的增量概率，从所述多个第一候选资源中确定待推荐的资源。

6.根据权利要求5所述的资源推荐方法，其特征在于，所述基于每个所述第一候选资源的增量概率，从所述多个第一候选资源中确定待推荐的资源包括：

基于每个所述第一候选资源的增量概率，对每个所述第一候选资源的虚拟资源的数量进行调整，所述虚拟资源的数量为推荐所述第一候选资源所消耗的虚拟资源的数量；

基于调整后的虚拟资源的数量，从所述多个第一候选资源中，确定多个第二候选资源；

从所述多个第二候选资源中，确定待推荐的资源。

7.根据权利要求6所述的资源推荐方法，其特征在于，所述方法还包括：

获取每个所述第一候选资源的虚拟资源的数量上限，所述数量上限为在目标页面上推荐目标资源所消耗的虚拟资源的数量上限，所述目标资源与所述第一候选资源来源于相同的上传对象；

相应地，所述基于每个所述第一候选资源的增量概率，对每个所述第一候选资源的虚拟资源的数量进行调整包括：

基于每个所述第一候选资源的增量概率和虚拟资源的数量上限，对每个所述第一候选资源的虚拟资源的数量进行调整。

8.一种资源推荐装置，其特征在于，所述装置包括：

获取单元，被配置为执行获取目标对象的第一数据和第二数据，所述第一数据为所述目标对象对资源进行过的主动交互的数据，所述第二数据为所述目标对象基于推荐对资源进行过交互的数据；

预测单元，被配置为执行基于所述目标对象的第一数据和第二数据以及多个第一候选资源，获取所述多个第一候选资源的第一转化率和第二转化率，所述第一转化率表示所述目标对象对所述第一候选资源进行主动交互的概率，所述第二转化率表示所述目标对象基于推荐对所述第一候选资源进行交互的概率；

确定单元，被配置为执行基于所述多个第一候选资源的第一转化率和第二转化率，从所述多个第一候选资源中确定待推荐的资源；

推荐单元，被配置为执行基于所述待推荐的资源，向所述目标对象进行资源推荐。

9.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

用于存储所述处理器可执行程序代码的存储器；

其中，所述处理器被配置为执行所述程序代码，以实现如权利要求1至7中任一项所述的资源推荐方法。

10.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的程序代码由电子设备的处理器执行时，使得电子设备能够执行如权利要求1至7中任一项所述的资源推荐方法。