CN114385854A - 资源推荐方法、装置、电子设备及存储介质 - Google Patents
资源推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114385854A CN114385854A CN202210032781.7A CN202210032781A CN114385854A CN 114385854 A CN114385854 A CN 114385854A CN 202210032781 A CN202210032781 A CN 202210032781A CN 114385854 A CN114385854 A CN 114385854A
- Authority
- CN
- China
- Prior art keywords
- resource
- dimensions
- preset
- preset resource
- influence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Abstract
本公开是关于一种资源推荐方法、装置、电子设备及存储介质,属于计算机技术领域。方法包括:对用户账号对应的用户数据和待推荐的资源对应的资源数据进行特征提取,得到多个预设资源维度的编码特征;对多个该预设资源维度的编码特征进行解纠缠,得到多个该预设资源维度的影响特征,所述预设资源维度的影响特征表示属于所述预设资源维度的数据对交互结果的影响;基于多个该预设资源维度的影响特征进行预测,得到推荐结果。该方法充分获取到每个预设资源维度的特征,提高获取的特征的准确性,从而综合考虑该多个预设资源维度的影响确定推荐结果时,能够提高推荐的准确性。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种资源推荐方法、装置、电子设备及存储介质。
背景技术
随着计算机技术的发展,基于资源推荐模型向用户账号推荐资源已成为各个推荐场景下常用的推荐方式,例如,向用户账号推荐视频资源,或者向用户账号推荐商品资源等。
相关技术中,为了向用户账号推荐可能与该用户账号产生某种交互行为的资源,通常会训练出适用于这种交互行为的资源推荐模型。基于资源推荐模型对用户账号对应的用户数据和待推荐的资源对应的资源数据进行编码,得到编码特征,然后利用编码特征确定是否向该用户账号推荐该资源。
但是,这种资源推荐模型获取的编码特征没有充分提取到用户数据和资源数据中的信息,导致编码特征不够准确,从而导致推荐的准确性较差。
发明内容
本公开提供了一种资源推荐方法、装置、电子设备及存储介质,提高了推荐准确率。
根据本公开实施例的一方面,提供一种资源推荐方法,所述方法包括:
对用户账号对应的用户数据和待推荐的资源对应的资源数据进行特征提取,得到多个预设资源维度的编码特征;
对多个所述预设资源维度的编码特征进行解纠缠,得到多个所述预设资源维度的影响特征,所述预设资源维度的影响特征表示属于所述预设资源维度的数据对交互结果的影响,属于所述预设资源维度的数据包括所述用户数据和所述资源数据中属于所述预设资源维度的数据,所述交互结果包括所述用户账号对所述资源产生交互行为或者不产生所述交互行为,每个所述预设资源维度的影响特征不包含除所述预设资源维度之外的其他预设资源维度的影响特征;
基于多个所述预设资源维度的影响特征进行预测,得到推荐结果,所述推荐结果包括向所述用户账号推荐所述资源或者不向所述用户账号推荐所述资源。
在一些实施例中,所述资源数据包括属于多个所述预设资源维度的数据,所述对用户账号对应的用户数据和待推荐的资源对应的资源数据进行特征提取,得到多个预设资源维度的编码特征,包括:
对于每个所述预设资源维度,对所述用户数据和属于所述多个预设资源维度的数据进行编码,得到所述用户数据对应的用户特征和多个所述预设资源维度对应的资源特征;
分别获取所述用户特征的第一权重和多个所述资源特征的第一权重,所述第一权重表示对应的所述用户特征或所述资源特征与所述预设资源维度的相关程度;
基于多个所述第一权重,对所述用户特征和多个所述资源特征进行加权处理,得到所述预设资源维度的编码特征。
在一些实施例中,所述对多个所述预设资源维度的编码特征进行解纠缠,得到多个所述预设资源维度的影响特征,包括:
对于每个所述预设资源维度,基于所述预设资源维度的参考特征,分别从多个所述预设资源维度的编码特征中提取与所述参考特征匹配的影响特征,将提取得到的影响特征确定为所述预设资源维度的影响特征。
在一些实施例中,所述基于多个所述预设资源维度的影响特征进行预测,得到推荐结果,包括:
分别获取多个所述影响特征的第二权重,每个所述影响特征的第二权重表示在多个预设资源维度中,所述影响特征对应的预设资源维度对所述交互结果的影响程度;
基于多个所述第二权重,对多个所述影响特征进行加权处理,得到融合特征;
对所述融合特征进行预测,得到所述推荐结果。
在一些实施例中,资源推荐模型包括多个编码网络、解纠缠网络和推荐网络,每个所述编码网络与一个所述预设资源维度对应;
每个所述预设资源维度对应的所述编码网络用于对所述用户数据和所述资源数据进行特征提取,得到所述预设资源维度的编码特征;
所述解纠缠网络用于对多个所述预设资源维度的编码特征进行解纠缠,得到多个所述预设资源维度的影响特征;
所述推荐网络用于基于多个所述预设资源维度的影响特征进行预测,得到所述推荐结果。
根据本公开实施例的再一方面,提供一种资源推荐模型训练方法,所述方法包括:
获取样本数据,所述样本数据包括样本用户账号对应的样本用户数据和样本资源对应的样本资源数据,所述样本资源是根据是否与所述样本用户账号产生第一交互行为而选取的资源;
分别调用资源推荐模型中的多个编码网络,对所述样本用户数据和所述样本资源数据进行特征提取,得到多个预设资源维度的预测编码特征,每个所述编码网络与一个所述预设资源维度对应;
调用所述资源推荐模型中的解纠缠网络,对多个所述预设资源维度的预测编码特征进行解纠缠,得到多个所述预设资源维度的预测影响特征;
调用所述资源推荐模型中的推荐网络,基于多个所述预设资源维度的预测影响特征进行预测,得到预测推荐结果;
基于所述预测推荐结果,调整所述资源推荐模型中的模型参数。
在一些实施例中,所述解纠缠网络包括多个所述预设资源维度的参考特征,所述调用所述资源推荐模型中的解纠缠网络,对多个所述预设资源维度的预测编码特征进行解纠缠,得到多个所述预设资源维度的预测影响特征,包括:
对于每个所述预设资源维度,调用所述解纠缠网络,基于所述预设资源维度的参考特征,分别从多个所述预设资源维度的预测编码特征中提取与所述参考特征匹配的影响特征,将提取得到的影响特征确定为所述预设资源维度的预测影响特征。
在一些实施例中,所述样本资源对应的样本资源数据包括正样本资源对应的正样本资源数据,所述正样本资源是指与所述样本用户账号产生所述第一交互行为的资源;
所述分别调用资源推荐模型中的多个编码网络,对所述样本用户数据和所述样本资源数据进行特征提取,得到多个预设资源维度的预测编码特征,包括:
分别调用多个所述编码网络,对所述样本用户数据和所述正样本资源数据进行特征提取,得到多个所述预设资源维度的第一编码特征;
所述调用所述资源推荐模型中的解纠缠网络,对多个所述预设资源维度的预测编码特征进行解纠缠,得到多个所述预设资源维度的预测影响特征,包括:
调用所述解纠缠网络,对多个所述预设资源维度的第一编码特征进行解纠缠,得到多个所述预设资源维度的第一影响特征;
所述调用所述资源推荐模型中的推荐网络,基于多个所述预设资源维度的预测影响特征进行预测,得到预测推荐结果,包括:
调用所述推荐网络,基于多个所述预设资源维度的第一影响特征进行预测,得到第一推荐结果;
所述基于所述预测推荐结果,调整所述资源推荐模型中的模型参数,包括:
基于所述第一推荐结果,调整所述资源推荐模型中的模型参数。
在一些实施例中,所述样本资源对应的样本资源数据还包括负样本资源对应的负样本资源数据,所述负样本资源是指不与所述样本用户账号产生所述第一交互行为的资源;
所述分别调用资源推荐模型中的多个编码网络,对所述样本用户数据和所述样本资源数据进行特征提取,得到多个预设资源维度的预测编码特征,还包括:
分别调用多个所述编码网络,对所述样本用户数据和所述负样本资源数据进行特征提取,得到多个所述预设资源维度的第二编码特征;
所述调用所述资源推荐模型中的解纠缠网络,对多个所述预设资源维度的预测编码特征进行解纠缠,得到多个所述预设资源维度的预测影响特征,还包括:
调用所述解纠缠网络,对多个所述预设资源维度的第二编码特征进行解纠缠,得到多个所述预设资源维度的第二影响特征;
所述调用所述资源推荐模型中的推荐网络,基于多个所述预设资源维度的预测影响特征进行预测,得到预测推荐结果,还包括:
调用所述推荐网络,基于多个所述预设资源维度的第二影响特征进行预测,得到第二推荐结果;
所述基于所述第一推荐结果,调整所述资源推荐模型中的模型参数,包括:
基于所述第一推荐结果和所述第二推荐结果,调整所述资源推荐模型中的模型参数。
在一些实施例中,所述资源推荐模型训练方法还包括:
对多个所述资源维度中同一预设资源维度的第一影响特征和第二影响特征求均值,将所述均值确定为所述同一预设资源维度更新后的第一影响特征和第二影响特征;
分别获取每两个第一影响特征之间的第一相似度和每两个第二影响特征之间的第二相似度;
基于多个第一相似度和多个第二相似度,调整所述资源推荐模型的模型参数,以使每个第一相似度和每个第二相似度小于参考阈值。
在一些实施例中,初始的资源推荐模型用于向任一用户账号推荐与所述用户账号产生第二交互行为的资源,所述资源推荐模型包括多个预设资源维度对应的模型参数,每个所述预设资源维度对应的模型参数用于对属于每个所述预设资源维度的数据进行处理,所述第一交互行为与所述第二交互行为不同;
所述基于所述预测推荐结果,调整所述资源推荐模型中的模型参数,包括:
基于所述预测推荐结果,调整所述资源推荐模型中目标资源维度对应的模型参数,属于所述目标资源维度的数据对第一交互结果的影响与对第二交互结果的影响不同,第一交互结果包括用户账号对资源产生所述第一交互行为,所述第二交互结果包括用户账号对资源产生所述第二交互行为,调整后所述资源推荐模型用于向任一用户账号推荐与所述用户账号产生所述第一交互行为的资源。
在一些实施例中,所述基于所述预测推荐结果,调整所述资源推荐模型中目标资源维度对应的模型参数,包括:
基于所述预测推荐结果,调整所述目标资源维度对应的所述编码网络中的模型参数、调整所述解纠缠网络中用于对多个所述预设资源维度的编码特征按照所述目标资源维度进行解纠缠的模型参数,以及调整所述推荐网络中用于对解纠缠得到的所述目标资源维度的影响特征进行处理的模型参数。
根据本公开实施例的再一方面,提供一种资源推荐装置,所述装置包括:
特征提取单元,被配置为执行对用户账号对应的用户数据和待推荐的资源对应的资源数据进行特征提取,得到多个预设资源维度的编码特征;
解纠缠单元,被配置为执行对多个所述预设资源维度的编码特征进行解纠缠,得到多个所述预设资源维度的影响特征,所述预设资源维度的影响特征表示属于所述预设资源维度的数据对交互结果的影响,属于所述预设资源维度的数据包括所述用户数据和所述资源数据中属于所述预设资源维度的数据,所述交互结果包括所述用户账号对所述资源产生交互行为或者不产生所述交互行为,每个所述预设资源维度的影响特征不包含除所述预设资源维度之外的其他预设资源维度的影响特征;
推荐单元,被配置为执行基于多个所述预设资源维度的影响特征进行预测,得到推荐结果,所述推荐结果包括向所述用户账号推荐所述资源或者不向所述用户账号推荐所述资源。
在一些实施例中,所述资源数据包括属于多个所述预设资源维度的数据,所述特征提取单元,包括:
编码子单元,被配置为执行对于每个所述预设资源维度,对所述用户数据和属于所述多个预设资源维度的数据进行编码,得到所述用户数据对应的用户特征和多个所述预设资源维度对应的资源特征;
第一权重获取子单元,被配置为执行分别获取所述用户特征的第一权重和多个所述资源特征的第一权重,所述第一权重表示对应的所述用户特征或所述资源特征与所述预设资源维度的相关程度;
影响特征获取子单元,被配置为执行基于多个所述第一权重,对所述用户特征和多个所述资源特征进行加权处理,得到所述预设资源维度的编码特征。
在一些实施例中,所述解纠缠单元,被配置为执行对于每个所述预设资源维度,基于所述预设资源维度的参考特征,分别从多个所述预设资源维度的编码特征中提取与所述参考特征匹配的影响特征,将提取得到的影响特征确定为所述预设资源维度的影响特征。
在一些实施例中,所述推荐单元,包括:
第二权重获取子单元,被配置为执行分别获取多个所述影响特征的第二权重,每个所述影响特征的第二权重表示在多个所述预设资源维度中,所述影响特征对应的预设资源维度对所述交互结果的影响程度;
融合特征获取子单元,被配置执行基于多个所述第二权重,对多个所述影响特征进行加权处理,得到融合特征;
推荐子单元,被配置为执行对所述融合特征进行预测,得到所述推荐结果。
在一些实施例中,资源推荐模型包括多个编码网络、解纠缠网络和推荐网络,每个所述编码网络与一个所述预设资源维度对应;
每个所述预设资源维度对应的所述编码网络用于对所述用户数据和所述资源数据进行特征提取,得到所述预设资源维度的编码特征;
所述解纠缠网络用于对多个所述预设资源维度的编码特征进行解纠缠,得到多个所述预设资源维度的影响特征;
所述推荐网络用于基于多个所述预设资源维度的影响特征进行预测,得到所述推荐结果。
根据本公开实施例的再一方面,提供一种资源推荐模型训练装置,所述装置包括:
样本获取单元,被配置为执行获取样本数据,所述样本数据包括样本用户账号对应的样本用户数据和样本资源对应的样本资源数据,所述样本资源是根据是否与所述样本用户账号产生第一交互行为而选取的资源;
特征提取单元,被配置为执行分别调用资源推荐模型中的多个编码网络,对所述样本用户数据和所述样本资源数据进行特征提取,得到多个预设资源维度的预测编码特征,每个所述编码网络与一个所述预设资源维度对应;
解纠缠单元,被配置为执行调用所述资源推荐模型中的解纠缠网络,对多个所述预设资源维度的预测编码特征进行解纠缠,得到多个所述预设资源维度的预测影响特征;
推荐单元,被配置为执行调用所述资源推荐模型中的推荐网络,基于多个所述预设资源维度的预测影响特征进行预测,得到预测推荐结果;
训练单元,被配置为执行基于所述预测推荐结果,调整所述资源推荐模型中的模型参数。
在一些实施例中,所述解纠缠网络包括多个所述预设资源维度的参考特征,所述解纠缠单元,被配置为执行对于每个所述预设资源维度,调用所述解纠缠网络,基于所述预设资源维度的参考特征,分别从多个所述预设资源维度的预测编码特征中提取与所述参考特征匹配的影响特征,将提取得到的影响特征确定为所述预设资源维度的预测影响特征。
在一些实施例中,所述样本资源对应的样本资源数据包括正样本资源对应的正样本资源数据,所述正样本资源是指与所述样本用户账号产生所述第一交互行为的资源;
所述特征提取单元,被配置为执行分别调用多个所述编码网络,对所述样本用户数据和所述正样本资源数据进行特征提取,得到多个所述预设资源维度的第一编码特征;
所述解纠缠单元,被配置为执行调用所述解纠缠网络,对多个所述预设资源维度的第一编码特征进行解纠缠,得到多个所述预设资源维度的第一影响特征;
所述推荐单元,被配置为执行调用所述推荐网络,基于多个所述预设资源维度的第一影响特征进行预测,得到第一推荐结果;
所述训练单元,被配置为执行基于所述第一推荐结果,调整所述资源推荐模型中的模型参数。
在一些实施例中,所述样本资源对应的样本资源数据还包括负样本资源对应的负样本资源数据,所述负样本资源是指不与所述样本用户账号产生所述第一交互行为的资源;
所述特征提取单元,被配置为执行分别调用多个所述编码网络,对所述样本用户数据和所述负样本资源数据进行特征提取,得到多个所述预设资源维度的第二编码特征;
所述解纠缠单元,被配置为执行调用所述解纠缠网络,对多个所述预设资源维度的第二编码特征进行解纠缠,得到多个所述预设资源维度的第二影响特征;
所述推荐单元,被配置为执行调用所述推荐网络,基于多个所述预设资源维度的第二影响特征进行预测,得到第二推荐结果;
所述训练单元,被配置为执行基于所述第一推荐结果和所述第二推荐结果,调整所述资源推荐模型中的模型参数。
在一些实施例中,所述训练单元,被配置为执行:
对多个所述资源维度中同一预设资源维度的第一影响特征和第二影响特征求均值,将所述均值确定为所述同一预设资源维度更新后的第一影响特征和第二影响特征;
分别获取每两个第一影响特征之间的第一相似度和每两个第二影响特征之间的第二相似度;
基于多个第一相似度和多个第二相似度,调整所述资源推荐模型的模型参数,以使每个第一相似度和每个第二相似度小于参考阈值。
在一些实施例中,初始的资源推荐模型用于向任一用户账号推荐与所述用户账号产生第二交互行为的资源,所述资源推荐模型包括多个预设资源维度对应的模型参数,每个所述预设资源维度对应的模型参数用于对属于每个所述预设资源维度的数据进行处理,所述第一交互行为与所述第二交互行为不同;
所述训练单元,被配置为执行基于所述预测推荐结果,调整所述资源推荐模型中目标资源维度对应的模型参数,属于所述目标资源维度的数据对第一交互结果的影响与对第二交互结果的影响不同,第一交互结果包括用户账号对资源产生所述第一交互行为或者不产生所述第一交互行为,所述第二交互结果包括用户账号对资源产生所述第二交互行为或者不产生所述第二交互行为,调整后所述资源推荐模型用于向任一用户账号推荐与所述用户账号产生所述第一交互行为的资源。
在一些实施例中,所述训练单元,被配置为执行基于所述预测推荐结果,调整所述目标资源维度对应的所述编码网络中的模型参数、调整所述解纠缠网络中用于对多个所述预设资源维度的编码特征按照所述目标资源维度进行解纠缠的模型参数,以及调整所述推荐网络中用于对解纠缠得到的所述目标资源维度的影响特征进行处理的模型参数。
根据本公开实施例的再一方面,提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
用于存储所述一个或多个处理器可执行指令的存储器;
其中,所述一个或多个处理器被配置为执行上述方面所述的资源推荐方法或者资源推荐模型训练方法。
根据本公开实施例的再一方面,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,使得电子设备能够执行上述方面所述的资源推荐方法或者资源推荐模型训练方法。
根据本公开实施例的再一方面,提供一种计算机程序产品,该计算机程序产品包括计算机程序,所述计算机程序被处理器执行以实现上述方面所述的资源推荐方法或者资源推荐模型训练方法。
本公开实施例中,提供了一种新的资源推荐方式,在进行资源推荐的过程中,获取每个预设资源维度的编码特征和影响特征,该预设资源维度的影响特征表示属于该预设资源维度的数据对交互结果的影响,也即是在进行推荐时,先分开考虑每个预设资源维度对是否产生交互行为的影响,以充分获取到每个预设资源维度的特征,提高获取的特征的准确性,从而综合考虑该多个预设资源维度的影响确定推荐结果时,能够提高推荐的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种实施环境的示意图。
图2是根据一示例性实施例示出的一种资源推荐方法的流程图。
图3是根据一示例性实施例示出的另一种资源推荐方法的流程图。
图4是根据一示例性实施例示出的一种资源推荐模型的示意图。
图5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6是根据一示例性实施例示出的一种资源推荐模型的示意图。
图7是根据一示例性实施例示出的一种相关技术中的资源推荐模型的示意图。
图8是根据一示例性实施例示出的一种资源推荐模型训练方法的流程图。
图9是根据一示例性实施例示出的一种解纠缠网络的示意图。
图10是根据一示例性实施例示出的一种资源推荐模型训练方法的流程图。
图11是根据一示例性实施例示出的一种资源推荐模型训练方法的流程图。
图12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13是根据一示例性实施例示出的一种资源推荐模型训练装置的框图。
图14是根据一示例性实施例示出的一种终端的结构框图。
图15是根据一示例性实施例示出的一种服务器的结构框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图说明中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是,本公开所使用的术语“至少一个”、“多个”、“每个”、“任一”等,至少一个包括一个、两个或两个以上,多个包括两个或两个以上,每个是指对应的多个中的每一个,任一是指多个中的任意一个。举例来说,多个预设资源维度包括3个预设资源维度,而每个预设资源维度是指这3个预设资源维度中的每一个预设资源维度,任一是指这3个预设资源维度中的任意一个,可以是第一个,可以是第二个,也可以是第三个。
需要说明的是,本公开所涉及的用户数据(包括但不限于用户设备数据、用户个人新数据等),均为经用户授权或者经过各方充分授权的信息。
本公开实施例提供的资源推荐方法或资源推荐模型训练方法的执行主体为电子设备。可选地,该电子设备为终端或服务器,则该资源推荐方法或资源推荐模型训练方法能够由终端或者服务器实现,或者由终端和服务器之间的交互实现,本公开实施例对此不加以限定。
图1是根据一示例性实施例示出的一种实施环境的示意图,参见图1,该实施环境包括:终端110与服务器120。终端110通过无线网络或有线网络与服务器120相连。
可选地,终端110为智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端110可以泛指多个终端中的一个,本实施例仅以终端110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。在一些实施例中,终端110安装有由服务器120提供服务的资源展示应用。终端110能够通过该资源展示应用实现与服务器120之间的数据交互。该资源展示应用为视频应用、音乐应用、购物应用等。
可选地,服务器120为一台服务器、或者由若干服务器组成的服务器集群,或者是一个云计算服务中心。服务器120的数量可以更多或更少,本公开实施例对此不加以限定。当然,服务器120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。
在本公开实施例中,用户在终端110上对资源进行某一种交互行为,终端110登录有该用户对应的用户账号,因此用户账号与资源之间产生交互行为,终端110获取到该交互行为对应的数据,向服务器120发送该数据,由服务器120基于该数据训练资源推荐模型。服务器120基于训练好的资源推荐模型确定推荐给该用户账号的资源,服务器120将资源发送至登录该用户账号的终端110,终端110展示该资源,以使操作终端110的用户能够查看该资源。
需要说明的是,本公开实施例中用来训练资源推荐模型的数据既能够由终端上传至服务器,也能够由服务器自行获得,本公开实施例对此不加以限定。
在介绍完本公开实施例的实施环境之后,下面将结合上述实施环境,对本公开实施例的应用场景进行介绍。需要说明的是,在下述说明过程中,终端也即是上述终端110,服务器也即是上述服务器120。
在一些实施例中,本公开实施例提供的方法能够应用在视频推荐场景中。用户在终端上登录用户账号,终端将该用户账号发送给服务器,服务器采用本公开实施例提供的视频推荐方法,获取待推荐的视频,并基于用户账号对应的用户数据和视频对应的视频数据,确定是否向该用户账号推荐该视频,在确定向该用户账号推荐该视频时,将该视频发送给终端,由终端显示该视频,从而实现为用户账号推荐视频。
另外,本公开实施例提供的方法还能够应用在音乐推荐、商品推荐、文章推荐等向用户账号推荐资源的场景下,本公开实施例在此不再赘述。
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,参见图2,该方法的执行主体为电子设备,包括以下步骤:
在步骤201中,电子设备对用户账号对应的用户数据和待推荐的资源对应的资源数据进行特征提取,得到多个预设资源维度的编码特征。
其中,用户数据至少包括用户账号、该用户账号所属的用户类型、该用户账号对应的用户活跃度或其他与该用户账号相关的数据。资源数据包括资源的各项属性数据。预设资源维度是基于资源划分的、用户感兴趣的维度,对于不同的资源,能够划分得到不同的资源维度。
由于需要综合考虑用户对资源的每个预设资源维度的感兴趣情况,确定是否向用户账号推荐资源。因此,本公开实施例中,针对每个预设资源维度,分别获取了对应的编码特征。每个预设资源维度的编码特征至少用于描述属于该预设资源维度的用户数据和资源数据。
在步骤202中,电子设备对多个预设资源维度的编码特征进行解纠缠,得到多个预设资源维度的影响特征,预设资源维度的影响特征表示属于该预设资源维度的数据对交互结果的影响,属于该预设资源维度的数据包括用户数据和资源数据中属于该预设资源维度的数据,交互结果包括用户账号对资源产生交互行为或者不产生交互行为,每个预设资源维度的影响特征不包含除该预设资源维度之外的其他预设资源维度的影响特征。
由于每个预设资源维度的编码特征中还包含除描述该预设资源维度之外的、描述其他预设资源维度的用户数据和资源数据的特征,因此,对于每个预设资源维度,为了获取到单独的、仅用于描述该预设资源维度的用户数据和资源数据的特征,需要对多个预设资源维度的编码特征进行解纠缠,以将混合在一起的编码特征分离开,从而得到每个预设资源维度的影响特征。
其中,交互行为是指用户账号能够对资源产生的行为。以资源为视频为例,该交互行为包括点赞行为、转发行为、评论行为、收藏行为或其他行为。
在步骤203中,电子设备基于多个预设资源维度的影响特征进行预测,得到推荐结果,该推荐结果包括向该用户账号推荐该资源或者不向该用户账号推荐该资源。
由于每个预设资源维度的影响特征能够表示属于该预设资源维度的用户数据和资源数据导致用户账号对资源产生交互行为的可能性,而在最终确定是否向用户账号推荐资源时,需要考虑多个预设资源维度的影响特征的影响,因此,基于多个预设资源维度的影响特征进行预测,得到推荐结果。
本公开实施例中,提供了一种新的资源推荐方式,在进行资源推荐的过程中,获取每个预设资源维度的编码特征和影响特征,该预设资源维度的影响特征表示属于该预设资源维度的数据对交互结果的影响,也即是在进行推荐时,先分开考虑每个预设资源维度对是否产生交互行为的影响,以充分获取到每个预设资源维度的特征,提高获取的特征的准确性,从而综合考虑该多个预设资源维度的影响确定推荐结果时,能够提高推荐的准确性。
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图,参见图3,该方法的执行主体为电子设备,包括以下步骤:
在步骤301中,电子设备获取用户账号对应的用户数据和待推荐的资源对应的资源数据。
其中,用户数据至少包括用户账号、该用户账号所属的用户类型、该用户账号对应的用户活跃度或其他与该用户账号相关的数据。资源数据包括资源的各项属性数据。例如,以资源为视频为例,该资源数据包括视频标识、该视频所属的视频类型、该视频的视频作者、该视频作者所属的作者类型、视频时长、视频热度或其他与该视频相关的数据。
预设资源维度是基于资源划分的、用户感兴趣的维度,对于不同的资源,能够划分得到不同的资源维度。以资源为视频为例,用户对某种类型的视频内容感兴趣、或者对某种视频时长感兴趣或者对某个发布视频的作者感兴趣,则对应的预设资源维度可以为视频内容维度、视频时长维度和视频作者维度。
虽然用户数据和资源数据在划分方式上存在不同,但是对于用户数据来说,该用户数据中也包含表示用户兴趣的信息,例如用户类型能够在一定程度上表示用户感兴趣的视频。也就是说,用户数据中包含属于每个预设资源维度的数据。
在一些实施例中,用户账号为登录目标应用的账号,电子设备存储有该用户账号对应的用户数据,待推荐的资源和该资源对应的资源数据为该电子设备存储的,或者,该电子设备存储有待推荐的资源,电子设备确定了用户账号对应的待推荐的资源之后,从其他设备获取该待推荐的资源对应的资源数据,本公开实施例对电子设备获取用户数据、资源数据的方式不做限定。
在步骤302中,电子设备对于每个预设资源维度,对该用户数据和资源数据进行特征提取,得到该预设资源维度的编码特征。
本公开实施例中,为了获取用户对资源对应的每个预设资源维度的感兴趣情况,分别获取每个预设资源维度的编码特征,每个预设资源维度的编码特征至少用于描述属于该预设资源维度的用户数据和资源数据。
在一些实施例中,电子设备对用户数据进行编码,得到该用户数据对应的用户特征,该用户特征用于描述用户账号所属的用户的偏好;将资源数据按照多个预设资源维度划分为多个部分的数据,即将资源数据划分为属于多个预设资源维度的数据,分别对属于每个预设资源维度的数据进行编码,得到每个预设资源维度对应的资源特征,每个预设资源维度对应的资源特征用于描述资源数据中属于该预设资源维度的数据。以资源为视频为例,多个预设资源维度包括视频内容维度、视频作者维度和视频时长维度,则将资源数据划分为属于视频内容维度的数据(视频内容数据)、属于视频作者维度的数据(视频作者数据)和属于视频时长维度的数据(视频时长数据)。也即是,对于每个预设资源维度,电子设备对用户数据和属于多个预设资源维度的数据进行编码,得到用户数据对应的用户特征和多个预设资源维度对应的资源特征。
在获取每个预设资源维度的编码特征时,不同的预设资源维度对应的资源特征对该预设资源维度的编码特征的重要性不同,例如,对于视频内容维度,在获取属于该视频内容维度的编码特征时,属于视频内容维度的资源特征相比于属于视频时长维度的资源特征更为重要。因此,电子设备分别获取用户特征的第一权重和多个资源特征的第一权重,基于多个第一权重,对用户特征和多个资源特征进行加权处理,得到该预设资源维度的编码特征。
其中,第一权重表示对应的用户特征或资源特征与预设资源维度的相关程度,该第一权重越大,表示对应的用户特征或资源特征与该预设资源维度的相关程度越大,即对应的用户特征或资源特征在后续确定的编码特征中重要性越大;第一权重越小,表示对应的用户特征或资源特征与该预设资源维度的相关程度越小,即对应的用户特征或资源特征在后续确定的编码特征中重要性越小。
本公开实施例中,针对每个预设资源维度,分别获取对应的编码特征,能够充分提取到用户数据和资源数据中每个资源预设维度的信息,使编码特征更加准确。并且由于用户数据和资源数据中属于的不同预设资源维度的数据,对不同的预设资源维度的影响是不同的,因此通过获取权重,并进行加权处理的方式,能够使每个编码特征更加准确。
在步骤303中,电子设备对多个预设资源维度的编码特征进行解纠缠,得到多个预设资源维度的影响特征。
由于每个预设资源维度的编码特征中还包含除描述该预设资源维度之外的、描述其他预设资源维度的用户数据和资源数据的特征,因此,对于每个预设资源维度,为了获取到单独的、仅用于描述该预设资源维度的用户数据和资源数据的特征,需要对多个预设资源维度的编码特征进行解纠缠,以将混合在一起的编码特征分离开,从而得到每个预设资源维度的影响特征,以使每个预设资源维度的影响特征能够准确表示属于该预设资源维度的数据对交互结果的影响。其中,属于预设资源维度的数据包括用户数据和资源数据中属于该预设资源维度的数据,交互结果包括用户账号对资源产生交互行为或者不产生交互行为。
本公开实施例中,解纠缠是指将每个预设资源维度的编码特征中包含的用于描述属于多个预设资源维度的数据的特征,按照数据所属的预设资源维度的不同分离开,并将用于描述同一预设资源维度的数据的特征聚集在一起。
例如,资源为视频,多个预设资源维度包括视频内容维度、视频作者维度和视频时长维度,视频内容维度的编码特征包含描述属于视频内容维度的数据的特征、描述属于视频作者维度的数据的特征以及描述属于视频时长维度的特征,同样的,视频作者维度的编码特征和视频时长维度的编码特征同样也包含属于这三个维度的数据的特征,不同的是,视频内容维度的编码特征中描述属于视频内容维度的数据的特征所占的比重较大,视频作者维度的编码特征中描述属于视频作者维度的数据的特征所占的比重较大,视频时长维度的编码特征中描述属于视频时长维度的数据的特征所占的比重较大。对于这三个维度的编码特征,通过对这三个维度的编码特征进行解纠缠,能够分别将视频内容维度的编码特征、视频作者维度的编码特征和视频时长维度的编码特征中描述属于不同的维度的数据的特征分离开,然后将描述属于视频内容维度的数据的特征聚集在一起作为视频内容维度的影响特征,将描述视频作者维度的数据的特征聚集在一起作为视频作者维度的影响特征,将描述视频时长维度的数据的特征聚集在一起作为视频时长维度的影响特征。
又例如,资源为物品,多个预设资源维度包括物品类型和物品价格,物品类型维度的编码特征包含描述属于物品类型维度的数据的特征和描述属于物品价格维度的数据的特征,同样的,物品价格维度的编码特征也包含属于这两个维度的数据的特征,不同的是,物品类型维度的编码特征中描述属于物品类型维度的数据的特征所占的比重较大,物品价格维度的编码特征中描述属于物品价格维度的数据的特征所占的比重较大。对于这两个维度的编码特征,通过对这两个维度的编码特征进行解纠缠,能够分别将物品类型维度的编码特征和物品价格维度的编码特征中描述属于不同的维度的数据的特征分离开,然后将描述属于物品类型维度的数据的特征聚集在一起作为物品类型维度的影响特征,将描述物品价格维度的数据的特征聚集在一起作为物品价格维度的影响特征。
在一些实施例中,通过对多个预设资源维度的编码特征进行聚类实现解纠缠。对于每个预设资源维度,电子设备基于该预设资源维度的参考特征,分别从多个预设资源维度的编码特征中提取与参考特征匹配的影响特征,将提取得到的影响特征确定为该预设资源维度的影响特征。其中,预设资源维度的参考特征是预先设置的,电子设备基于该预设资源维度的参考特征,实现对该多个预设资源维度的编码特征的聚类,并且,在聚类过程中,对于每个编码特征,能够将该编码特征中对应于不同预设参考维度的特征分离开,使聚类后每个预设资源维度的影响特征中不包含除该预设资源维度之外的其他预设资源维度的影响特征,从而使每个预设资源维度的影响特征能够表示属于该预设资源维度的数据对交互结果的影响。
本公开实施例对该交互行为的类型不做限定。例如,交互行为为点赞行为、转发行为、收藏行为、购买行为或其他交互行为。
在步骤304中,电子设备基于多个预设资源维度的影响特征进行预测,得到推荐结果。
由于不同的预设资源维度对交互结果的影响不同,例如,需要预测用户是否会对视频进行点赞,此时,该视频的视频内容、视频作者、视频时长等不同的预设资源维度对交互结果的影响不同。
因此,在一些实施例中,为了能够反映不同预设资源维度在进行预测时的重要程度,电子设备分别获取多个影响特征的第二权重。其中,每个影响特征的第二权重表示在多个预设资源维度中,影响特征对应的预设资源维度对交互结果的影响程度,该第二权重越大,表示该第二权重对应的预设资源维度的影响特征对交互结果的影响越大,该第二权重越小,表示该第二权重对应的预设资源维度的影响特征对交互结果的影响越小。
然后电子设备基于多个第二权重,对多个影响特征进行加权处理,得到融合特征。可选地,电子设备对多个影响特征进行加权平均或者对多个影响特征进行加权求和,得到融合特征。其中,该融合特征表示用户数据和资源数据导致用户账号对资源产生交互行为的可能性。
最后电子设备对融合特征进行预测,得到推荐结果。其中,该推荐结果包括向用户账号推荐资源或者不向用户账号推荐资源。
本公开实施例中,通过获取权重,并进行加权处理,考虑到了不同的预设资源维度在进行预测时的重要程度,从而使推荐结果更加准确。
在一些实施例中,推荐结果采用概率表示,在概率大于预设阈值的情况下,确定向用户账号推荐该资源,在概率不大于该预设阈值的情况下,确定不向该用户账号推荐该资源。其,预设阈值为预先设置的任一大于0、小于1的数值,例如预设阈值为0.8、0.7或其他数值。
本公开实施例提供的方法,提供了一种新的资源推荐方式,在进行资源推荐的过程中,获取每个预设资源维度的编码特征和影响特征,该预设资源维度的影响特征表示属于该预设资源维度的数据对交互结果的影响,也即是在进行推荐时,先分开考虑每个预设资源维度对是否产生交互行为的影响,以充分获取到每个预设资源维度的特征,提高获取的特征的准确性,从而综合考虑该多个预设资源维度的影响确定推荐结果时,能够提高推荐的准确性。
上述图2和图3所示的实施例中,介绍了资源推荐过程,在一些实施例中,能够使用资源推荐模型进行资源推荐,参见图4,该资源推荐模型包括多个编码网络401(图4中以3个为例)、解纠缠网络402和推荐网络403,每个编码网络401与一个预设资源维度对应。
图5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,参见图5,该方法的执行主体为电子设备,包括以下步骤:
在步骤501中,电子设备调用每个预设资源维度对应的编码网络,对用户账号对应的用户数据和待推荐的资源对应的资源数据进行特征提取,得到该预设资源维度的编码特征。
本公开实施例中,每个编码网络的输入都是用户数据和资源数据。由于多个预设资源维度对应的编码网络中模型参数不同,因此在对用户数据和资源数据进行特征提取时,每个编码网络关注的重要数据不同,从而得到的编码特征也不相同。即编码网络能够模拟预设资源维度的编码特征与输入数据之间的映射关系,以资源为视频为例,用户对于视频的视频时长兴趣仅和用户数据和资源数据中的视频时长数据有关,而与其他数据无关,即用户数据和视频时长数据为重要数据,其他数据为次要数据。
对于任一预设资源维度对应的编码网络来说,该编码网络包括编码层和注意力层。电子设备调用编码层,对用户数据和资源数据进行编码,得到该用户数据对应的用户特征和多个预设资源维度对应的资源特征;调用注意力层,分别获取用户特征的第一权重和多个资源特征的第一权重,基于多个第一权重,对用户特征和多个资源特征进行加权处理,得到该预设资源维度的编码特征。
可选地,注意力层为自注意力层、稀疏自注意力层或其他注意力层。
在步骤502中,电子设备调用解纠缠网络,对多个预设资源维度的编码特征进行解纠缠,得到多个预设资源维度的影响特征。
电子设备调用解纠缠网络,将多个预设资源维度的编码特征按照预设资源维度的不同进行解纠缠,得到每个预设资源维度单独的影响特征。
在一些实施例中,对于每个预设资源维度,电子设备基于该预设资源维度的参考特征,分别从多个预设资源维度的编码特征中提取与该参考特征匹配的影响特征,将提取得到的影响特征确定为该预设资源维度的影响特征。
在步骤503中,电子设备调用推荐网络,基于多个预设资源维度的影响特征进行预测,得到推荐结果,该推荐结果包括向用户账号推荐资源或者不向用户账号推荐资源。
在一些实施例中,推荐网络包括注意力层和预测层。电子设备调用注意力层,分别获取多个影响特征的第二权重;调用所述预测层,基于多个第二权重,对多个影响特征进行加权处理,得到融合特征,对融合特征进行预测,得到推荐结果。
在一些实施例中,该资源推荐模型的模型结构参见图6,该资源推荐模型以三个预设资源维度为例,该资源推荐模型的输入数据为X,该X={X1,X2,……Xn}。将该输入数据分别输入至每个预设资源维度对应的编码(Encoder)网络,经过每个预设资源维度对应的编码网络对输入数据进行特征提取,得到每个预设资源维度的编码特征,在将多个编码特征输入至解纠缠(Interest Disentangler)网络,得到每个预设资源维度的影响特征,最后将该多个影响特征输入至推荐(Interest Aggregator)网络,得到推荐结果。
而相关技术中的资源推荐模型,参见图7,将输入数据输入至交互层(InteractionLayer),得到编码特征,然后将编码特征输入至预测层(Prediction Layer),得到推荐结果。与本公开实施例中提供的资源推荐模型相比,相关技术中的资源推荐模型缺少了解纠缠网络,且没有针对每个预设资源维度分别得到对应的编码特征,而是通过一个编码网络对输入数据进行处理,得到整体的编码特征。
并且,从数据分布角度来说,相关技术中是输入数据X到交互行为Y的映射,而本公开实施例则是输入数据X到预设资源维度Z的映射,和预设资源维度Z到交互行为Y的映射。不同场景的数据分布不同,在P(Y|X)上的分布变化远大于P(Z|X)和P(Y|Z)的变化,因此本公开实施例相比于相关技术的方案,具有更强的泛化能力。其中,P(Y|X)表示从X到Y的映射分布,P(Z|X)表示从X到Z的映射分布,P(Y|Z)表示从Z到Y的映射分布。
本公开实施例提供的方法,利用资源推荐模型,在进行资源推荐的过程中,获取每个预设资源维度的编码特征和影响特征,该预设资源维度的影响特征表示属于该预设资源维度的数据对交互结果的影响,也即是在进行推荐时,先分开考虑每个预设资源维度对是否产生交互行为的影响,以充分获取到每个预设资源维度的特征,提高获取的特征的准确性,从而综合考虑该多个预设资源维度的影响确定推荐结果时,能够提高推荐的准确性。
下面对资源推荐模型的训练过程进行说明。本公开实施例中,以训练用于预测用户账号对资源否有可能产生第一交互行为的资源推荐模型为例,该资源推荐模型的训练包括两种情况,第一种是:直接对未经过训练的资源推荐模型进行训练,得到该资源推荐模型;第二种是:先获取到用于预测用户账号对资源是否有可能产生第二交互行为的资源推荐模型,在该资源推荐模型的基础上,对该资源推荐模型中目标资源维度对应的模型参数进行调整,以得到用于预测用户账号对资源是否有可能产生第一交互行为的资源推荐模型,该第一交互行为与第二交互行为不同。下面先针对第一种情况进行说明:
图8是根据一示例性实施例示出的一种资源推荐模型训练方法的流程图,参见图8,该方法的执行主体为电子设备,包括以下步骤:
在步骤801中,电子设备获取样本数据,该样本数据包括样本用户数据和样本资源数据。
其中,样本资源是根据是否与样本用户账号产生第一交互行为而选取的资源。可选地,该样本资源包括正样本资源和负样本资源,其中,正样本资源是指与样本用户账号产生第一交互行为的资源,负样本资源是指不与样本用户账号产生第一交互行为的资源。
在一些实施例中,该样本数据还包括样本资源数据对应的样本资源的标注数据,该标注数据表示该样本资源与样本用户数据对应的样本用户账号是否产生过第一交互行为。例如标注数据为1,则表示样本资源与样本用户账号产生过第一交互行为,标注数据为0,则表示样本资源与样本用户账号未产生第一交互行为。
需要说明的是,本公开实施例仅是以针对同一样本用户账号,获取该样本用户账号对应的样本对(正样本资源和负样本资源)作为训练数据为例进行说明,在另一实施例中,能够获取不同的样本用户账号对应的正样本资源和负样本资源作为训练数据。
在步骤802中,电子设备调用资源推荐模型中的多个编码网络,对样本用户数据和样本资源数据进行特征提取,得到多个预设资源维度的预测编码特征。
在步骤803中,电子设备调用资源推荐模型中的解纠缠网络,对多个预设资源维度的预测编码特征进行解纠缠,得到多个预设资源维度的预测影响特征。
在一些实施例中,解纠缠网络包括多个预设资源维度的参考特征,对于每个预设资源维度,调用该解纠缠网络,基于预设资源维度的参考特征,分别从多个预设资源维度的预测编码特征中提取与该参考特征匹配的影响特征,将提取得到的影响特征确定为该预设资源维度的预测影响特征。
在步骤804中,电子设备调用资源推荐模型中的推荐网络,基于多个预设资源维度的预测影响特征进行预测,得到预测推荐结果。
步骤802-步骤804中调用资源推荐模型,基于样本用户数据和样本资源数据进行预测,得到预测推荐结果的实施方式,与上述步骤501-步骤503的实施方式同理,在此不再赘述。
在一些实施例中,在样本资源对应的样本资源数据包括正样本资源对应的正样本资源数据的情况下,电子设备调用资源推荐模型,对样本用户数据和正样本资源数据进行处理,得到正样本资源的第一推荐结果。可选地,电子设备调用多个预设资源维度对应的编码网络,对样本用户数据和正样本资源数据进行特征提取,得到多个预设资源维度的第一编码特征;调用解纠缠网络,对多个预设资源维度的第一编码特征进行解纠缠,得到多个预设资源维度的第一影响特征;调用推荐网络,基于多个第一影响特征进行预测,得到第一推荐结果。
在样本资源对应的样本资源数据还包括负样本资源对应的负样本资源数据的情况下,电子设备调用资源推荐模型,对样本用户数据和负样本资源数据进行处理,得到负样本资源的第二推荐结果。可选地,电子设备调用多个预设资源维度的编码网络,对样本用户数据和负样本资源数据进行特征提取,得到多个预设资源维度的第二编码特征;调用解纠缠网络,对多个预设资源维度的第二编码特征进行解纠缠,得到多个预设资源维度的第二影响特征,每个预设资源维度的第二影响特征不包含除预设资源维度之外的其他预设资源维度的影响特征;调用推荐网络,基于多个第二影响特征进行预测,得到第二推荐结果。
本公开实施例中,利用样本对进行训练,能够使资源推荐模型学习到不同的预设资源维度的特征所表示的含义。例如,样本用户基于样本用户账号点击了篮球短视频,而没有点击篮球长视频,则用户可能喜欢篮球但是不喜欢长视频,因此这一样本对表示该用户的视频内容维度上的偏好较为相似,而在视频时长维度上的偏好不相似。因此将得到的影响特征分为两组,一组为相似兴趣,另一组为不相似兴趣,相似兴趣组的正样本和负样本的影响特征会取平均作为后续网络的输入,而不相似兴趣组的正样本和负样本表征则不改变。那么,使取平均组的影响特征建模了正样本和负样本的相似兴趣,而使不取平均组的影响特征建模了正样本和负样本的不同兴趣。
例如,参见图9所示的解纠缠网络的示意图,将正样本资源对应的四个第一编码特征z1={z11,z12,z13,z14}输入至该解纠缠网络,得到解纠缠后的四个第一影响特征,同理,将负样本资源对应的四个第二编码特征z2={z21,z22,z23,z24}输入至该解纠缠网络,得到解纠缠后的四个第二影响特征。
在步骤805中,电子设备基于预测推荐结果,调整该资源推荐模型中的模型参数。
电子设备根据样本资源数据对应的样本资源是否是已与样本用户账号发生过第一交互行为的资源,确定该预测推荐结果是否准确,并根据确定的结果调整资源推荐模型中的模型参数。
在一些实施例中,资源推荐模型包括多个预设资源维度对应的模型参数,则电子设备能够基于该预测推荐结果,分别调整该多个预设资源维度对应的模型参数,得到训练后的资源推荐模型。
在一些实施例中,电子设备基于预测推荐结果和标注数据之间的差异,训练该资源推荐模型。
在一些实施例中,在样本资源包括正样本资源和负样本资源的情况下,电子设备基于第一推荐结果和第二推荐结果,训练该资源推荐模型。可选地,确定正样本资源对应的第一推荐结果是否表征向样本用户账号推荐该正样本资源,根据确定的结果调整资源推荐模型中的模型参数;确定负样本资源对应的第二推荐结果是否表征不向样本用户账号推荐该负样本资源,根据确定的结果调整资源推荐模型中的模型参数。
可选地,推荐结果采用概率表示,采用下述第一损失函数,训练该资源推荐模型:
在一些实施例中,在样本资源包括正样本资源和负样本资源的情况下,电子设备对多个资源维度中同一预设资源维度的第一影响特征和第二影响特征求均值,将均值确定为同一预设资源维度更新后的第一影响特征和第二影响特征;分别获取每两个第一影响特征之间的第一相似度和每两个第二影响特征之间的第二相似度。其中,第一相似度和第二相似度表示每两个第一影响特征之间的相似程度,第二相似度表示每两个第二影响特征之间的相似程度。然后基于多个第一相似度和多个第二相似度,调整资源推荐模型中目标资源维度对应的模型参数,以使每个第一相似度和每个第二相似度小于参考阈值。其中,参考阈值为任一数值,例如该参考阈值为0.1、0.2或其他较小的数值。
例如,采用第二损失函数,训练该资源推荐模型:
其中,L2表示第二损失值,表示第一影响特征和第一影响特征之间的第一相似度,表示第二影响特征和第二影响特征之间的第二相似度,cos(x,y)表示求x和y的余弦,N表示样本对的个数,k表示预设资源维度的个数。
例如,参见图9,将的四个第一影响特征和四个第二影响特征,先进行匹配,确定属于同一预设资源维度的第一影响特征z11和第二影响特征z21,对该第一影响特征z11和第二影响特征z21求均值,再将该均值作为第一影响特征z11和第二影响特征z21,其他第一影响特征和第二影响特征不属于同一预设资源维度,因此不进行处理,最后得到最新的四个第一影响特征和四个第二影响特征,对得到的每两个第一影响特征和每两个第二影响特征求余弦相似度,并对得到的相似度进行正则化处理,得到正则化处理后的余弦相似度。
在一些实施例中,在资源推荐模型包括每个预设资源维度的参考特征的情况下,在资源推荐模型训练的过程中,先定义一个初始的参考特征,然后在训练过程还能够不断调整该参考特征。
需要说明的是,本公开实施例仅是以一次训练过程为例进行说明,在另一实施例中,能够对资源推荐模型进行多次迭代训练。
本公开实施例中,希望每个第一影响特征或每个第二影响特征仅包含一个预设资源维度对应的、单独的影响特征,而不包含其他预设资源维度对应的影响特征,因此,通过计算两个第一影响特征或两个第二影响特征之间的相似度,再根据相似度的大小调整资源推荐模型,能够保证解纠缠网络输出的影响特征互不相同。
本公开实施例中训练得到的资源推荐模型,在进行资源推荐的过程中,获取每个预设资源维度的编码特征和影响特征,该预设资源维度的影响特征表示属于该预设资源维度的数据对交互结果的影响,也即是在进行推荐时,先分开考虑每个预设资源维度对是否产生交互行为的影响,以充分获取到每个预设资源维度的特征,提高获取的特征的准确性,从而综合考虑该多个预设资源维度的影响确定推荐结果时,能够提高推荐的准确性。
下面针对第二种情况进行说明:
图10是根据一示例性实施例示出的一种资源推荐模型训练方法的流程图,参见图10,该方法的执行主体为电子设备,包括以下步骤:
在步骤1001中,电子设备获取初始的资源推荐模型,该初始的资源推荐模型用于向任一用户账号推荐与该用户账号产生第二交互行为的资源,该资源推荐模型包括多个预设资源维度对应的模型参数,每个该预设资源维度对应的模型参数用于对属于每个该预设资源维度的数据进行处理。
电子设备获取已经训练完成的资源推荐模型,该资源推荐模型能够预测用户账号对资源是否产生第二交互行为,在该已经训练完成的资源推荐模型的基础上,对该资源推荐模型继续进行训练,以训练得到用于预测用户账号对资源是否产生第一交互行为的资源推荐模型。
本公开实施例中的资源推荐模型包括每个预设资源维度对应的模型参数,即该资源推荐模型能够基于每个预设资源维度对应的模型参数,分别对该资源推荐模型的输入数据进行处理,属于多个预设资源维度的数据在处理过程中具有一定的独立性。
在步骤1002中,电子设备获取样本数据,该样本数据包括样本用户数据和样本资源数据。
在步骤1003中,电子设备调用资源推荐模型中的多个编码网络,对样本用户数据和样本资源数据进行特征提取,得到多个预设资源维度的预测编码特征。
在步骤1004中,电子设备调用资源推荐模型中的解纠缠网络,对多个预设资源维度的预测编码特征进行解纠缠,得到多个预设资源维度的预测影响特征。
在步骤1005中,电子设备调用资源推荐模型中的推荐网络,基于多个预设资源维度的预测影响特征进行预测,得到预测推荐结果。
步骤1002-步骤1005的实施方式与上述步骤801-步骤804的实施方式同理,在此不再赘述。
在步骤1006中,电子设备基于预测推荐结果,调整资源推荐模型中目标资源维度对应的模型参数,调整后资源推荐模型用于向任一用户账号推荐与该用户账号产生第一交互行为的资源。
其中,属于目标资源维度的数据对第一交互结果的影响与对第二交互结果的影响不同,第一交互结果包括用户账号对资源产生第一交互行为或者不产生该第一交互行为,第二交互结果包括用户账号对资源产生第二交互行为或者不产生该第二交互行为。由于针对不同的交互行为,不同预设资源维度对不同的交互结果的影响可能不同,例如多个预设资源维度中的目标资源维度对第一交互结果具有较大的影响,而对第二交互结果的影响很小,则能够确定属于目标资源维度的数据对第一交互结果的影响与对第二交互结果的影响不同。而如果某一个预设资源维度对第一交互结果和第二交互结果的影响是一样的,则认为属于目标资源维度的数据对第一交互结果的影响与对第二交互结果的影响相同。
其中,该目标资源维度为一个或多个。该目标资源维度可以在得到预测推荐结果之后确定,也可以在得到预测推荐结果之前的任一时间确定,本申请实施例对该目标资源维度的确定时机不做限制。
在一些实施例中,由技术人员根据经验,确定该目标资源维度。以资源为视频为例,在第一交互行为为用户对视频点赞,第二交互行为为用户对视频收藏的情况下,认为用户对视频作者感兴趣则都有可能对视频进行点赞,认为用户对视频内容感兴趣时有可能对视频进行收藏,那么也就是视频作者维度对第一交互行为有影响,视频内容维度对第二交互行为有影响,此时,将视频作者维度和视频内容维度均确定为目标资源维度。
在一些实施例中,电子设备获取测试数据,该测试数据包括测试用户数据和测试资源数据,该测试数据用于测试在需要预测的交互行为发生变化的情况下,需要调整的目标测试维度。电子设备调用资源推荐模型,对测试数据进行处理,得到第一测试结果;基于第一测试结果,分别调整资源推荐模型中每个预设资源维度对应的模型参数,得到每个预设资源维度对应的调整后的资源推荐模型;分别基于多个调整后的资源推荐模型,对测试数据进行处理,得到多个第二测试结果;基于多个第二测试结果,确定多个预设资源维度中的目标资源维度。
以资源推荐模型包括3个预设资源维度对应的模型参数为例,针对第一个预设资源维度对应的模型参数,基于第一测试结果,调整资源推荐模型中第一个预设资源维度对应的模型参数,得到第一个预设资源维度对应的调整后的资源推荐模型,基于调整后的资源推荐模型,对测试数据进行处理,得到第一个预设资源维度对应的第二测试结果;同理,分别针对第二个预设资源维度对应的模型参数和第三个预设资源维度对应的模型参数进行调整,然后获取第二个预设资源维度对应的第二测试结果和第三个预设资源维度对应的第二测试结果,根据这三个第二测试结果的准确性,将最准确的第二测试结果对应的预测资源维度确定为目标资源维度。
由于本公开实施例中的资源推荐模型中每个预设资源维度对应的模型参数是分开的,因此,在属于目标资源维度的数据对第一交互结果的影响与对第二交互结果的影响不同的情况下,可以通过调整该目标资源维度对应的模型参数,实现对资源推荐模型的训练,以使训练后的资源推荐模型能够预测用户账号对资源是否产生第一交互行为。
在一些实施例中,在资源推荐模型包括多个编码网络、解纠缠网络和推荐网络的情况下,电子设备基于预测推荐结果,调整目标资源维度对应的编码网络中的模型参数、调整解纠缠网络中用于对多个预设资源维度的编码特征按照目标资源维度进行解纠缠的模型参数,以及调整推荐网络中用于对解纠缠得到的目标资源维度的影响特征进行处理的模型参数。
本公开实施例提供的方法,由于确定是否推荐某个资源时,考虑多个预设资源维度的影响,且资源推荐模型包括多个预设资源维度对应的模型参数,因此在预测的交互行为由第二交互行为变化为第一交互行为的情况下,在用于预测是否产生第二交互行为的资源推荐模型的基础上,确定对第二交互行为和第一交互行为影响不同的目标资源维度,然后只需对该资源推荐模型中的该目标资源维度对应的模型参数进行调整,即可得到用于预测是否产生第二交互行为的资源推荐模型,而不需要重新训练新的模型,提高了资源推荐模型的泛化能力。
下面针对样本资源包括正样本资源和负样本资源的情况,对上述图9所示的训练过程进行进一步说明:
图11是根据一示例性实施例示出的一种资源推荐模型训练方法的流程图,参见图11,该方法的执行主体为电子设备,包括以下步骤:
在步骤1101中,电子设备获取初始的资源推荐模型,该初始的资源推荐模型用于向任一用户账号推荐与该用户账号产生第二交互行为的资源。
电子设备获取已经训练完成的资源推荐模型,该资源推荐模型能够预测用户账号对资源是否产生第二交互行为,在该已经训练完成的资源推荐模型的基础上,对该资源推荐模型继续进行训练,以训练得到用于预测用户账号对资源是否产生第一交互行为的资源推荐模型。
本公开实施例中的资源推荐模型包括每个预设资源维度对应的模型参数,即该资源推荐模型能够基于每个预设资源维度对应的模型参数,分别对该资源推荐模型的输入数据进行处理,属于多个预设资源维度的数据在处理过程中具有一定的独立性。
在步骤1102中,电子设备获取样本用户账号对应的样本用户数据、正样本资源对应的正样本资源数据和负样本资源对应的负样本资源数据。
在步骤1103中,电子设备调用资源推荐模型,对样本用户数据和正样本资源数据进行处理,得到第一推荐结果。
在步骤1104中,电子设备调用资源推荐模型,对样本用户数据和负样本资源数据进行处理,得到第二推荐结果。
上述步骤1103和步骤1104的实施方式与上述步骤802-步骤804的实施方式同理,在此不再赘述。
在另一实施例中,能够先执行步骤1104,再执行步骤1103。
在步骤1105中,电子设备基于第一推荐结果和第二推荐结果,调整资源推荐模型中目标资源维度对应的模型参数,调整后资源推荐模型用于向任一用户账号推荐与该用户账号产生第一交互行为的资源。
步骤1105的实施方式与上述步骤1006的实施方式同理,在此不再赘述。
例如,参见图6和图7,图6和图7中的实心圆形表示在交互行为发生变化时,属于目标资源维度的数据,从图7中可以看出,相关技术中,由于属于该目标资源维度的数据和属于其他预设资源维度的数据混合在一起,资源推荐模型在处理时是一起处理的,而从图6中可以看出,本公开实施例中,在经过多个编码网络之后,只有该目标资源维度对应的编码特征中包含属于该预设资源维度的信息,而其他预设资源维度对应的编码特征中则不包含,也即是在进行编码时,已经架构属于目标资源维度的数据和属于其他预设资源维度的数据分离开了,后续能够得到每个预设资源维度对应的、单独的影响特征,因此在交互行为发生变化时,并不会对除该目标资源维度对应的模型参数之外的其他模型参数产生影响。
本公开实施例提供的方法,由于多个预设资源维度会对推荐结果影响,且资源推荐模型包括多个预设资源维度对应的模型参数,因此在预测的交互行为由第二交互行为变化为第一交互行为的情况下,在用于预测是否产生第二交互行为的资源推荐模型的基础上,确定对第一交互行为和第二交互行为影响不同的目标资源维度,然后只需对该资源推荐模型中的该目标资源维度对应的模型参数进行调整,即可得到用于预测是否产生第一交互行为的资源推荐模型,而不需要重新训练新的模型,提高了资源推荐模型的泛化能力,能够针对不同的交互行为进行快速迁移,提高了迁移效率。
图12是根据一示例性实施例示出的一种资源推荐装置的框图。参见图12,该装置包括:
特征提取单元1201,被配置为执行对用户账号对应的用户数据和待推荐的资源对应的资源数据进行特征提取,得到多个预设资源维度的编码特征;
解纠缠单元1202,被配置为执行对多个该预设资源维度的编码特征进行解纠缠,得到多个该预设资源维度的影响特征,该预设资源维度的影响特征表示属于该预设资源维度的数据对交互结果的影响,属于该预设资源维度的数据包括该用户数据和该资源数据中属于该预设资源维度的数据,该交互结果包括该用户账号对该资源产生交互行为或者不产生该交互行为,每个该预设资源维度的影响特征不包含除该预设资源维度之外的其他预设资源维度的影响特征;
推荐单元1203,被配置为执行基于多个该预设资源维度的影响特征进行预测,得到推荐结果,该推荐结果包括向该用户账号推荐该资源或者不向该用户账号推荐该资源。
在一些实施例中,该资源数据包括属于多个该预设资源维度的数据,该特征提取单元1201,包括:
编码子单元,被配置为执行对于每个该预设资源维度,对该用户数据和属于该多个预设资源维度的数据进行编码,得到该用户数据对应的用户特征和多个该预设资源维度对应的资源特征;
第一权重获取子单元,被配置为执行分别获取该用户特征的第一权重和多个该资源特征的第一权重,该第一权重表示对应的该用户特征或该资源特征与该预设资源维度的相关程度;
影响特征获取子单元,被配置为执行基于多个该第一权重,对该用户特征和多个该资源特征进行加权处理,得到该预设资源维度的编码特征。
在一些实施例中,该解纠缠单元1202,被配置为执行对于每个该预设资源维度,基于该预设资源维度的参考特征,分别从多个该预设资源维度的编码特征中提取与该参考特征匹配的影响特征,将提取得到的影响特征确定为该预设资源维度的影响特征。
在一些实施例中,该推荐单元1203,包括:
第二权重获取子单元,被配置为执行分别获取多个该影响特征的第二权重,每个该影响特征的第二权重表示在多个该预设资源维度中,该影响特征对应的预设资源维度对该交互结果的影响程度;
融合特征获取子单元,被配置执行基于多个该第二权重,对多个该影响特征进行加权处理,得到融合特征;
推荐子单元,被配置为执行对该融合特征进行预测,得到该推荐结果。
在一些实施例中,资源推荐模型包括多个编码网络、解纠缠网络和推荐网络,每个该编码网络与一个该预设资源维度对应;
每个该预设资源维度对应的该编码网络用于对该用户数据和该资源数据进行特征提取,得到该预设资源维度的编码特征;
该解纠缠网络用于对多个该预设资源维度的编码特征进行解纠缠,得到多个该预设资源维度的影响特征;
该推荐网络用于基于多个该预设资源维度的影响特征进行预测,得到该推荐结果。
本公开实施例中,提供了一种新的资源推荐方式,在进行资源推荐的过程中,获取每个预设资源维度的编码特征和影响特征,该预设资源维度的影响特征表示属于该预设资源维度的数据对交互结果的影响,也即是在进行推荐时,先分开考虑每个预设资源维度对是否产生交互行为的影响,以充分获取到每个预设资源维度的特征,提高获取的特征的准确性,从而综合考虑该多个预设资源维度的影响确定推荐结果时,能够提高推荐的准确性。
图13是根据一示例性实施例示出的一种资源推荐装置的框图。参见图13,该装置包括:
样本获取单元1301,被配置为执行获取样本数据,该样本数据包括样本用户账号对应的样本用户数据和样本资源对应的样本资源数据,该样本资源是根据是否与该样本用户账号产生第一交互行为而选取的资源;
特征提取单元1302,被配置为执行分别调用资源推荐模型中的多个编码网络,对该样本用户数据和该样本资源数据进行特征提取,得到多个预设资源维度的预测编码特征,每个该编码网络与一个该预设资源维度对应;
解纠缠单元1303,被配置为执行调用该资源推荐模型中的解纠缠网络,对多个该预设资源维度的预测编码特征进行解纠缠,得到多个该预设资源维度的预测影响特征;
推荐单元1304,被配置为执行调用该资源推荐模型中的推荐网络,基于多个该预设资源维度的预测影响特征进行预测,得到预测推荐结果;
训练单元1305,被配置为执行基于该预测推荐结果,调整该资源推荐模型中的模型参数。
在一些实施例中,该解纠缠网络包括多个该预设资源维度的参考特征,该解纠缠单元1303,被配置为执行对于每个该预设资源维度,调用该解纠缠网络,基于该预设资源维度的参考特征,分别从多个该预设资源维度的预测编码特征中提取与该参考特征匹配的影响特征,将提取得到的影响特征确定为该预设资源维度的预测影响特征。
在一些实施例中,该样本资源对应的样本资源数据包括正样本资源对应的正样本资源数据,该正样本资源是指与该样本用户账号产生该第一交互行为的资源;
该特征提取单元1302,被配置为执行分别调用多个该编码网络,对该样本用户数据和该正样本资源数据进行特征提取,得到多个该预设资源维度的第一编码特征;
该解纠缠单元1303,被配置为执行调用该解纠缠网络,对多个该预设资源维度的第一编码特征进行解纠缠,得到多个该预设资源维度的第一影响特征;
该推荐单元1304,被配置为执行调用该推荐网络,基于多个该预设资源维度的第一影响特征进行预测,得到第一推荐结果;
该训练单元1305,被配置为执行基于该第一推荐结果,调整该资源推荐模型中的模型参数。
在一些实施例中,该样本资源对应的样本资源数据还包括负样本资源对应的负样本资源数据,该负样本资源是指不与该样本用户账号产生该第一交互行为的资源;
该特征提取单元1302,被配置为执行分别调用多个该编码网络,对该样本用户数据和该负样本资源数据进行特征提取,得到多个该预设资源维度的第二编码特征;
该解纠缠单元1303,被配置为执行调用该解纠缠网络,对多个该预设资源维度的第二编码特征进行解纠缠,得到多个该预设资源维度的第二影响特征;
该推荐单元1304,被配置为执行调用该推荐网络,基于多个该预设资源维度的第二影响特征进行预测,得到第二推荐结果;
该训练单元1305,被配置为执行基于该第一推荐结果和该第二推荐结果,调整该资源推荐模型中的模型参数。
在一些实施例中,该训练单元1305,被配置为执行:
对多个该资源维度中同一预设资源维度的第一影响特征和第二影响特征求均值,将该均值确定为该同一预设资源维度更新后的第一影响特征和第二影响特征;
分别获取每两个第一影响特征之间的第一相似度和每两个第二影响特征之间的第二相似度;
基于多个第一相似度和多个第二相似度,调整该资源推荐模型的模型参数,以使每个第一相似度和每个第二相似度小于参考阈值。
在一些实施例中,初始的资源推荐模型用于向任一用户账号推荐与该用户账号产生第二交互行为的资源,该资源推荐模型包括多个预设资源维度对应的模型参数,每个该预设资源维度对应的模型参数用于对属于每个该预设资源维度的数据进行处理,该第一交互行为与该第二交互行为不同;
该训练单元1305,被配置为执行基于该预测推荐结果,调整该资源推荐模型中目标资源维度对应的模型参数,属于该目标资源维度的数据对第一交互结果的影响与对第二交互结果的影响不同,第一交互结果包括用户账号对资源产生该第一交互行为或者不产生该第一交互行为,该第二交互结果包括用户账号对资源产生该第二交互行为或者不产生该第二交互行为,调整后该资源推荐模型用于向任一用户账号推荐与该用户账号产生该第一交互行为的资源。
在一些实施例中,该训练单元1305,被配置为执行基于该预测推荐结果,调整该目标资源维度对应的该编码网络中的模型参数、调整该解纠缠网络中用于对多个该预设资源维度的编码特征按照该目标资源维度进行解纠缠的模型参数,以及调整该推荐网络中用于对解纠缠得到的该目标资源维度的影响特征进行处理的模型参数。
关于上述实施例中的装置,其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
在示例性实施例中,提供了一种电子设备,该电子设备包括一个或多个处理器,以及用于存储该一个或多个处理器可执行指令的存储器;其中,该一个或多个处理器被配置为执行上述实施例中的资源推荐方法或资源推荐模型训练方法。
在一些实施例中,该电子设备提供为终端。图14是根据一示例性实施例示出的一种终端1400的结构框图。该终端1400可以是便携式移动终端,比如:智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端1400还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
终端1400包括有:处理器1401和存储器1402。
处理器1401可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器1401可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1401也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器1401可以集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器1401还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器1402可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器1402还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器1402中的非暂态的计算机可读存储介质用于存储至少一条程序代码,该至少一条程序代码用于被处理器1401所执行以实现本公开中方法实施例提供的资源推荐方法或资源推荐模型训练方法。
在一些实施例中,终端1400还可选包括有:外围设备接口1403和至少一个外围设备。处理器1401、存储器1402和外围设备接口1403之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1403相连。具体地,外围设备包括:射频电路1404、显示屏1405、摄像头组件1406、音频电路1407、定位组件1408和电源1409中的至少一种。
外围设备接口1403可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器1401和存储器1402。在一些实施例中,处理器1401、存储器1402和外围设备接口1403被集成在同一芯片或电路板上;在一些其他实施例中,处理器1401、存储器1402和外围设备接口1403中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路1404用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路1404通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1404将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路1404包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1404可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路1404还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本公开对此不加以限定。
显示屏1405用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1405是触摸显示屏时,显示屏1405还具有采集在显示屏1405的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1401进行处理。此时,显示屏1405还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏1405可以为一个,设置在终端1400的前面板;在另一些实施例中,显示屏1405可以为至少两个,分别设置在终端1400的不同表面或呈折叠设计;在另一些实施例中,显示屏1405可以是柔性显示屏,设置在终端1400的弯曲表面上或折叠面上。甚至,显示屏1405还可以设置成非矩形的不规则图形,也即异形屏。显示屏1405可以采用LCD(Liquid Crystal Display,液晶显示屏)、OLED(Organic Light-EmittingDiode,有机发光二极管)等材质制备。
摄像头组件1406用于采集图像或视频。可选地,摄像头组件1406包括前置摄像头和后置摄像头。前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件1406还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路1407可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器1401进行处理,或者输入至射频电路1404以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端1400的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1401或射频电路1404的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路1407还可以包括耳机插孔。
定位组件1408用于定位终端1400的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件1408可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯定位系统或欧盟的伽利略定位系统的定位组件。
电源1409用于为终端1400中的各个组件进行供电。电源1409可以是交流电、直流电、一次性电池或可充电电池。当电源1409包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端1400还包括有一个或多个传感器1410。该一个或多个传感器1410包括但不限于:加速度传感器1411、陀螺仪传感器1412、压力传感器1413、光学传感器1414以及接近传感器1415。
加速度传感器1411可以检测以终端1400建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器1411可以用于检测重力加速度在三个坐标轴上的分量。处理器1401可以根据加速度传感器1411采集的重力加速度信号,控制显示屏1405以横向视图或纵向视图进行用户界面的显示。加速度传感器1411还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器1412可以检测终端1400的机体方向及转动角度,陀螺仪传感器1412可以与加速度传感器1411协同采集用户对终端1400的3D动作。处理器1401根据陀螺仪传感器1412采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器1413可以设置在终端1400的侧边框和/或显示屏1405的下层。当压力传感器1413设置在终端1400的侧边框时,可以检测用户对终端1400的握持信号,由处理器1401根据压力传感器1413采集的握持信号进行左右手识别或快捷操作。当压力传感器1413设置在显示屏1405的下层时,由处理器1401根据用户对显示屏1405的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
光学传感器1414用于采集环境光强度。在一个实施例中,处理器1401可以根据光学传感器1414采集的环境光强度,控制显示屏1405的显示亮度。具体地,当环境光强度较高时,调高显示屏1405的显示亮度;当环境光强度较低时,调低显示屏1405的显示亮度。在另一个实施例中,处理器1401还可以根据光学传感器1414采集的环境光强度,动态调整摄像头组件1406的拍摄参数。
接近传感器1415,也称距离传感器,设置在终端1400的前面板。接近传感器1415用于采集用户与终端1400的正面之间的距离。在一个实施例中,当接近传感器1415检测到用户与终端1400的正面之间的距离逐渐变小时,由处理器1401控制显示屏1405从亮屏状态切换为息屏状态;当接近传感器1415检测到用户与终端1400的正面之间的距离逐渐变大时,由处理器1401控制显示屏1405从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图14中示出的结构并不构成对终端1400的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
在一些实施例中,该电子设备提供为服务器。图15是根据一示例性实施例示出的一种服务器的结构框图,该服务器1500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(Central Processing Units,CPU)1501和一个或一个以上的存储器1502,其中,存储器1502中存储有至少一条指令,该至少一条指令由处理器1501加载并执行以实现上述各个方法实施例提供的方法。当然,该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种计算机可读存储介质,当存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述资源推荐方法或资源推荐模型训练方法中终端或服务器所执行的步骤。可选地,计算机可读存储介质可以是ROM(只读存储器,Read Only Memory)、RAM(随机存取存储器,Random Access Memory)、CD-ROM(只读光盘,Compact Disc Read-Only Memory)、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,该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以实现上述资源推荐方法或资源推荐模型训练方法。
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电子设备上执行,或者在位于一个地点的多个电子设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个电子设备上执行,分布在多个地点且通过通信网络互连的多个电子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的公开后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种资源推荐方法,其特征在于,所述方法包括:
对用户账号对应的用户数据和待推荐的资源对应的资源数据进行特征提取,得到多个预设资源维度的编码特征;
对多个所述预设资源维度的编码特征进行解纠缠,得到多个所述预设资源维度的影响特征,所述预设资源维度的影响特征表示属于所述预设资源维度的数据对交互结果的影响,属于所述预设资源维度的数据包括所述用户数据和所述资源数据中属于所述预设资源维度的数据,所述交互结果包括所述用户账号对所述资源产生交互行为或者不产生所述交互行为,每个所述预设资源维度的影响特征不包含除所述预设资源维度之外的其他预设资源维度的影响特征;
基于多个所述预设资源维度的影响特征进行预测,得到推荐结果,所述推荐结果包括向所述用户账号推荐所述资源或者不向所述用户账号推荐所述资源。
2.根据权利要求1所述的资源推荐方法,其特征在于,所述资源数据包括属于多个所述预设资源维度的数据,所述对用户账号对应的用户数据和待推荐的资源对应的资源数据进行特征提取,得到多个预设资源维度的编码特征,包括:
对于每个所述预设资源维度,对所述用户数据和属于所述多个预设资源维度的数据进行编码,得到所述用户数据对应的用户特征和多个所述预设资源维度对应的资源特征;
分别获取所述用户特征的第一权重和多个所述资源特征的第一权重,所述第一权重表示对应的所述用户特征或所述资源特征与所述预设资源维度的相关程度;
基于多个所述第一权重,对所述用户特征和多个所述资源特征进行加权处理,得到所述预设资源维度的编码特征。
3.根据权利要求1所述的资源推荐方法,其特征在于,所述对多个所述预设资源维度的编码特征进行解纠缠,得到多个所述预设资源维度的影响特征,包括:
对于每个所述预设资源维度,基于所述预设资源维度的参考特征,分别从多个所述预设资源维度的编码特征中,提取与所述参考特征匹配的影响特征,将提取得到的影响特征确定为所述预设资源维度的影响特征。
4.根据权利要求1所述的资源推荐方法,其特征在于,所述基于多个所述预设资源维度的影响特征进行预测,得到推荐结果,包括:
分别获取多个所述影响特征的第二权重,每个所述影响特征的第二权重表示在多个所述预设资源维度中,所述影响特征对应的所述预设资源维度对所述交互结果的影响程度;
基于多个所述第二权重,对多个所述影响特征进行加权处理,得到融合特征;
对所述融合特征进行预测,得到所述推荐结果。
5.一种资源推荐模型训练方法,其特征在于,所述方法包括:
获取样本数据,所述样本数据包括样本用户账号对应的样本用户数据和样本资源对应的样本资源数据,所述样本资源是根据是否与所述样本用户账号产生第一交互行为而选取的资源;
分别调用资源推荐模型中的多个编码网络,对所述样本用户数据和所述样本资源数据进行特征提取,得到多个预设资源维度的预测编码特征,每个所述编码网络与一个所述预设资源维度对应;
调用所述资源推荐模型中的解纠缠网络,对多个所述预设资源维度的预测编码特征进行解纠缠,得到多个所述预设资源维度的预测影响特征;
调用所述资源推荐模型中的推荐网络,基于多个所述预设资源维度的预测影响特征进行预测,得到预测推荐结果;
基于所述预测推荐结果,调整所述资源推荐模型中的模型参数。
6.一种资源推荐装置,其特征在于,所述装置包括:
特征提取单元,被配置为执行对用户账号对应的用户数据和待推荐的资源对应的资源数据进行特征提取,得到多个预设资源维度的编码特征;
解纠缠单元,被配置为执行对多个所述预设资源维度的编码特征进行解纠缠,得到多个所述预设资源维度的影响特征,所述预设资源维度的影响特征表示属于所述预设资源维度的数据对交互结果的影响,属于所述预设资源维度的数据包括所述用户数据和所述资源数据中属于所述预设资源维度的数据,所述交互结果包括所述用户账号对所述资源产生交互行为或者不产生所述交互行为,每个所述预设资源维度的影响特征不包含除所述预设资源维度之外的其他预设资源维度的影响特征;
推荐单元,被配置为执行基于多个所述预设资源维度的影响特征进行预测,得到推荐结果,所述推荐结果包括向所述用户账号推荐所述资源或者不向所述用户账号推荐所述资源。
7.一种资源推荐模型训练装置,其特征在于,所述装置包括:
样本获取单元,被配置为执行获取样本数据,所述样本数据包括样本用户账号对应的样本用户数据和样本资源对应的样本资源数据,所述样本资源是根据是否与所述样本用户账号产生第一交互行为而选取的资源;
特征提取单元,被配置为执行分别调用资源推荐模型中的多个编码网络,对所述样本用户数据和所述样本资源数据进行特征提取,得到多个预设资源维度的预测编码特征,每个所述编码网络与一个所述预设资源维度对应;
解纠缠单元,被配置为执行调用所述资源推荐模型中的解纠缠网络,对多个所述预设资源维度的预测编码特征进行解纠缠,得到多个所述预设资源维度的预测影响特征;
推荐单元,被配置为执行调用所述资源推荐模型中的推荐网络,基于多个所述预设资源维度的预测影响特征进行预测,得到预测推荐结果;
训练单元,被配置为执行基于所述预测推荐结果,调整所述资源推荐模型中的模型参数。
8.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
用于存储所述一个或多个处理器可执行指令的存储器;
其中,所述一个或多个处理器被配置为执行如权利要求1至权利要求4任一项所述的资源推荐方法,或者被配置为执行如权利要求5所述的资源推荐模型训练方法。
9.一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指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至权利要求4任一项所述的资源推荐方法,或者能够执行如权利要求5所述的资源推荐模型训练方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至权利要求4任一项所述的资源推荐方法,或者实现权利要求5所述的资源推荐模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210032781.7A CN114385854A (zh) | 2022-01-12 | 2022-01-12 | 资源推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210032781.7A CN114385854A (zh) | 2022-01-12 | 2022-01-12 | 资源推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114385854A true CN114385854A (zh) | 2022-04-22 |
Family
ID=81201659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210032781.7A Pending CN114385854A (zh) | 2022-01-12 | 2022-01-12 | 资源推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114385854A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611009A (zh) * | 2022-05-10 | 2022-06-10 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置、电子设备及存储介质 |
-
2022
- 2022-01-12 CN CN202210032781.7A patent/CN114385854A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611009A (zh) * | 2022-05-10 | 2022-06-10 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置、电子设备及存储介质 |
CN114611009B (zh) * | 2022-05-10 | 2022-08-26 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284445B (zh) | 网络资源的推荐方法、装置、服务器及存储介质 | |
CN110163066B (zh) | 多媒体数据推荐方法、装置及存储介质 | |
CN111291200B (zh) | 多媒体资源展示方法、装置、计算机设备及存储介质 | |
CN108320756B (zh) | 一种检测音频是否是纯音乐音频的方法和装置 | |
CN111104980B (zh) | 确定分类结果的方法、装置、设备及存储介质 | |
CN111897996A (zh) | 话题标签推荐方法、装置、设备及存储介质 | |
CN111738365B (zh) | 图像分类模型训练方法、装置、计算机设备及存储介质 | |
CN113918767A (zh) | 视频片段定位方法、装置、设备及存储介质 | |
CN111432245B (zh) | 多媒体信息的播放控制方法、装置、设备及存储介质 | |
CN111368127A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN110166275B (zh) | 信息处理方法、装置及存储介质 | |
CN113886609A (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN112699268A (zh) | 训练评分模型的方法、设备及存储介质 | |
CN114385854A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
CN111563201A (zh) | 内容推送方法、装置、服务器及存储介质 | |
CN111796990A (zh) | 资源显示方法、装置、终端及存储介质 | |
CN110929159A (zh) | 资源投放方法、装置、设备及介质 | |
CN113377976B (zh) | 资源搜索方法、装置、计算机设备及存储介质 | |
CN113343709B (zh) | 意图识别模型的训练方法、意图识别方法、装置及设备 | |
CN114817709A (zh) | 排序方法、装置、设备及计算机可读存储介质 | |
CN109829067B (zh) | 音频数据处理方法、装置、电子设备及存储介质 | |
CN114547429A (zh) | 数据推荐方法、装置、服务器及存储介质 | |
CN113139614A (zh) | 特征提取方法、装置、电子设备及存储介质 | |
CN113407774A (zh) | 封面确定方法、装置、计算机设备及存储介质 | |
CN115221888A (zh) | 实体提及的识别方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |