CN114611009B - 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 PDF

Info

Publication number
CN114611009B
CN114611009B CN202210504261.1A CN202210504261A CN114611009B CN 114611009 B CN114611009 B CN 114611009B CN 202210504261 A CN202210504261 A CN 202210504261A CN 114611009 B CN114611009 B CN 114611009B
Authority
CN
China
Prior art keywords
prediction
features
layer
feature
network
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.)
Active
Application number
CN202210504261.1A
Other languages
English (en)
Other versions
CN114611009A (zh
Inventor
廖超
谈建超
贾纪元
郭义
宋成儒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN202210504261.1A priority Critical patent/CN114611009B/zh
Publication of CN114611009A publication Critical patent/CN114611009A/zh
Application granted granted Critical
Publication of CN114611009B publication Critical patent/CN114611009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

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：调用特征提取网络，确定目标数据的原始数据特征；调用特征交互网络，对原始数据特征中的多个第一特征进行交互处理，得到交互特征；调用特征增强网络，确定多个第一特征分别针对每个预测层的目标权重，基于多个第一特征针对同一个预测层的目标权重对多个第一特征进行增强，得到同一个预测层对应的增强数据特征，将增强数据特征输入至对应的预测层中；调用每个预测层，基于输入至预测层的交互特征和增强数据特征，确定输入至下一个预测层的交互特征，直至调用最后一个预测层确定推荐结果。该方法基于增强数据特征进行预测，提高了推荐结果的准确性。

Description

资源推荐方法、装置、电子设备及存储介质
技术领域
本公开涉及计算机技术领域，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，网络上出现了越来越多的资源，为了实现个性化地资源推荐，通常需要调用资源推荐模型确定是否将某个资源推荐给某个对象账号。
相关技术中调用资源推荐模型进行推荐时，先提取目标数据对应的数据特征，该目标数据包含对象账号对应的对象数据和待推荐的资源对应的资源数据，然后基于该数据特征预测是否向该对象账号推荐该资源。但是这种资源推荐模型的推荐准确率较低。
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，所述方法基于资源推荐模型执行，所述资源推荐模型包括特征提取网络、特征交互网络、特征增强网络和预测网络，所述预测网络包括至少一个预测层；所述方法包括：
调用所述特征提取网络，确定目标数据的原始数据特征，将所述原始数据特征输入至所述特征交互网络和所述特征增强网络，所述目标数据包括对象账号对应的对象数据和待推荐的资源对应的资源数据，所述原始数据特征包括多个预设维度的第一特征；
调用所述特征交互网络，对所述原始数据特征中的多个第一特征进行交互处理，得到交互特征，将所述交互特征输入至所述预测网络；
调用所述特征增强网络，确定所述多个第一特征分别针对每个预测层的目标权重，基于所述多个第一特征针对同一个预测层的目标权重对所述多个第一特征进行增强，得到所述同一个预测层对应的增强数据特征，将所述增强数据特征输入至对应的预测层中；
调用每个预测层，基于由所述预测层的前一层输入至所述预测层的交互特征以及由所述特征增强网络输入至所述预测层的增强数据特征，确定输入至下一个预测层的交互特征，直至调用最后一个预测层确定推荐结果，所述推荐结果表示向所述对象账号推荐所述资源的可能性。
在一些实施例中，所述特征增强网络包括至少一个权重确定层和至少一个特征增强层，一个特征增强层和一个权重确定层对应于一个预测层；
所述调用所述特征增强网络，确定所述多个第一特征分别针对每个预测层的目标权重，基于所述多个第一特征针对同一个预测层的目标权重对所述多个第一特征进行增强，得到所述同一个预测层对应的增强数据特征，将所述增强数据特征输入至对应的预测层中，包括：
调用第i个权重确定层，分别确定所述多个第一特征针对第i个预测层的目标权重，i为大于0的整数；
调用第i个特征增强层，基于所述多个第一特征针对所述第i个预测层的目标权重，对所述多个第一特征进行增强，得到所述第i个预测层对应的增强数据特征，将所述增强数据特征输入至所述第i个预测层。
在一些实施例中，所述特征增强网络还包括特征归一化层，所述调用第i个特征增强层，基于所述多个第一特征针对所述第i个预测层的目标权重，对所述多个第一特征进行增强，得到所述第i个预测层对应的增强数据特征之前，所述资源推荐方法还包括：
调用所述特征归一化层，分别对所述多个第一特征进行归一化处理。
在一些实施例中，所述特征增强网络还包括权重归一化层，所述调用第i个特征增强层，基于所述多个第一特征针对所述第i个预测层的目标权重，对所述多个第一特征进行增强，得到所述第i个预测层对应的增强数据特征之前，所述资源推荐方法还包括：
调用所述权重归一化层，对同一个第一特征针对不同的预测层的目标权重进行归一化处理。
在一些实施例中，所述预测网络包括L个预测层，L为大于1的整数，所述调用每个预测层，基于由所述预测层的前一层输入至所述预测层的交互特征以及由所述特征增强网络输入至所述预测层的增强数据特征，确定输入至下一个预测层的交互特征，直至调用最后一个预测层确定推荐结果，包括：
调用第一个预测层，基于由所述特征交互网络输入至所述第一个预测层的交互特征以及由所述特征增强网络输入至所述第一个预测层的增强数据特征，确定输入至第二个预测层的交互特征；
调用第k个预测层，基于由第k-1个预测层输入的交互特征以及由所述特征增强网络输入至所述第k个预测层的增强数据特征，确定输入至第k+1个预测层的交互特征，直至调用第L个预测层确定所述推荐结果，其中，k为大于1且小于L的整数。
在一些实施例中，所述基于所述多个第一特征针对同一个预测层的目标权重对所述多个第一特征进行增强，得到所述同一个预测层对应的增强数据特征，包括：
对于每个预测层，分别将每个第一特征与所述每个第一特征针对所述预测层的目标权重相乘，得到所述每个第一特征增强后的第二特征，将多个第二特征进行拼接，得到所述预测层对应的增强数据特征。
在一些实施例中，所述调用每个预测层，基于由所述预测层的前一层输入至所述预测层的交互特征以及由所述特征增强网络输入至所述预测层的增强数据特征，确定输入至下一个预测层的交互特征，包括：
调用每个预测层，将由所述预测层的前一层输入至所述预测层的交互特征以及由所述特征增强网络输入至所述预测层的增强数据特征进行拼接，对拼接后的特征进行预测，得到输入至下一个预测层的交互特征。
在一些实施例中，所述调用所述特征交互网络，对所述原始数据特征中的多个第一特征进行交互处理，得到交互特征，包括：
调用所述特征交互网络，将所述多个第一特征中的每两个第一特征进行拼接，得到多个拼接特征，将多个拼接特征进行拼接，得到所述交互特征。
在一些实施例中，所述资源推荐模型的训练过程包括：
获取样本数据和样本推荐结果，所述样本数据包括样本对象账号对应的样本对象数据和样本资源对应的样本资源数据，所述样本推荐结果表示向所述样本对象账号推荐所述样本资源的可能性；
调用所述特征提取网络，确定所述样本数据的预测原始数据特征，将所述预测原始数据特征输入至所述特征交互网络和所述特征增强网络，所述预测原始数据特征包括所述多个预设维度的第一预测特征；
调用所述特征交互网络，对所述预测原始数据特征中的多个第一预测特征进行交互处理，得到预测交互特征，将所述预测交互特征输入至所述预测网络；
调用所述特征增强网络，确定所述多个第一预测特征分别针对每个预测层的预测权重，基于所述多个第一预测特征针对同一个预测层的预测权重对所述多个第一预测特征进行增强，得到所述同一个预测层对应的预测增强数据特征，将所述预测增强数据特征输入至对应的预测层中；
调用每个预测层，基于由所述预测层的前一层输入至所述预测层的预测交互特征以及由所述特征增强网络输入至所述预测层的预测增强数据特征，确定输入至下一个预测层的预测交互特征，直至调用最后一个预测层确定预测推荐结果；
基于所述样本推荐结果和所述预测推荐结果，训练所述资源推荐模型。
根据本公开实施例的再一方面，提供一种资源推荐装置，所述装置配置有资源推荐模型，所述资源推荐模型包括特征提取网络、特征交互网络、特征增强网络和预测网络，所述预测网络包括至少一个预测层；所述装置包括：
特征提取单元，被配置为执行调用所述特征提取网络，确定目标数据的原始数据特征，将所述原始数据特征输入至所述特征交互网络和所述特征增强网络，所述目标数据包括对象账号对应的对象数据和待推荐的资源对应的资源数据，所述原始数据特征包括多个预设维度的第一特征；
特征交互单元，被配置为执行调用所述特征交互网络，对所述原始数据特征中的多个第一特征进行交互处理，得到交互特征，将所述交互特征输入至所述预测网络；
特征增强单元，被配置为执行调用所述特征增强网络，确定所述多个第一特征分别针对每个预测层的目标权重，基于所述多个第一特征针对同一个预测层的目标权重对所述多个第一特征进行增强，得到所述同一个预测层对应的增强数据特征，将所述增强数据特征输入至对应的预测层中；
结果预测单元，被配置为执行调用每个预测层，基于由所述预测层的前一层输入至所述预测层的交互特征以及由所述特征增强网络输入至所述预测层的增强数据特征，确定输入至下一个预测层的交互特征，直至调用最后一个预测层确定推荐结果，所述推荐结果表示向所述对象账号推荐所述资源的可能性。
在一些实施例中，所述特征增强网络包括至少一个权重确定层和至少一个特征增强层，一个特征增强层和一个权重确定层对应于一个预测层；
所述特征增强单元，包括：
权重确定子单元，被配置为执行调用第i个权重确定层，分别确定所述多个第一特征针对第i个预测层的目标权重，i为大于0的整数；
特征增强子单元，被配置为执行调用第i个特征增强层，基于所述多个第一特征针对所述第i个预测层的目标权重，对所述多个第一特征进行增强，得到所述第i个预测层对应的增强数据特征，将所述增强数据特征输入至所述第i个预测层。
在一些实施例中，所述特征增强网络还包括特征归一化层，所述特征增强单元，还包括：
特征归一化子单元，被配置为执行调用所述特征归一化层，分别对所述多个第一特征进行归一化处理。
在一些实施例中，所述特征增强网络还包括权重归一化层，所述特征增强单元，还包括：
权重归一化子单元，被配置为执行调用所述权重归一化层，对同一个第一特征针对不同的预测层的目标权重进行归一化处理。
在一些实施例中，所述预测网络包括L个预测层，L为大于1的整数，所述结果预测单元，被配置为执行：
调用第一个预测层，基于由所述特征交互网络输入至所述第一个预测层的交互特征以及由所述特征增强网络输入至所述第一个预测层的增强数据特征，确定输入至第二个预测层的交互特征；
调用第k个预测层，基于由第k-1个预测层输入的交互特征以及由所述特征增强网络输入至所述第k个预测层的增强数据特征，确定输入至第k+1个预测层的交互特征，直至调用第L个预测层确定所述推荐结果，其中，k为大于1且小于L的整数。
在一些实施例中，所述特征增强单元，被配置为执行对于每个预测层，分别将每个第一特征与所述每个第一特征针对所述预测层的目标权重相乘，得到所述每个第一特征增强后的第二特征，将多个第二特征进行拼接，得到所述预测层对应的增强数据特征。
在一些实施例中，所述结果预测单元，被配置为执行调用每个预测层，将由所述预测层的前一层输入至所述预测层的交互特征以及由所述特征增强网络输入至所述预测层的增强数据特征进行拼接，对拼接后的特征进行预测，得到输入至下一个预测层的交互特征。
在一些实施例中，所述特征交互单元，被配置为执行调用所述特征交互网络，将所述多个第一特征中的每两个第一特征进行拼接，得到多个拼接特征，将多个拼接特征进行拼接，得到所述交互特征。
在一些实施例中，所述资源推荐装置还包括：模型训练单元，被配置为执行：
获取样本数据和样本推荐结果，所述样本数据包括样本对象账号对应的样本对象数据和样本资源对应的样本资源数据，所述样本推荐结果表示向所述样本对象账号推荐所述样本资源的可能性；
调用所述特征提取网络，确定所述样本数据的预测原始数据特征，将所述预测原始数据特征输入至所述特征交互网络和所述特征增强网络，所述预测原始数据特征包括所述多个预设维度的第一预测特征；
调用所述特征交互网络，对所述预测原始数据特征中的多个第一预测特征进行交互处理，得到预测交互特征，将所述预测交互特征输入至所述预测网络；
调用所述特征增强网络，确定所述多个第一预测特征分别针对每个预测层的预测权重，基于所述多个第一预测特征针对同一个预测层的预测权重对所述多个第一预测特征进行增强，得到所述同一个预测层对应的预测增强数据特征，将所述预测增强数据特征输入至对应的预测层中；
调用每个预测层，基于由所述预测层的前一层输入至所述预测层的预测交互特征以及由所述特征增强网络输入至所述预测层的预测增强数据特征，确定输入至下一个预测层的预测交互特征，直至调用最后一个预测层确定预测推荐结果；
基于所述样本推荐结果和所述预测推荐结果，训练所述资源推荐模型。
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。
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。
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。
本公开实施例提供的技术方案，在基于资源推荐模型进行资源推荐的过程中，调用特征提取网络提取到包括多个预设维度的第一特征的原始数据特征之后，考虑到多个第一特征在该原始数据特征中的重要程度不同，会调用特征增强网络确定每个第一特征对应的目标权重，基于目标权重对对应的第一特征进行增强，以得到增强数据特征，该增强数据特征与原始数据特征相比能够更加准确地体现每个预设维度的特征在资源推荐过程中发挥的作用，因此调用预测网络，基于增强数据特征和特征交互网络输出的交互特征进行预测，得到的推荐结果更加准确，提高了推荐的准确性。并且，在预测网络中的预测层为多层的情况下，能够确定多个第一特征针对每个预测层的目标权重，以及针对每个预测层的增强数据特征，这种针对每个预测层分别确定增强数据特征的方式，能够体现不同的预测层在推荐过程中的重要程度，从而更多的考虑重要的预测层的处理结果，进一步提高推荐的准确率。
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模型的结构示意图；
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图；
图4是根据一示例性实施例示出的另一种资源推荐模型的结构示意图；
图5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6是根据一示例性实施例示出的一种资源推荐过程的示意图；
图7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8是根据一示例性实施例示出的另一种资源推荐装置的框图；
图9是根据一示例性实施例示出的一种终端的结构框图；
图10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，多个第一特征包括3个第一特征，而每个第一特征是指这3个第一特征中的每一个第一特征，任一是指这3个第一特征中的任意一个，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，该资源推荐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。
在一些实施例中，服务器120基于资源推荐模型，对对象账号对应的对象数据和待推荐的资源对应的资源数据进行处理，确定是否向该对象账号推荐该资源，在确定向该对象账号推荐该资源的情况下，向基于该对象账号登录的终端110发送该资源，从而将该资源推荐给了该对象账号。
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。
本公开实施例提供的资源推荐方法基于资源推荐模型执行，在介绍资源推荐过程之前，先对该资源推荐模型的模型结构进行介绍。参见图2，该资源推荐模型包括特征提取网络、特征交互网络、特征增强网络和预测网络，其中预测网络中包括至少一个预测层（图2中以3个为例）。下面基于图2所示的资源推荐模型，对资源推荐过程进行说明。
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，该方法应由电子设备执行，包括以下步骤。
在步骤301中，电子设备调用特征提取网络，确定目标数据的原始数据特征，将原始数据特征输入至特征交互网络和特征增强网络，该原始数据特征包括多个预设维度的第一特征。
其中，目标数据包括对象账号对应的对象数据和待推荐的资源对应的资源数据，对象数据至少包括对象账号、对象账号所属的对象类型、对象账号所属的对象的年龄等子数据，资源数据包括资源标识、资源类型、资源内容等子数据。预设维度是基于对象数据和资源数据中所包括的子数据划分的，每个子数据对应一个预设维度，例如对象账号属于对象账号维度、对象类型属于对象类型维度、资源类型属于资源类型维度。提取得到的原始数据特征用于描述该目标数据，该原始数据特征中的每个预设维度的第一特征用于描述该预设维度对应的子数据。
本公开实施例中，特征提取网络对目标数据进行了特征提取，将目标数据转换为原始数据特征，便于资源推荐模型对该原始数据特征进行后续的处理。
在步骤302中，电子设备调用特征交互网络，对原始数据特征中的多个第一特征进行交互处理，得到交互特征，将交互特征输入至预测网络。
其中，交互特征是对多个第一特征中的至少两个第一特征进行交互处理后的特征，该交互特征表示多个第一特征之间的关系。该特征交互网络用于对多个第一特征进行显式的特征交互。
在步骤303中，电子设备调用特征增强网络，确定多个第一特征分别针对每个预测层的目标权重，基于多个第一特征针对同一个预测层的目标权重对多个第一特征进行增强，得到同一个预测层对应的增强数据特征，将增强数据特征输入至对应的预测层中。
本公开实施例中的特征增强网络用于对原始数据特征进行增强，且对该原始数据特征分别针对每个预测层进行增强，得到每个预测层对应的增强数据特征。其中，目标权重表示针对对应的预测层需要对对应的第一特征进行增强的程度，目标权重越大表示对应的第一特征需要被增强的程度越大，目标权重越小表示对应的第一特征需要被增强的程度越小。对于同一第一特征来说，该第一特征对应的针对不同预测层的目标权重还表示该第一特征在不同预测层中的重要程度。
在步骤304中，电子设备调用每个预测层，基于由该预测层的前一层输入至该预测层的交互特征以及由特征增强网络输入至该预测层的增强数据特征，确定输入至下一个预测层的交互特征，直至调用最后一个预测层确定推荐结果。
本公开实施例中，在预测网络包括一个预测层的情况下，电子设备调用该预测层，基于由特征交互网络输入至该预测层的交互特征以及由特征增强网络输入至该预测层的增强数据特征，确定推荐结果；在预测网络包括多个预测层的情况下，电子设备调用第一个预测层，基于由特征交互网络输入至该预测层的交互特征以及由特征增强网络输入至该预测层的增强数据特征，确定输入至下一个预测层的交互特征，然后再继续调用下一个预测层进行预测，直至得到最后一个预测层确定的推荐结果。其中，该推荐结果表示向对象账号推荐资源的可能性，然后再根据该推荐结果确定是否向该对象账号推荐该资源。
本公开实施例提供的方法，在基于资源推荐模型进行资源推荐的过程中，调用特征提取网络提取到包括多个预设维度的第一特征的原始数据特征之后，考虑到多个第一特征在该原始数据特征中的重要程度不同，会调用特征增强网络确定每个第一特征对应的目标权重，基于目标权重对对应的第一特征进行增强，以得到增强数据特征，该增强数据特征与原始数据特征相比能够更加准确地体现每个预设维度的特征在资源推荐过程中发挥的作用，因此调用预测网络，基于增强数据特征和特征交互网络输出的交互特征进行预测，得到的推荐结果更加准确，提高了推荐的准确性。并且，在预测网络中的预测层为多层的情况下，能够确定多个第一特征针对每个预测层的目标权重，以及针对每个预测层的增强数据特征，这种针对每个预测层分别确定增强数据特征的方式，能够体现不同的预测层在推荐过程中的重要程度，从而更多的考虑重要的预测层的处理结果，进一步提高推荐的准确率。
上述图3所示的实施例简单介绍了基于资源推荐模型进行推荐的过程。在一些实施例中，在上述图2所示的资源推荐模型的模型结构的基础上，参见图4，该资源推荐模型中的特征增强网络还包括至少一个权重确定层、至少一个特征增强层、权重归一化层和特征归一化层，且一个特征增强层和一个权重确定层对应于一个预测层，即权重确定层的数量、特征增强层的数量和预测层的数量相同（图4以数量为3为例）。下面基于图4所示的资源推荐模型，对资源推荐过程进行说明。
图5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，参见图5，该方法由电子设备执行，包括以下步骤。
在步骤501中，电子设备调用特征提取网络，确定目标数据的原始数据特征，将原始数据特征输入至特征交互网络和特征增强网络，该原始数据特征包括多个预设维度的第一特征。
其中，目标数据包括对象账号对应的对象数据和待推荐的资源对应的资源数据。电子设备在对目标数据进行特征提取之前，先确定对象账号以及待推荐的资源，该对象账号为对象标识、对象昵称或者其他唯一表示该对象的标识，然后获取该对象账号对应的对象数据和资源对应的资源数据。其中，对象数据至少包括对象账号、对象所属的对象类型、对象的年龄等与该对象账号相关的子数据；资源数据包括资源标识、资源类型、资源内容等与该资源相关的子数据，该资源为视频、物品、文章等。
在一些实施例中，对象账号为登录目标应用的账号，电子设备存储有该对象账号对应的对象数据，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，电子设备确定了对象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对象数据和资源数据的方式不做限定。
其中，预设维度是基于对象数据和资源数据中所包括的子数据划分的，每个子数据对应一个预设维度，例如对象账号属于对象账号维度、对象类型属于对象类型维度、资源类型属于资源类型维度。提取得到的原始数据特征用于描述该目标数据，该原始数据特征中的每个预设维度的第一特征用于描述该预设维度对应的子数据，其中，原始数据特征中的多个第一特征拼接在一起，能够直接从该原始数据特征中划分出每个预设维度的第一特征，原始数据特征为矩阵形式、向量形式或者其他形式。例如，原始数据特征为矩阵形式，每个第一维度的第一特征可以为矩阵中的一行或者一列。
在一些实施例中，目标数据包括多个预测维度的子数据，电子设备调用特征提取网络提取目标数据的原始数据特征时，分别对多个预测维度的子数据进行特征提取，得到多个预设维度的第一特征。
在一些实施例中，该特征提取网络也可称为嵌入层（Embedding Layer），通过调用该特征提取网络对目标数据进行特征提取，得到原始数据特征，将原始的高维稀疏的目标数据转换为了低维密集的数据特征。
在步骤502中，电子设备调用特征交互网络，对原始数据特征中的多个第一特征进行交互处理，得到交互特征，将该交互特征输入至预测网络中的第一个预测层。
其中，特征交互网络用于对多个第一特征进行交互处理，交互特征是对多个第一特征中的至少两个第一特征进行交互处理后的特征，该交互特征表示多个第一特征之间的关系。
在一些实施例中，电子设备调用特征交互网络，将多个第一特征中的每两个第一特征进行拼接，得到多个拼接特征，将多个拼接特征进行拼接，得到该交互特征。本公开实施例中，在对多个第一特征进行交互处理的过程中，通过将每两个第一特征进行拼接，得到包含两个第一特征的拼接特征，相比于两个单独的第一特征，该拼接特征能够更体现这两个第一特征组合后的特征对推荐结果的影响，也即是各个第一特征之间的关系对推荐结果的影响，从而后续在基于该交互特征确定推荐结果时，能够提高推荐的准确率。
当然，在一些实施例中，电子设备还能够对该多个第一特征进行其他交互处理，例如，电子设备调用特征交互网络，对多个第一特征中的每两个第一特征进行点乘运算，得到处理后的多个特征，将处理后的多个特征进行拼接，得到交互特征。又例如，电子设备调用特征交互网络，对多个第一特征中的每两个第一特征进行卷积处理，得到处理后的多个特征，将处理后的多个特征进行拼接，得到交互特征。本公开实施例中，对多个第一特征进行交互处理的方式不做限定。
在步骤503中，电子设备调用特征增强网络中的第i个权重确定层，分别确定多个第一特征针对第i个预测层的目标权重。
其中，i为大于0的整数。权重确定层用于确定每个第一特征的目标权重，且一个权重确定层对应于一个预测层，即一个权重确定层确定的目标权重是针对该权重确定层对应的预测层的权重。以三个预测层和三个权重确定层为例，第一个权重确定层确定的多个目标权重用于对多个第一特征进行增强，以得到输入至第一个预测层的增强数据特征；第二个权重确定层确定的多个目标权重用于对多个第一特征进行增强，以得到输入至第二个预测层的增强数据特征；第三个权重确定层确定的多个目标权重用于对多个第一特征进行增强，以得到输入至第三个预测层的增强数据特征。
目标权重表示针对对应的预测层需要对对应的第一特征进行增强的程度，对于同一第一特征针对不同的预测层的目标权重来说，不同预测层对应的目标权重可以相同，也可以不同。其中，目标权重越大表示对应的第一特征需要被增强的程度越大，目标权重越小表示对应的第一特征需要被增强的程度越小。
对于同一第一特征来说，该第一特征对应的针对不同预测层的目标权重还表示该第一特征在不同预测层中的重要程度，针对某个预测层的目标权重越大表示该第一特征在该预测层中越重要，针对某个预测层的目标权重越小表示该第一特征在该预测层中越不重要。例如，某个第一特征针对第一个预测层和第二个预测层的权重为0，针对第三个预测层的权重为1，则后续在基于这三个预测层预测推荐结果时，在第三个预测层中会重点考虑该第一特征所发挥的作用，而在第一个预测层和第二个预测层中不会考虑或者很少考虑该第一特征所发挥的作用。
在一些实施例中，电子设备得到每个第一特征针对每个预测层的目标权重之后，调用权重归一化层，对同一个第一特征针对不同的预测层的目标权重进行归一化，得到归一化后的多个目标权重。其中，对于同一个第一特征，该第一特征对应的归一化后的多个目标权重之和为1。本公开实施例中，由于目标权重表示对应的第一特征针对某一预测层需要被增强的程度，因此为了使同一特征对应的多个目标权重能够更加准确地体现该第一特征针对不同预测层需要被增强的程度，将同一第一特征对应的多个目标权重进行归一化处理，从而使后续利用该归一化后的目标权重增强后的特征更加准确。可选地，权重归一化层为softmax层或者其他能够对多个权重进行归一化处理的层。
在步骤504中，电子设备调用特征增强网络中的特征归一化层，分别对多个第一特征进行归一化处理，将归一化后的多个第一特征输入至每个特征增强层。
本公开实施例中，由于不同的第一特征对应的尺度可能不同，因此为了避免第一特征本身的尺度的影响，即避免后续基于目标权重对第一特征进行特征增强所产生的效果被第一特征本身的尺度抵消掉，在对第一特征进行增强之前先对第一特征进行归一化处理，以使多个第一特征本身的尺度相同，从而使后续利用目标权重对归一化后的第一特征进行增强后得到的特征更加准确。
在一些实施例中，该特征归一化层为Instance Normalization（实例归一化）层，或者该特征归一化层还可以为其他能够对特征进行归一化处理的层。
需要说明的是，本公开实施例仅是以先执行步骤503，再执行步骤504为例进行说明，在另一实施例中，可以先执行步骤504，再执行步骤503，或者同时执行步骤503和步骤504，本公开实施例对步骤503和步骤504执行的先后顺序不做限制。
在步骤505中，电子设备调用特征增强网络中的第i个特征增强层，基于多个第一特征针对第i个预测层的目标权重，对多个第一特征进行增强，得到第i个预测层对应的增强数据特征，将该增强数据特征输入至第i个预测层。
将多个第一特征和第i个权重确定层得到的多个第一特征对应的目标权重输入至与该第i个权重确定层对应的第i个特征增强层，调用该第i个特征增强层，基于输入的多个目标权重，对输入的多个第一特征进行增强，得到该第i个特征增强层对应的增强数据特征。其中，该增强数据特征包括多个第一特征增强后的第二特征。
本公开实施例中，针对每个预测层，分别采用该预测层对应的特征增强层确定输入至该预测层的增强数据特征，且特征增强层采用的目标权重也是该预测层对应的权重确定层确定的，因此，对于每个预测层能够有针对性的进行特征增强，提高了每个预测层的自适应性，从而使后续的推荐结果更加准确。
在一些实施例中，对于每个预测层，分别将每个第一特征与每个第一特征针对该预测层的目标权重相乘，得到每个第一特征增强后的第二特征，将多个第二特征进行拼接，得到该预测层对应的增强数据特征。本公开实施例中，通过将目标权重与对应的第一特征相乘对第一特征进行增强，快速准确地实现了对第一特征的增强，有利于提高资源推荐模型的推荐效率。并且，每个预测层对应的增强数据特征相比于原始数据特征能够更加准确地体现预测维度的特征在资源推荐过程中发挥的作用，从而使后续基于增强数据特征预测推荐结果时，得到的推荐结果更加准确，提高了推荐的准确性。
例如，采用下述公式确定第i个预测层对应的增强数据特征：
Figure 333950DEST_PATH_IMAGE001
其中，
Figure 679481DEST_PATH_IMAGE002
表示由多个第二特征拼接得到的、第i个预测层对应的增强数据特征，
Figure 534567DEST_PATH_IMAGE003
表示第1个第一特征，
Figure 332758DEST_PATH_IMAGE004
表示第n个第一特征，
Figure 62817DEST_PATH_IMAGE005
表示第a个第一特征针对第i个预测层的的目标权重，n表示第一特征的数量，i表示针对第i个预测层，a不大于n。
另外，对于多次推荐过程来说，在任两次推荐过程中的目标数据中的部分子数据相同的情况下，调用特征提取层对相同的子数据进行特征提取得到的第一特征也是相同的，例如，确定是否向对象账号A推荐资源B，以及确定是否向对象账号C推荐资源D，对象账号A对应的对象类型和对象账号C对应的对象类型相同，那么在进行特征提取时，提取出的对象类型相关的对象类型特征是相同，但是对于这两次推荐过程来说，对象类型特征所发挥的作用可能不同，在采用相同的对象类型特征的情况下，很难实现准确地个性化推荐，因此本公开实施例中提供了特征增强网络，能够通过该特征增强网络对不同预设维度的第一特征进行增强，从而使后续预测层中所采用的增强数据特征能够更加准确地体现不同的预设维度的特征在推荐过程中所发挥的作用，以实现个性化推荐。
需要说明的是，本公开实施例仅是以先执行步骤502，再执行步骤503-步骤505为例进行说明，在另一实施例中，可以先执行步骤503-步骤505，再执行步骤502，或者同时执行步骤503-步骤505和步骤502，本公开实施例对步骤503-步骤505和步骤502执行的先后顺序不做限制。
在步骤506中，电子设备调用第i个预测层，基于由该第i个预测层的前一层输入至该第i个预测层的交互特征以及由第i个特征增强层输入至该第i个预测层的增强数据特征，确定输入至下一个预测层的交互特征，直至调用最后一个预测层确定推荐结果。
调用第一个预测层，基于特征交互网络输入至该第一个预测层的交互特征以及由第一个特征增强层输入至该第一个预测层的增强数据特征，确定输入至第二个预测层的交互特征，然后调用第二个预测层，基于第一个预测层输入至该第二个预测层的交互特征以及由第二个特征增强层输入至该第二个预测层的增强数据特征，确定输入至第三个预测层的交互特征，直至调用最后一个预测层确定推荐结果。该推荐结果表示向对象账号推荐资源的可能性，然后再根据该推荐结果确定是否向该对象账号推荐该资源。
以预测网络包括L个预测层为例，L为大于1的整数，电子设备调用第一个预测层，基于由特征交互网络输入至该第一个预测层的交互特征以及由特征增强网络输入至该第一个预测层的增强数据特征，确定输入至第二个预测层的交互特征；调用第k个预测层，基于由第k-1个预测层输入的交互特征以及由特征增强网络输入至第k个预测层的增强数据特征，确定输入至第k+1个预测层的交互特征，直至调用第L个预测层确定所述推荐结果，其中，k为大于1且小于L的整数。
本公开实施例中，通过多个预测层进行预测，一方面，能够对输入的交互特征进行多次处理，能够挖掘出交互特征中包含的更多的信息，另一方面，由于每个预测层分别对对应的增强数据特征进行处理，而不同的增强数据特征能够体现不同的预测层在推荐过程中的重要程度，从而更多的考虑重要的预测层的处理结果，进一步提高推荐的准确率。
在一些实施例，对于每个预测层，将由该预测层的前一层输入至该预测层的交互特征以及由特征增强网络输入至该预测层的增强数据特征进行拼接，对拼接后的特征进行预测，得到输入至下一个预测层的交互特征。另外，在该预测层为最后一个预测层的情况下，对拼接后的特征进行预测，得到推荐结果。本公开实施例中，通过将前一层输入的交互特征和特征增强网络输入的增强数据特征进行拼接，使拼接后的特征能够更准确地体现这交互特征和增强数据特征组合后的特征对推荐结果的影响，从而提高推荐的准确率。
例如，参见下述公式所示的将第k个预测层输出的交互特征
Figure 262854DEST_PATH_IMAGE006
和特征增强网络输入的增强数据特征
Figure 787377DEST_PATH_IMAGE007
进行拼接，得到拼接后的特征
Figure 72864DEST_PATH_IMAGE008
：
Figure 341035DEST_PATH_IMAGE009
其中，
Figure 395578DEST_PATH_IMAGE010
表示拼接。
在一些实施例中，该预测层为DNN（Deep Neural Network，深度神经网络）、MLP（Multi-Layer Perception，多层感知机）或者其他深度神经网络，本公开实施例对此不做限制。
在一些实施例中，推荐结果采用概率表示，概率越大表示向对象账号推荐资源的可能性越大，概率越小表示向对象账号推荐资源的可能性越小。在概率大于预设阈值的情况下，确定向对象账号推荐该资源，在概率不大于该预设阈值的情况下，确定不向该对象账号推荐该资源。其中，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。
在一些实施例中，推荐结果采用分值表示，分值越大表示向对象账号推荐资源的可能性越大，分值越小表示向对象账号推荐资源的可能性越小。在分值大于预设分值的情况下，确定向对象账号推荐该资源，在分值不大于该预设分值的情况下，确定不向该对象账号推荐该资源。其中，预设分值为预先设置的任一大于0、小于100的数值，例如预设分值为90、95或其他数值。
需要说明的是，本公开实施例仅是以一个待推荐的资源为例进行说明，在另一实施例中，在存在多个待推荐的资源的情况下，得到每个待推荐的资源对应的概率，然后对该多个概率按照从大到小的顺序排序，将排列在前预设数量的概率对应的资源推荐给该对象账号；或者得到每个待推荐的资源对应的分值，然后对该多个分值按照从大到小的顺序排序，将排列在前预设数量的分值对应的资源推荐给该对象账号。
在一些实施例中，参见图6所示的资源推荐过程的示意图，首先获取目标数据，将目标数据输入至特征提取网络，调用该特征提取网络对目标数据进行特征提取，得到原始数据特征，然后将原始数据特征输入至特征交互网络和特征增强网络；调用特征交互网络对该原始数据特征进行交互处理，得到交互特征，并将该交互特征输入至第一个预测层；将原始数据特征输入至每个权重确定层，调用每个权重确定层，确定每个权重确定层输出的多个目标权重，将得到的每个权重确定层输出的多个目标权重输入至权重归一化层，调用权重归一化层，确定归一化后的每个目标权重，另外，还将原始数据特征输入至特征归一化层，调用特征归一化层，确定归一化后的原始数据特征，将该归一化处理后的原始数据特征和每个权重确定层输出的归一化后的目标权重输入至对应的特征增强层，调用每个特征增强层，确定针对每个预测层的增强数据特征，将每个增强数据特征输入至对应的预测层；调用每个预测层，对由上一层输入的交互特征和由对应的特征增强层输入的增强数据特征进行预测，直至得到最后一个预测层输出的推荐结果。图6中，
Figure 849257DEST_PATH_IMAGE011
表示原始数据特征，
Figure 622041DEST_PATH_IMAGE003
表示原始数据特征中的第1个第一特征，
Figure 428323DEST_PATH_IMAGE012
表示原始数据特征中的第n-1个第一特征，
Figure 602952DEST_PATH_IMAGE004
表示原始数据特征中的第n个第一特征，
Figure 469277DEST_PATH_IMAGE013
表示还未归一化处理的目标权重，
Figure 729357DEST_PATH_IMAGE014
表示归一化处理后的目标权重，
Figure 339330DEST_PATH_IMAGE005
表示n个第一特征中的第a个第一特征针对第1个预测层的目标权重，
Figure 368466DEST_PATH_IMAGE015
表示n个第一特征中的第a个第一特征针对第2个预测层的目标权重，
Figure 438315DEST_PATH_IMAGE016
表示n个第一特征中的第a个第一特征针对第L个预测层的目标权重。
需要说明的是，图5所示的实施例中是以资源推荐模型中包括多个预测层、多个权重确定层和多个特征增强层为例进行说明，在另一实施例中，该资源推荐模型中可以包括一个预测层、一个权重确定层和一个特征增强层，在这种情况下，电子设备调用预测层，基于特征交互网络输入至该预测层的交互特征以及由该特征增强层输入至该预测层的增强数据特征，确定推荐结果。
本公开实施例提供的方法，在基于资源推荐模型进行资源推荐的过程中，调用特征提取网络提取到包括多个预设维度的第一特征的原始数据特征之后，考虑到多个第一特征在该原始数据特征中的重要程度不同，会调用特征增强网络确定每个第一特征对应的目标权重，基于目标权重对对应的第一特征进行增强，以得到增强数据特征，该增强数据特征与原始数据特征相比能够更加准确地体现每个预设维度的特征在资源推荐过程中发挥的作用，因此调用预测网络，基于增强数据特征和特征交互网络输出的交互特征进行预测，得到的推荐结果更加准确，提高了推荐的准确性。并且，在预测网络中的预测层为多层的情况下，能够确定多个第一特征针对每个预测层的目标权重，以及针对每个预测层的增强数据特征，这种针对每个预测层分别确定增强数据特征的方式，能够体现不同的预测层在推荐过程中的重要程度，从而更多的考虑重要的预测层的处理结果，进一步提高推荐的准确率。
并且，相关技术中，对于多个推荐过程中不同的目标数据来说，如果两个目标数据中的某一预设维度的子数据是相同的，那么调用资源推荐模型所提取出的该子数据的特征也是相同的，在预测是否进行推荐时所采用的特征也是相同的。这种推荐方式，针对不同推荐过程中的目标数据，仍然会采用相同的特征表示不同目标数据中的同一子数据，该特征难以个性化地表示此次推荐过程中的子数据，即该特征的个性化程度较低，从而导致推荐准确率较差。
而本公开实施例提供的资源推荐模型中增加了特征增强网络，能够通过该特征增强网络，针对每个预设维度的第一特征进行增强，即使提取到的第一特征与其他推荐过程中提取到的第一特征相同，在特征增强过程中，考虑到该第一特征在整个原始数据特征中的重要程度，对该第一特征进行相应的增强，使增强后的第二特征能够个性化地表示此次推荐及过程中对应的子数据，从而准确地表示此次推荐过程中该第二特征所发挥的作用，提高了该第二特征的个性化程度，从而在基于增强后的特征预测推荐结果时，能够使推荐结果更加个性化，提高了推荐结果的准确性。
并且，相关技术中的资源推荐模型中的DNN网络仅是对特征交互层输出的特征进行处理，得到推荐结果，该DNN网络缺乏可解释性。而本公开实施例提供的资源推荐模型，将由特征增强网络输出的增强数据特征输入至预测层，使该增强数据特征直接与预测层进行自适应的交互，提高了该资源推荐模型的可解释性。进一步地，输入至最后的预测层的特征被增强的程度，相比于输入至其他预测层的特征被增强的程度更大时，即表示在该资源推荐模型中该特征应该直接使用该资源推荐模型记忆的推荐结果；而输入至第一个预测层的特征被增强的程度，相比于输入至其他预测层的特征被增强的程度更大时，即表示在该资源推荐模型中该特征更应该与其他预测层的特征进行组合，以提高该特征的泛化性能。
上述实施例中的资源推荐模型可以是由该电子设备训练的，或者还可以是由其他设备训练完成后发送给该电子设备的。下面以该电子设备训练该资源推荐模型为例，对该资源推荐模型的训练过程进行说明：
电子设备获取样本数据和样本推荐结果，该样本数据包括样本对象账号对应的样本对象数据和样本资源对应的样本资源数据，样本推荐结果表示向样本对象账号推荐样本资源的可能性；调用资源推荐模型，对样本数据进行处理，得到预测推荐结果；基于样本推荐结果和预测推荐结果，训练资源推荐模型。
其中，电子设备调用资源推荐模型，对样本数据进行处理，得到预测推荐结果包括：电子设备调用特征提取网络，确定样本数据的预测原始数据特征，将预测原始数据特征输入至特征交互网络和特征增强网络，预测原始数据特征包括多个预设维度的第一预测特征；调用特征交互网络，对预测原始数据特征中的多个第一预测特征进行交互处理，得到预测交互特征，将预测交互特征输入至预测网络；调用特征增强网络，确定多个第一预测特征分别针对每个预测层的预测权重，基于多个第一预测特征针对同一个预测层的预测权重对多个第一预测特征进行增强，得到同一个预测层对应的预测增强数据特征，将预测增强数据特征输入至对应的预测层中；调用每个预测层，基于由预测层的前一层输入至预测层的预测交互特征以及由特征增强网络输入至预测层的预测增强数据特征，确定输入至下一个预测层的预测交互特征，直至调用最后一个预测层确定预测推荐结果。
在一些实施例中，电子设备调用第i个权重确定层，分别确定多个第一预测特征针对第i个预测层的预测权重；调用第i个特征增强层，基于多个第一预测特征针对第i个预测层的预测权重，对多个第一预测特征进行增强，得到预测增强数据特征，将该预测增强数据特征输入至第i个预测层。
在一些实施例中，电子设备调用第i个特征增强层，基于多个第一预测特征针对第i个预测层的预测权重，对多个第一预测特征进行增强之前，还包括：电子设备调用特征归一化层，分别对多个第一预测特征进行归一化处理。
在一些实施例中，电子设备调用第i个特征增强层，基于多个第一预测特征针对第i个预测层的预测权重，对多个第一预测特征进行增强之前，还包括：电子设备调用权重归一化层，对同一个第一预测特征针对不同的预测层的预测权重进行归一化处理。
在一些实施例中，电子设备调用第一个预测层，基于由特征交互网络输入至第一个预测层的预测交互特征以及由特征增强网络输入至第一个预测层的预测增强数据特征，确定输入至第二个预测层的预测交互特征；调用第k个预测层，基于由第k-1个预测层输入的预测交互特征以及由特征增强网络输入至第k个预测层的预测增强数据特征，确定输入至第k+1个预测层的预测交互特征，直至调用第L个预测层确定预测推荐结果。
本公开实施例的训练过程中，调用资源推荐模型对该样本数据进行处理，得到预测推荐结果的实施方式，与上述图5所示的调用资源推荐模型对目标数据进行处理，得到推荐结果的实施方式同理，在此不再赘述。
在一些实施例中，基于样本推荐结果和预测推荐结果，训练资源推荐模型包括：根据该样本推荐结果和预测推荐结果之间的差异，调整该资源推荐模型对应的模型参数。
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，电子设备能够采用基于上述模型训练过程，对该资源推荐模型进行多次迭代训练，直至训练次数达到预测次数，或者训练时长达到预测时长，或者该资源推荐模型的准确率达到要求。
图7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7，该装置配置有资源推荐模型，该资源推荐模型包括特征提取网络、特征交互网络、特征增强网络和预测网络，该预测网络包括至少一个预测层；该装置包括：
特征提取单元701，被配置为执行调用该特征提取网络，确定目标数据的原始数据特征，将该原始数据特征输入至该特征交互网络和该特征增强网络，该目标数据包括对象账号对应的对象数据和待推荐的资源对应的资源数据，该原始数据特征包括多个预设维度的第一特征；
特征交互单元702，被配置为执行调用该特征交互网络，对该原始数据特征中的多个第一特征进行交互处理，得到交互特征，将该交互特征输入至该预测网络；
特征增强单元703，被配置为执行调用该特征增强网络，确定该多个第一特征分别针对每个预测层的目标权重，基于该多个第一特征针对同一个预测层的目标权重对该多个第一特征进行增强，得到该同一个预测层对应的增强数据特征，将该增强数据特征输入至对应的预测层中；
结果预测单元704，被配置为执行调用每个预测层，基于由该预测层的前一层输入至该预测层的交互特征以及由该特征增强网络输入至该预测层的增强数据特征，确定输入至下一个预测层的交互特征，直至调用最后一个预测层确定推荐结果，该推荐结果表示向该对象账号推荐该资源的可能性。
本公开实施例提供的装置，在基于资源推荐模型进行资源推荐的过程中，调用特征提取网络提取到包括多个预设维度的第一特征的原始数据特征之后，考虑到多个第一特征在该原始数据特征中的重要程度不同，会调用特征增强网络确定每个第一特征对应的目标权重，基于目标权重对对应的第一特征进行增强，以得到增强数据特征，该增强数据特征与原始数据特征相比能够更加准确地体现每个预设维度的特征在资源推荐过程中发挥的作用，因此调用预测网络，基于增强数据特征和特征交互网络输出的交互特征进行预测，得到的推荐结果更加准确，提高了推荐的准确性。并且，在预测网络中的预测层为多层的情况下，能够确定多个第一特征针对每个预测层的目标权重，以及针对每个预测层的增强数据特征，这种针对每个预测层分别确定增强数据特征的方式，能够体现不同的预测层在推荐过程中的重要程度，从而更多的考虑重要的预测层的处理结果，进一步提高推荐的准确率。
在一些实施例中，该特征增强网络包括至少一个权重确定层和至少一个特征增强层，一个特征增强层和一个权重确定层对应于一个预测层；参见图8，该特征增强单元703，包括：
权重确定子单元7031，被配置为执行调用第i个权重确定层，分别确定该多个第一特征针对第i个预测层的目标权重，i为大于0的整数；
特征增强子单元7032，被配置为执行调用第i个特征增强层，基于该多个第一特征针对该第i个预测层的目标权重，对该多个第一特征进行增强，得到该第i个预测层对应的增强数据特征，将该增强数据特征输入至该第i个预测层。
在一些实施例中，该特征增强网络还包括特征归一化层，参见图8，该特征增强单元703，还包括：
特征归一化子单元7033，被配置为执行调用该特征归一化层，分别对该多个第一特征进行归一化处理。
在一些实施例中，该特征增强网络还包括权重归一化层，参见图8，该特征增强单元703，还包括：
权重归一化子单元7034，被配置为执行调用该权重归一化层，对同一个第一特征针对不同的预测层的目标权重进行归一化处理。
在一些实施例中，该预测网络包括L个预测层，L为大于1的整数，该结果预测单元704，被配置为执行：
调用第一个预测层，基于由该特征交互网络输入至该第一个预测层的交互特征以及由该特征增强网络输入至该第一个预测层的增强数据特征，确定输入至第二个预测层的交互特征；
调用第k个预测层，基于由第k-1个预测层输入的交互特征以及由该特征增强网络输入至该第k个预测层的增强数据特征，确定输入至第k+1个预测层的交互特征，直至调用第L个预测层确定该推荐结果，其中，k为大于1且小于L的整数。
在一些实施例中，该特征增强单元703，被配置为执行对于每个预测层，分别将每个第一特征与该每个第一特征针对该预测层的目标权重相乘，得到该每个第一特征增强后的第二特征，将多个第二特征进行拼接，得到该预测层对应的增强数据特征。
在一些实施例中，该结果预测单元704，被配置为执行调用每个预测层，将由该预测层的前一层输入至该预测层的交互特征以及由该特征增强网络输入至该预测层的增强数据特征进行拼接，对拼接后的特征进行预测，得到输入至下一个预测层的交互特征。
在一些实施例中，该特征交互单元702，被配置为执行调用该特征交互网络，将该多个第一特征中的每两个第一特征进行拼接，得到多个拼接特征，将多个拼接特征进行拼接，得到该交互特征。
在一些实施例中，参见图8，该资源推荐装置还包括：模型训练单元705，被配置为执行：
获取样本数据和样本推荐结果，该样本数据包括样本对象账号对应的样本对象数据和样本资源对应的样本资源数据，该样本推荐结果表示向该样本对象账号推荐该样本资源的可能性；
调用该特征提取网络，确定该样本数据的预测原始数据特征，将该预测原始数据特征输入至该特征交互网络和该特征增强网络，该预测原始数据特征包括该多个预设维度的第一预测特征；
调用该特征交互网络，对该预测原始数据特征中的多个第一预测特征进行交互处理，得到预测交互特征，将该预测交互特征输入至该预测网络；
调用该特征增强网络，确定该多个第一预测特征分别针对每个预测层的预测权重，基于该多个第一预测特征针对同一个预测层的预测权重对该多个第一预测特征进行增强，得到该同一个预测层对应的预测增强数据特征，将该预测增强数据特征输入至对应的预测层中；
调用每个预测层，基于由该预测层的前一层输入至该预测层的预测交互特征以及由该特征增强网络输入至该预测层的预测增强数据特征，确定输入至下一个预测层的预测交互特征，直至调用最后一个预测层确定预测推荐结果；
基于该样本推荐结果和该预测推荐结果，训练该资源推荐模型。
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。
在一种可能实现方式中，该电子设备提供为终端。图9是根据一示例性实施例示出的一种终端900的结构框图。终端900包括有：处理器901和存储器902。
处理器901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901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901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901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901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902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902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902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901所执行以实现本公开中方法实施例提供的资源推荐方法。
在一些实施例中，终端900还可选包括有：外围设备接口903和至少一个外围设备。处理器901、存储器902和外围设备接口903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903相连。具体地，外围设备包括：射频电路904、显示屏905、摄像头组件906、音频电路907、定位组件908和电源909中的至少一种。
外围设备接口903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901和存储器902。在一些实施例中，处理器901、存储器902和外围设备接口903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901、存储器902和外围设备接口903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904用于接收和发射RF（Radio Frequency，射频）信号，也称电磁信号。射频电路904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904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904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904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904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905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905是触摸显示屏时，显示屏905还具有采集在显示屏905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901进行处理。此时，显示屏905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905可以为一个，设置在终端900的前面板；在另一些实施例中，显示屏905可以为至少两个，分别设置在终端900的不同表面或呈折叠设计；在另一些实施例中，显示屏905可以是柔性显示屏，设置在终端900的弯曲表面上或折叠面上。甚至，显示屏905还可以设置成非矩形的不规则图形，也即异形屏。显示屏905可以采用LCD（Liquid Crystal Display，液晶显示屏）、OLED（Organic Light-Emitting Diode，有机发光二极管）等材质制备。
摄像头组件906用于采集图像或视频。可选地，摄像头组件906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906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907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901进行处理，或者输入至射频电路904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900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901或射频电路904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907还可以包括耳机插孔。
定位组件908用于定位终端900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908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909用于为终端900中的各个组件进行供电。电源909可以是交流电、直流电、一次性电池或可充电电池。当电源909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900还包括有一个或多个传感器910。该一个或多个传感器910包括但不限于：加速度传感器911、陀螺仪传感器912、压力传感器913、光学传感器914以及接近传感器915。
本领域技术人员可以理解，图9中示出的结构并不构成对终端900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。
在另一种可能实现方式中，该电子设备提供为服务器。图10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1000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）1001和一个或一个以上的存储器1002，其中，存储器1002中存储有指令，该指令由处理器1001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中电子设备所执行的步骤。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-OnlyMemory）、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。
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 (12)

1.一种资源推荐方法，其特征在于，所述方法基于资源推荐模型执行，所述资源推荐模型包括特征提取网络、特征交互网络、特征增强网络和预测网络，所述预测网络包括至少一个预测层；所述方法包括：
调用所述特征提取网络，确定目标数据的原始数据特征，将所述原始数据特征输入至所述特征交互网络和所述特征增强网络，所述目标数据包括对象账号对应的对象数据和待推荐的资源对应的资源数据，所述原始数据特征包括多个预设维度的第一特征；
调用所述特征交互网络，对所述原始数据特征中的多个第一特征进行交互处理，得到交互特征，将所述交互特征输入至所述预测网络；
调用所述特征增强网络，确定所述多个第一特征分别针对每个预测层的目标权重，基于所述多个第一特征针对同一个预测层的目标权重对所述多个第一特征进行增强，得到所述同一个预测层对应的增强数据特征，将所述增强数据特征输入至对应的预测层中；
调用每个预测层，基于由所述预测层的前一层输入至所述预测层的交互特征以及由所述特征增强网络输入至所述预测层的增强数据特征，确定输入至下一个预测层的交互特征，直至调用最后一个预测层确定推荐结果，所述推荐结果表示向所述对象账号推荐所述资源的可能性。
2.根据权利要求1所述的资源推荐方法，其特征在于，所述特征增强网络包括至少一个权重确定层和至少一个特征增强层，一个特征增强层和一个权重确定层对应于一个预测层；
所述调用所述特征增强网络，确定所述多个第一特征分别针对每个预测层的目标权重，基于所述多个第一特征针对同一个预测层的目标权重对所述多个第一特征进行增强，得到所述同一个预测层对应的增强数据特征，将所述增强数据特征输入至对应的预测层中，包括：
调用第i个权重确定层，分别确定所述多个第一特征针对第i个预测层的目标权重，i为大于0的整数；
调用第i个特征增强层，基于所述多个第一特征针对所述第i个预测层的目标权重，对所述多个第一特征进行增强，得到所述第i个预测层对应的增强数据特征，将所述增强数据特征输入至所述第i个预测层。
3.根据权利要求2所述的资源推荐方法，其特征在于，所述特征增强网络还包括特征归一化层，所述调用第i个特征增强层，基于所述多个第一特征针对所述第i个预测层的目标权重，对所述多个第一特征进行增强，得到所述第i个预测层对应的增强数据特征之前，所述资源推荐方法还包括：
调用所述特征归一化层，分别对所述多个第一特征进行归一化处理。
4.根据权利要求2所述的资源推荐方法，其特征在于，所述特征增强网络还包括权重归一化层，所述调用第i个特征增强层，基于所述多个第一特征针对所述第i个预测层的目标权重，对所述多个第一特征进行增强，得到所述第i个预测层对应的增强数据特征之前，所述资源推荐方法还包括：
调用所述权重归一化层，对同一个第一特征针对不同的预测层的目标权重进行归一化处理。
5.根据权利要求1所述的资源推荐方法，其特征在于，所述预测网络包括L个预测层，L为大于1的整数，所述调用每个预测层，基于由所述预测层的前一层输入至所述预测层的交互特征以及由所述特征增强网络输入至所述预测层的增强数据特征，确定输入至下一个预测层的交互特征，直至调用最后一个预测层确定推荐结果，包括：
调用第一个预测层，基于由所述特征交互网络输入至所述第一个预测层的交互特征以及由所述特征增强网络输入至所述第一个预测层的增强数据特征，确定输入至第二个预测层的交互特征；
调用第k个预测层，基于由第k-1个预测层输入的交互特征以及由所述特征增强网络输入至所述第k个预测层的增强数据特征，确定输入至第k+1个预测层的交互特征，直至调用第L个预测层确定所述推荐结果，其中，k为大于1且小于L的整数。
6.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特征针对同一个预测层的目标权重对所述多个第一特征进行增强，得到所述同一个预测层对应的增强数据特征，包括：
对于每个预测层，分别将每个第一特征与所述每个第一特征针对所述预测层的目标权重相乘，得到所述每个第一特征增强后的第二特征，将多个第二特征进行拼接，得到所述预测层对应的增强数据特征。
7.根据权利要求1所述的资源推荐方法，其特征在于，所述调用每个预测层，基于由所述预测层的前一层输入至所述预测层的交互特征以及由所述特征增强网络输入至所述预测层的增强数据特征，确定输入至下一个预测层的交互特征，包括：
调用每个预测层，将由所述预测层的前一层输入至所述预测层的交互特征以及由所述特征增强网络输入至所述预测层的增强数据特征进行拼接，对拼接后的特征进行预测，得到输入至下一个预测层的交互特征。
8.根据权利要求1所述的资源推荐方法，其特征在于，所述调用所述特征交互网络，对所述原始数据特征中的多个第一特征进行交互处理，得到交互特征，包括：
调用所述特征交互网络，将所述多个第一特征中的每两个第一特征进行拼接，得到多个拼接特征，将多个拼接特征进行拼接，得到所述交互特征。
9.根据权利要求1-8任一项所述的资源推荐方法，其特征在于，所述资源推荐模型的训练过程包括：
获取样本数据和样本推荐结果，所述样本数据包括样本对象账号对应的样本对象数据和样本资源对应的样本资源数据，所述样本推荐结果表示向所述样本对象账号推荐所述样本资源的可能性；
调用所述特征提取网络，确定所述样本数据的预测原始数据特征，将所述预测原始数据特征输入至所述特征交互网络和所述特征增强网络，所述预测原始数据特征包括所述多个预设维度的第一预测特征；
调用所述特征交互网络，对所述预测原始数据特征中的多个第一预测特征进行交互处理，得到预测交互特征，将所述预测交互特征输入至所述预测网络；
调用所述特征增强网络，确定所述多个第一预测特征分别针对每个预测层的预测权重，基于所述多个第一预测特征针对同一个预测层的预测权重对所述多个第一预测特征进行增强，得到所述同一个预测层对应的预测增强数据特征，将所述预测增强数据特征输入至对应的预测层中；
调用每个预测层，基于由所述预测层的前一层输入至所述预测层的预测交互特征以及由所述特征增强网络输入至所述预测层的预测增强数据特征，确定输入至下一个预测层的预测交互特征，直至调用最后一个预测层确定预测推荐结果；
基于所述样本推荐结果和所述预测推荐结果，训练所述资源推荐模型。
10.一种资源推荐装置，其特征在于，所述装置配置有资源推荐模型，所述资源推荐模型包括特征提取网络、特征交互网络、特征增强网络和预测网络，所述预测网络包括至少一个预测层；所述装置包括：
特征提取单元，被配置为执行调用所述特征提取网络，确定目标数据的原始数据特征，将所述原始数据特征输入至所述特征交互网络和所述特征增强网络，所述目标数据包括对象账号对应的对象数据和待推荐的资源对应的资源数据，所述原始数据特征包括多个预设维度的第一特征；
特征交互单元，被配置为执行调用所述特征交互网络，对所述原始数据特征中的多个第一特征进行交互处理，得到交互特征，将所述交互特征输入至所述预测网络；
特征增强单元，被配置为执行调用所述特征增强网络，确定所述多个第一特征分别针对每个预测层的目标权重，基于所述多个第一特征针对同一个预测层的目标权重对所述多个第一特征进行增强，得到所述同一个预测层对应的增强数据特征，将所述增强数据特征输入至对应的预测层中；
结果预测单元，被配置为执行调用每个预测层，基于由所述预测层的前一层输入至所述预测层的交互特征以及由所述特征增强网络输入至所述预测层的增强数据特征，确定输入至下一个预测层的交互特征，直至调用最后一个预测层确定推荐结果，所述推荐结果表示向所述对象账号推荐所述资源的可能性。
11.一种电子设备，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9任一项所述的资源推荐方法。
12.一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9任一项所述的资源推荐方法。
CN202210504261.1A 2022-05-10 2022-05-10 资源推荐方法、装置、电子设备及存储介质 Active CN114611009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210504261.1A CN114611009B (zh) 2022-05-10 2022-05-10 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
CN202210504261.1A CN114611009B (zh) 2022-05-10 2022-05-10 资源推荐方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114611009A CN114611009A (zh) 2022-06-10
CN114611009B true CN114611009B (zh) 2022-08-26

Family

ID=81870267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210504261.1A Active CN114611009B (zh) 2022-05-10 2022-05-10 资源推荐方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114611009B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245285A (zh) * 2019-04-30 2019-09-17 中国科学院信息工程研究所 一种基于异构信息网络的个性化推荐方法
CN112905883A (zh) * 2021-02-09 2021-06-04 联想(北京)有限公司 一种应用于推荐系统的信息处理方法及装置
CN113190757A (zh) * 2021-05-17 2021-07-30 清华大学 多媒体资源推荐方法、装置、电子设备及存储介质
CN113886609A (zh) * 2021-09-29 2022-01-04 北京达佳互联信息技术有限公司 多媒体资源推荐方法、装置、电子设备及存储介质
CN114385854A (zh) * 2022-01-12 2022-04-22 清华大学 资源推荐方法、装置、电子设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210026897A1 (en) * 2019-07-23 2021-01-28 Microsoft Technology Licensing, Llc Topical clustering and notifications for driving resource collaboration

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245285A (zh) * 2019-04-30 2019-09-17 中国科学院信息工程研究所 一种基于异构信息网络的个性化推荐方法
CN112905883A (zh) * 2021-02-09 2021-06-04 联想(北京)有限公司 一种应用于推荐系统的信息处理方法及装置
CN113190757A (zh) * 2021-05-17 2021-07-30 清华大学 多媒体资源推荐方法、装置、电子设备及存储介质
CN113886609A (zh) * 2021-09-29 2022-01-04 北京达佳互联信息技术有限公司 多媒体资源推荐方法、装置、电子设备及存储介质
CN114385854A (zh) * 2022-01-12 2022-04-22 清华大学 资源推荐方法、装置、电子设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Research on Teaching Resource Recommendation Algorithm Based on Deep Learning and Cognitive Diagnosis;Fei Zhou;《Journal of Healthcare Engineering》;20220107;1-12 *
一文梳理推荐系统中的特征交互排序模型;范欣妍;《https://os.51cto.com/article/706035.html》;20220408;全文 *
卫文婕 ; 付宇博.个性化学习资源推荐算法研究.《中国教育信息化》.2018,91-96. *
基于文本评论的推荐算法研究;陈斌;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20220415(第04期);I138-1528 *

Also Published As

Publication number Publication date
CN114611009A (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN110149541B (zh) 视频推荐方法、装置、计算机设备及存储介质
CN111489378B (zh) 视频帧特征提取方法、装置、计算机设备及存储介质
CN112069414A (zh) 推荐模型训练方法、装置、计算机设备及存储介质
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
CN112967730B (zh) 语音信号的处理方法、装置、电子设备及存储介质
CN112733970B (zh) 图像分类模型处理方法、图像分类方法及装置
CN111105788B (zh) 敏感词分数检测方法、装置、电子设备及存储介质
US20230095250A1 (en) Method for recommending multimedia resource and electronic device
CN111581958A (zh) 对话状态确定方法、装置、计算机设备及存储介质
CN111339737A (zh) 实体链接方法、装置、设备及存储介质
CN114547428A (zh) 推荐模型处理方法、装置、电子设备及存储介质
CN113763931B (zh) 波形特征提取方法、装置、计算机设备及存储介质
CN114691860A (zh) 文本分类模型的训练方法、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
CN115206305B (zh) 语义文本的生成方法、装置、电子设备及存储介质
CN114611009B (zh) 资源推荐方法、装置、电子设备及存储介质
CN113032560B (zh) 语句分类模型训练方法、语句处理方法及设备
CN113593521B (zh) 语音合成方法、装置、设备及可读存储介质
CN111062709B (zh) 资源转移方式推荐方法、装置、电子设备及存储介质
CN114385854A (zh) 资源推荐方法、装置、电子设备及存储介质
CN112487162A (zh) 确定文本语义信息的方法、装置、设备以及存储介质
CN111652432A (zh) 用户属性信息的确定方法、装置、电子设备及存储介质
CN113658283B (zh) 图像处理方法、装置、电子设备及存储介质
CN113673427B (zh) 视频识别方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant