CN114741540A - 一种多媒体序列推荐方法、操作预测模型训练方法、装置、设备及存储介质 - Google Patents

Abstract

本公开关于一种多媒体序列推荐方法、操作预测模型训练方法、装置、设备及存储介质，通过将目标对象与第一对象的目标对应关系信息，以及目标对象对应的目标操作时间信息作为操作预测模型的输入；利用操作预测模型对目标对象与至少一个第一对象的目标对应关系信息，以及目标对象对应的目标操作时间信息进行预测处理，得到第一对象对应的目标预测信息；结合至少一个第一对象各自对应的目标预测信息，确定目标对象匹配的目标多媒体序列，可以提升目标多媒体序列与虚拟资源交互操作的关联；将与虚拟资源交互操作关联度更高的目标多媒体序列推送给目标对象，可以优化目标多媒体序列在实际推荐场景中的序列整体表现，提升推荐的多媒体序列的整体收益。

Description

一种多媒体序列推荐方法、操作预测模型训练方法、装置、设 备及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种多媒体序列推荐方法、操作预测模型训练方法、装置、设备及存储介质。

背景技术

随着互联网技术的发展，大量网络平台也在不断的升级，除了可以供用户随时分享日常的短视频等，也可以供主播进行对象的推广。相关技术中，在单一业务操作的场景中，该业务操作的数据往往比较稠密，可以根据稠密的历史业务操作的物品种类，训练预测模型，来预估用户对某类物品执行该业务操作的概率，此类方法，往往需要大量的基于物品粒度的历史业务操作记录作为支持。但是，根据物品粒度的历史业务操作记录向用户推送多媒体资源，会由于短视频、直播等业务形态中用户业务操作的多样性，无法向用户推送喜爱的主播或直播间，从而导致短视频、直播等业务中用户转化率低，整体收益较低。

发明内容

本公开提供一种多媒体序列推荐方法、操作预测模型训练方法、装置、设备及存储介质，以至少解决相关技术中对于多业务操作的业务场景，无法提升多媒体序列推荐与多业务操作中虚拟资源交互操作的关联的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种多媒体序列推荐方法，包括：

获取目标对象的目标对应关系信息和目标操作时间信息；所述目标对应关系信息表征所述目标对象针对至少一个第一对象的虚拟资源执行过虚拟资源交互操作；所述目标操作时间信息为所述目标对象针对各第一对象的虚拟资源执行所述虚拟资源交互操作，且距离当前时间小于时间阈值的时间信息；

将所述目标对应关系信息和所述目标操作时间信息输入操作预测模型进行所述虚拟资源交互操作的预测处理，得到所述至少一个第一对象各自对应的目标预测信息；所述目标预测信息表征预测的所述目标对象在目标时间对所述至少一个第一对象执行所述虚拟资源交互操作的概率；所述目标时间为所述当前时间之后预设时长的时间；

基于所述至少一个第一对象各自对应的目标预测信息，确定所述目标对象匹配的目标多媒体序列；所述目标多媒体序列为所述至少一个第一对象的至少一个多媒体资源；所述至少一个多媒体资源与虚拟资源相关联；

将所述目标多媒体序列推送给所述目标对象。

在一种可能的实现方式中，所述目标操作预测模型包括特征提取网络、分布处理网络以及预测信息处理模块，所述将所述目标对应关系信息和所述目标操作时间信息输入操作预测模型进行所述虚拟资源交互操作的预测处理，得到所述至少一个第一对象各自对应的目标预测信息包括：

将所述目标对应关系信息输入所述特征提取网络进行特征提取处理，得到目标对应关系特征信息；

将所述目标对应关系特征信息输入所述分布处理网络进行分布处理，得到虚拟资源交互操作的时间分布；所述虚拟资源交互操作的时间分布是指所述目标对象对所述至少一个第一对象执行所述虚拟资源交互操作的时间分布；

利用所述预测信息处理模块对所述目标操作时间信息和所述时间分布进行预测处理，得到所述至少一个第一对象各自对应的目标预测信息。

在一种可能的实现方式中，所述基于所述至少一个第一对象各自对应的目标预测信息，确定所述目标对象匹配的目标多媒体序列包括：

获取所述目标对象对应的转化率信息；所述转化率信息表征推送给所述目标对象的全量多媒体资源中，所述目标对象执行虚拟资源交互操作的多媒体资源所占的比例；所述全量多媒体资源中的每个多媒体资源均与所述虚拟资源相关联；

基于所述转化率信息和所述至少一个第一对象各自对应的目标预测信息，确定所述目标多媒体序列。

在一种可能的实现方式中，所述基于所述至少一个第一对象各自对应的目标预测信息，确定所述目标对象匹配的目标多媒体序列包括：

根据所述至少一个第一对象各自对应的目标预测信息，确定所述至少一个第一对象的优先级信息；

获取所述至少一个第一对象的目标多媒体资源；

基于所述优先级信息对所述目标多媒体资源进行排序处理，得到所述目标多媒体序列。

在一种可能的实现方式中，所述方法还包括：

获取执行过所述虚拟资源交互操作的第二对象的标识信息；所述第二对象包括所述目标对象；

确定与所述第二对象对应的至少一个第三对象的标识信息；所述第三对象为所述第二对象执行过所述虚拟资源交互操作的对象，所述至少一个第三对象包括所述至少一个第一对象；

基于所述第二对象的标识信息和所述第三对象的标识信息，构建所述第二对象与所述第三对象的对应关系信息；

所述获取所述目标对象与至少一个第一对象的目标对应关系信息和所述目标对象的目标操作时间信息包括：

获取所述目标对象的标识信息和所述目标操作时间信息；

根据所述目标对象的标识信息从所述第二对象与所述第三对象的对应关系信息中获取所述目标对应关系信息。

在一种可能的实现方式中，所述分布处理网络包括参数拟合网络和参数处理模块；所述将所述目标对应关系特征信息输入所述分布确定网络进行分布确定处理，得到虚拟资源交互操作的时间分布包括：

将所述目标对应关系特征信息输入所述参数拟合网络进行参数拟合处理，得到所述时间分布的目标预估均值和目标预估方差；

利用所述参数处理模块对所述目标预估均值和所述目标预估方差进行分布确定处理，得到所述虚拟资源交互操作的所述时间分布。

根据本公开实施例的第二方面，提供一种操作预测模型训练方法，所述方法包括：

获取样本对应关系、所述样本对应关系各自的样本操作时间信息；所述样本对应关系表征目标样本对象针对至少一个第一样本对象的虚拟资源执行过虚拟资源交互操作，所述样本操作时间信息为所述至少一个样本对象针对各第一样本对象执行所述虚拟资源交互操作的时间序列信息；

将所述样本对应关系和所述样本操作时间信息输入初始操作预测模型进行操作预测处理，得到样本预测信息；所述样本预测信息表征预测所述目标样本对象在目标样本时间段执行所述虚拟资源交互操作的概率；所述目标样本时间段为基于所述时间序列信息得到的时间段；

根据所述样本操作预测信息和所述目标样本对象在所述目标样本时间段内对所述至少一个第一样本对象执行所述虚拟资源交互操作的操作统计信息，确定损失信息；

基于所述损失信息训练所述初始操作预测模型，得到目标操作预测模型。

在一种可能的实现方式中，所述初始操作预测模型包括：特征提取网络、预设分布处理网络和预设预测信息处理模块；所述将所述样本对应关系和所述样本操作时间信息输入初始操作预测模型进行操作预测处理，得到样本预测信息包括：

将所述样本对应关系输入所述特征提取网络进行特征提取处理，得到样本对应关系特征信息；

将所述样本对应关系特征信息输入所述预设分布处理网络进行分布处理，得到虚拟资源交互操作的样本时间分布；所述样本时间分布是指所述样本对象对所述至少一个第一样本对象执行所述虚拟资源交互操作的时间分布；

将所述样本时间分布和所述样本时间信息输入所述预设预测信息处理模块，得到所述样本操作预测信息。

在一种可能的实现方式中，所述预设分布处理网络包括预设参数拟合网络和参数处理模块；所述将所述样本对应关系特征信息输入所述预设分布处理网络进行分布处理，得到虚拟资源交互操作的样本时间分布包括：

将所述样本对应关系特征信息输入所述预设参数拟合网络进行参数拟合处理，得到样本预估均值和样本预估方差；

利用所述参数处理模块对所述样本预估均值和所述样本预估方差进行分布确定处理，得到所述虚拟资源交互操作的样本时间分布。

在一种可能的实现方式中，所述预设参数拟合网络包括预设数量的全连接层和所述预设数量的S型函数处理模块；所述将所述样本对应关系特征信息输入所述预设参数拟合网络进行参数拟合处理，得到样本预估均值和样本预估方差包括：

利用预设数量的全连接层对所述样本对应关系特征信息进行参数拟合处理，得到第一中间值和第二中间值；

将所述第一中间值和所述第二中间值输入所述预设数量的S型函数处理模块，进行压缩处理，得到所述样本预估均值和所述样本预估方差。

根据本公开实施例的第三方面，提供一种多媒体序列推荐装置，包括：

目标信息获取模块，被配置为获取目标对象的目标对应关系信息和目标操作时间信息；所述目标对应关系信息表征所述目标对象针对至少一个第一对象的虚拟资源执行过虚拟资源交互操作；所述目标操作时间信息为所述目标对象针对各第一对象的虚拟资源执行所述虚拟资源交互操作，且距离当前时间小于时间阈值的时间信息；

目标信息预测模块，被配置为将所述目标对应关系信息和所述目标操作时间信息输入操作预测模型进行所述虚拟资源交互操作的预测处理，得到所述至少一个第一对象各自对应的目标预测信息；所述目标预测信息表征预测的所述目标对象在目标时间对所述至少一个第一对象执行所述虚拟资源交互操作的概率；所述目标时间为所述当前时间之后预设时长的时间；

多媒体序列确定模块，被配置为基于所述至少一个第一对象各自对应的目标预测信息，确定所述目标对象匹配的目标多媒体序列；所述目标多媒体序列为所述至少一个第一对象的至少一个多媒体资源；所述至少一个多媒体资源与虚拟资源相关联；

推送模块，被配置为将所述目标多媒体序列推送给所述目标对象。

在一种可能的实现方式中，所述目标操作预测模型包括特征提取网络、分布处理网络以及预测信息处理模块，所述信息预测模块包括：

第一特征提取单元，被配置为将所述目标对应关系信息输入所述特征提取网络进行特征提取处理，得到目标对应关系特征信息；

第一参数处理单元，被配置为将所述目标对应关系特征信息输入所述分布处理网络进行分布处理，得到虚拟资源交互操作的时间分布；所述虚拟资源交互操作的时间分布是指所述目标对象对所述至少一个第一对象执行所述虚拟资源交互操作的时间分布；

信息预测单元，被配置为利用所述预测信息处理模块对所述目标操作时间信息和所述时间分布进行预测处理，得到所述至少一个第一对象各自对应的目标预测信息。

在一种可能的实现方式中，所述多媒体序列确定模块包括：

转化率获取单元，被配置为获取所述目标对象对应的转化率信息；所述转化率信息表征推送给所述目标对象的全量多媒体资源中，所述目标对象执行虚拟资源交互操作的多媒体资源所占的比例；所述全量多媒体资源中的每个多媒体资源均与所述虚拟资源相关联；

多媒体序列确定单元，被配置为基于所述转化率信息和所述至少一个第一对象各自对应的目标预测信息，确定所述目标多媒体序列。

在一种可能的实现方式中，所述多媒体序列确定模块包括：

优先级信息确定单元，被配置为根据所述至少一个第一对象各自对应的目标预测信息，确定所述至少一个第一对象的优先级信息；

多媒体资源获取单元，被配置为获取所述至少一个第一对象的目标多媒体资源；

排序单元，被配置为基于所述优先级信息对所述目标多媒体资源进行排序处理，得到所述目标多媒体序列。

在一种可能的实现方式中，所述装置还包括：

标识信息获取模块，被配置为获取执行过所述虚拟资源交互操作的第二对象的标识信息；所述第二对象包括所述目标对象；

标识信息确定模块，被配置为确定与所述第二对象对应的至少一个第三对象的标识信息；所述第三对象为所述第二对象执行过所述虚拟资源交互操作的对象，所述至少一个第三对象包括所述至少一个第一对象；

对应关系信息构建模块，被配置为基于所述第二对象的标识信息和所述第三对象的标识信息，构建所述第二对象与所述第三对象的对应关系信息；

所述目标信息获取模块包括：

第一信息获取单元，被配置为获取所述目标对象的标识信息和所述目标操作时间信息；

目标对应关系信息获取单元，被配置为根据所述目标对象的标识信息从所述第二对象与所述第三对象的对应关系信息中获取所述目标对应关系信息。

在一种可能的实现方式中，所述目标信息预测模块包括：

参数拟合单元，被配置为将所述目标对应关系特征信息输入所述参数拟合网络进行参数拟合处理，得到所述时间分布的目标预估均值和目标预估方差；

时间分布确定单元，被配置为利用所述参数处理模块对所述目标预估均值和所述目标预估方差进行分布确定处理，得到所述虚拟资源交互操作的所述时间分布。

根据本公开实施例的第四方面，提供一种操作预测模型训练装置，该装置包括：

样本信息获取模块，被配置为获取样本对应关系、所述样本对应关系各自的样本操作时间信息；所述样本对应关系表征目标样本对象针对至少一个第一样本对象的虚拟资源执行过虚拟资源交互操作，所述样本操作时间信息为所述至少一个样本对象针对各第一样本对象执行所述虚拟资源交互操作的时间序列信息；

样本信息预测模块，被配置为将所述样本对应关系和所述样本操作时间信息输入初始操作预测模型进行操作预测处理，得到样本预测信息；所述样本预测信息表征预测所述目标样本对象在目标样本时间段执行所述虚拟资源交互操作的概率；所述目标样本时间段为基于所述时间序列信息得到的时间段；

损失确定模块，被配置为根据所述样本操作预测信息和所述目标样本对象在所述目标样本时间段内对所述至少一个第一样本对象执行所述虚拟资源交互操作的操作统计信息，确定损失信息；

训练模块，被配置为基于所述损失信息训练所述初始操作预测模型，得到目标操作预测模型。

在一种可能的实现方式中，所述初始操作预测模型包括：特征提取网络、预设分布处理网络和预设预测信息处理模块；所述样本信息预测模块包括：

第二特征提取单元，被配置为将所述样本对应关系输入所述特征提取网络进行特征提取处理，得到样本对应关系特征信息；

第一样本时间分布确定单元，被配置为将所述样本对应关系特征信息输入所述预设分布处理网络进行分布处理，得到虚拟资源交互操作的样本时间分布；所述样本时间分布是指所述样本对象对所述至少一个第一样本对象执行所述虚拟资源交互操作的时间分布；

第二信息预测单元，被配置为将所述样本时间分布和所述样本时间信息输入所述预设预测信息处理模块，得到所述样本操作预测信息。

在一种可能的实现方式中，所述预设分布处理网络包括预设参数拟合网络和参数处理模块；所述第一样本时间分布确定单元包括：

样本参数拟合单元，被配置为将所述样本对应关系特征信息输入所述预设参数拟合网络进行参数拟合处理，得到样本预估均值和样本预估方差；

第二样本时间分布确定单元，被配置为利用所述参数处理模块对所述样本预估均值和所述样本预估方差进行分布确定处理，得到所述虚拟资源交互操作的样本时间分布。

在一种可能的实现方式中，所述预设参数拟合网络包括预设数量的全连接层和所述预设数量的S型函数处理模块；所述第二参数处理单元包括：

中间值确定单元，被配置为利用预设数量的全连接层对所述样本对应关系特征信息进行参数拟合处理，得到第一中间值和第二中间值；

样本预估值确定单元，被配置为将所述第一中间值和所述第二中间值输入所述预设数量的S型函数处理模块，进行压缩处理，得到所述样本预估均值和所述样本预估方差。

根据本公开实施例的第五方面，提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如上述第一方面中任一项所述的方法。

根据本公开实施例的第六方面，提供一种计算机可读存储介质，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本公开实施例的第一方面中任一所述方法。

根据本公开实施例的第七方面，提供一种计算机程序产品，包括计算机指令，所述计算机指令被处理器执行时，使得计算机执行本公开实施例的第一方面中任一项所述方法。本公开的实施例提供的技术方案至少带来以下有益效果：

通过将目标对象的目标对应关系信息和目标操作时间信息作为操作预测模型的输入，由于目标对应关系是目标对象与目标对象执行过虚拟资源交互操作的对象的关系，目标操作时间信息是目标对象执行虚拟资源交互操作对应的操作时间，可以提升预测的虚拟资源交互操作的发生概率与第一对象和历史虚拟资源交互操作时间的关联度；利用操作预测模型对目标对应关系信息和目标操作时间信息进行预测处理，得到至少一个第一对象各自对应的目标预测信息；结合至少一个第一对象各自对应的目标预测信息，确定目标对象匹配的目标多媒体序列，由于目标预测信息可以表征预测的目标对象在目标时间对第一对象执行虚拟资源交互操作的概率，从而可以提升目标多媒体序列与虚拟资源交互操作的关联；将与虚拟资源交互操作关联度更高的目标多媒体序列推送给目标对象，可以优化目标多媒体序列在实际推荐场景中的序列整体表现，提高多媒体序列推荐时的虚拟资源转化率，从而提升多媒体序列推荐的整体收益。

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实施环境示意图。

图2是根据一示例性实施例示出的一种多媒体序列推荐方法的流程图。

图3是根据一示例性实施例示出的一种基于至少一个第一对象各自对应的目标预测信息，确定目标对象匹配的目标多媒体序列的流程图。

图4是根据一示例性实施例示出的一种利用操作预测模型处理得到目标预测信息的方法流程图。

图5是根据一示例性实施例示出的一种基于至少一个第一对象各自对应的目标预测信息，确定目标对象匹配的目标多媒体序列的方法流程图。

图6是根据一示例性实施例示出的一种构建第二对象与第三对象的对应关系信息的方法流程图。

图7是根据一示例性实施例示出的一种训练操作预测模型的方法流程图。

图8是根据该实施例示出的一种将样本对应关系和样本操作时间信息输入初始操作预测模型进行操作预测处理，得到样本预测信息的方法流程图。

图9是根据一示例性实施例示出的一种多媒体序列推荐装置框图。

图10是根据一示例性实施例示出的一种操作预测模型训练装置框图。

图11是根据一示例性实施例示出的一种用于用于多媒体序列推荐方法和/或操作预测模型训练方法的电子设备的框图。

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。

请参阅图1，其示出了本公开实施例提供的实施环境示意图，该实施环境可以包括：

至少一个终端01和至少一个服务器02。该至少一个终端01和该至少一个服务器02可以通过网络进行数据通信。

在一个可选的实施例中，终端01可以是发送目标多媒体序列推荐请求的终端或者是服务器02推送多媒体序列的终端。终端01可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、智能可穿戴设备等类型的电子设备。终端01上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows、Unix等。

在一个可选的实施例中，服务器02可以是向终端01推送目标多媒体序列的服务器。可选的，服务器02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、CDN(Content Delivery Network，内容分发网络)，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。

需要说明的是，以下图中示出的是一种可能的步骤顺序，实际上并不限定必须严格按照此顺序。有些步骤可以在互不依赖的情况下并行执行。本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息、用户行为信息等)和数据(包括但不限于用于展示的数据、训练的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

图2是根据一示例性实施例示出的一种多媒体序列推荐方法的流程图。该多媒体序列推荐方法可以应用于服务器02，如图2所示，多媒体序列推荐方法可以包括以下步骤：

在步骤S21中，获取目标对象的目标对应关系信息和目标操作时间信息。

本说明书实施例中，目标对象可以是执行过至少一次虚拟资源交互操作的对象，目标对应关系信息可以表征目标对象针对至少一个第一对象的虚拟资源执行过虚拟资源交互操作。其中，该至少一个第一对象可以为目标对象执行过虚拟资源交互操作的对象。虚拟资源交互操作可以用于目标对象与至少一个第一对象进行虚拟资源的交互。实际应用中，目标对象可以基于至少一个第一对象的多媒体资源进行虚拟资源交互操作。具体的，虚拟资源交互操作可以是目标对象在互联网平台提供的虚拟房间中触发的虚拟资源交互操作，或者可以是目标对象在互联网平台上发布的多媒体资源中触发的虚拟资源交互操作。目标对象通过执行虚拟资源交互操作，可以获取对应的虚拟资源，该虚拟资源可以是至少一个第一对象相关联的虚拟资源。

需要强调的是，各第一对象与虚拟资源存在对应关系，例如，可以多个第一对象与一个虚拟资源对应，或者各第一对象分别与不同的虚拟资源对应。

实际应用中，第一对象对应的虚拟空间或多媒体资源中可以设置有虚拟资源交互操作对应的目标功能，目标对象通过执行虚拟资源交互操作，可以在第一对象对应的虚拟空间或多媒体资源中实现该目标功能。其中，第一对象对应的虚拟空间可以是基于第一对象的请求创建的虚拟空间，例如聊天室、直播间等；第一对象对应的多媒体资源可以是指第一对象拍摄和/或制作得到的多媒体。需要说明的是，虚拟资源交互操作为本说明书实施例的业务场景中多业务操作中的一种预设操作，本说明书实施例的业务场景中，除虚拟资源交互操作外，目标对象可以在第一对象对应的虚拟空间或多媒体资源中执行多种其他预设操作以实现对应的其他功能，例如，该多种其他预设操作可以为浏览、点赞、评论、分享等操作。

本说明书实施例中，目标操作时间信息可以为至少一个操作时间信息中距离当前时间小于时间阈值的操作时间信息，该至少一个操作时间信息为目标对象执行虚拟资源交互操作对应的操作时间信息。实际应用中，不同的目标对象可以设置不同的时间阈值，例如，目标对象连续两次执行虚拟资源交互操作的时间跨度较长，可以将时间阈值设置成较大阈值；目标对象连续两次执行虚拟资源交互操作的时间跨度较短，可以将时间阈值设置成较小阈值。具体的，至少一个操作时间信息可以为目标对象执行虚拟资源交互操作的时间序列，例如按照目标对象执行虚拟资源交互操作的先后顺序，时间序列从距离当前时间最远的时间到最近的时间依次排列为t1、t2、t3、t4，其中，t4距离当前时间小于时间阈值，可以将t4作为目标操作时间。

在步骤S22中，将目标对应关系信息和目标操作时间信息输入操作预测模型进行虚拟资源交互操作的预测处理，得到至少一个第一对象各自对应的目标预测信息。

本说明书实施例中，目标预测信息可以表征目标对象在目标时间对该至少一个第一对象执行虚拟资源交互操作的概率，该目标时间可以是当前时间之后预设时长的时间。至少一个第一对象各自对应的目标预测信息表征预测的目标对象在目标时间分别对该至少一个第一对象执行虚拟资源交互操作的概率。以短视频平台场景为例，目标对应关系信息为用户1(目标对象)与用户2、用户3和用户4的对应关系信息，目标预测信息可以为用户1分别在用户2、用户3和用户4对应的虚拟空间或多媒体资源中执行虚拟资源交互操作的预测信息。实际应用中，目标预测信息可以通过数值大小表示虚拟资源交互操作的执行概率的高低，例如，目标预测信息中0.6表示的执行虚拟资源交互操作的概率高于0.3表示的执行虚拟资源交互操作的概率。需要说明的是，目标预测信息中的数值可以为0至1、0至100等范围区间的数值，本公开对目标预测信息的数值区间不作限定。本说明书实施例中，操作预测模型可以是对预设神经网络进行训练得到的模型，具体的训练步骤将在后续内容中进行介绍。

在步骤S23中，基于至少一个第一对象各自对应的目标预测信息，确定目标对象匹配的目标多媒体序列。

本说明书实施例中，目标多媒体序列为至少一个第一对象的至少一个多媒体，例如，目标多媒体序列可以是指至少一个第一对象各自的虚拟空间序列，或者可以是指至少一个第一对象各自对应的多媒体资源序列。该至少一个多媒体资源与虚拟资源相关联。实际使用中，可以直接基于本说明书实施例中的目标多媒体序列进行多媒体资源的推送，也可以将本说明书实施例中的目标多媒体序列和另外的目标多媒体序列推荐方法结合，以进行多媒体序列的推荐。例如，目标对象可以对应至少一个第一对象和未被执行过虚拟资源交互操作的对象。该未被执行过虚拟资源交互操作的对象可以是基于目标对象的兴趣点确定的对象。为了提升多媒体序列推荐与多业务操作中虚拟资源交互操作的关联，可以设置目标多媒体序列的优先级高于未被执行过虚拟资源交互操作的对象对应的多媒体。可选的，如图3所示，上述基于至少一个第一对象各自对应的目标预测信息，确定目标对象匹配的目标多媒体序列可以包括以下步骤：

在步骤S231中，根据至少一个第一对象各自对应的目标预测信息，确定至少一个第一对象的优先级信息。

本说明书实施例中，至少一个第一对象各自对应的目标预测信息可以分别表示预测的目标对象在目标时间对每个第一对象执行虚拟资源交互操作的概率。例如，可以在T时刻预测T+△t时刻目标对象对每个第一对象执行虚拟资源交互操作的概率。可以对每个第一对象各自对应的目标预测信息进行排序，并按照目标预测信息的排序确定该至少一个第一对象的优先级信息。具体的，目标预测信息表示预测的目标对象在当前时间执行虚拟资源交互操作的概率越高，对应的第一对象的优先级排序越靠前。

例如，以至少一个第一对象各自对应的目标预测信息分别为第一对象A1、第一对象A2、第一对象A3各自对应的目标预测信息M1、M2、M3为例，M1、M2和M3分别为0.3、0.6和0.1，该至少一个第一对象的优先级信息可以如下表1：

表1

在步骤S232中，获取至少一个第一对象的目标多媒体资源。

本说明书实施例中，至少一个第一对象的目标多媒体资源可以是第一对象发布的满足预设条件的多媒体资源。可选的，可以根据第一对象发布的多媒体资源的时间信息、第一对象发布的多媒体资源的数量信息、是否投放至目标对象、第一对象的数量、第一对象的优先级信息等信息中的至少一个设置多媒体资源的获取条件，并基于该获取条件获取该至少一个第一对象的目标多媒体资源。例如，以根据第一对象的数量和第一对象发布的多媒体资源的数量信息设置获取条件为例，可以设置第一对象的数量少于3个时，获取每个第一对象最新发布的至少10个多媒体资源，并将每个第一对象最新发布的至少10个多媒体资源作为目标多媒体资源；第一对象的数量不少于3个时，获取每个第一对象最新发布的至少5个多媒体资源，并将每个第一对象最新发布的至少5个多媒体资源作为目标多媒体资源。

在步骤S233中，基于优先级信息对目标多媒体资源进行排序处理，得到目标多媒体序列。

本说明书实施例中，目标多媒体资源的排序可以与优先级信息正相关。

在一个具体的实施例中，该至少一个第一对象的数量可以为一个，目标预测信息可以为该第一对象的预测信息。可以基于该第一对象的多媒体资源发布时间、目标对象是否对该第一对象的多媒体资源进行浏览等，对第一对象对应的多个多媒体资源进行排序，得到目标多媒体序列，并将该目标多媒体序列推送给目标对象。

在一个具体的实施例中，该至少一个第一对象的数量可以为多个，目标预测信息可以为该多个第一对象的预测信息。可以基于该多个第一对象的预测信息得到目标多媒体序列，或者将该多个第一对象的预测信息结合该多个第一对象的多媒体资源发布时间、目标对象是否对该第一对象的多媒体资源进行浏览等，对该多个第一对象的多个多媒体资源进行排序，得到目标多媒体序列，并将该目标多媒体序列推送给目标对象。

在一个具体的实施例中，可以根据该至少一个第一对象各自对应的目标预测信息，确定目标对象匹配的目标多媒体序列，再将该目标多媒体序列与未被执行过虚拟资源交互操作的对象的多媒体资源序列结合，得到推送给目标对象的多媒体资源序列，并将该结合后的多媒体资源序列推送给目标对象。

通过根据至少一个第一对象各自对应的目标预测信息，确定至少一个第一对象的优先级信息，可以使得优先级信息有效表达目标预测信息；获取该至少一个第一对象的目标多媒体资源，并基于优先级信息对目标多媒体资源进行排序处理，得到目标多媒体序列，可以提高目标多媒体序列与优先级信息的关联性，进而使得优先级信息确定的目标多媒体序列更加精准，提升推荐的多媒体序列的整体收益。

在步骤S24中，将目标多媒体序列推送给目标对象。

上述实施例中，将目标对象与至少一个第一对象的目标对应关系信息，以及目标对象对应的目标操作时间信息作为操作预测模型的输入，可以提升预测的虚拟资源交互操作的发生概率与第一对象和历史虚拟资源交互操作时间的关联度；利用操作预测模型对目标对象与至少一个第一对象的目标对应关系信息，以及目标对象对应的目标操作时间信息进行预测处理，得到至少一个第一对象各自对应的目标预测信息；结合至少一个第一对象各自对应的目标预测信息，确定目标对象匹配的目标多媒体序列，可以提升目标多媒体序列与虚拟资源交互操作的关联；将与虚拟资源交互操作关联度更高的目标多媒体序列推送给目标对象，可以优化目标多媒体序列在实际推荐场景中的序列整体表现，提高多媒体序列推荐时的虚拟资源转化率，从而提升多媒体序列推荐的整体收益。以虚拟资源交互操作是对用户发布多媒体资源中的商品进行购买为例，目标用户在用户1和用户2的多媒体资源中进行过购买商品的操作，目标对应关系信息中记录有目标用户与用户1、用户2的对应关系，目标对象在用户1的多媒体资源中最近一次购买商品的时间分别为U1t，在用户2的多媒体资源中最近一次购买商品的时间分别为U2t，向目标用户推荐多媒体资源时，可以将目标用户与用户1、用户2的对应关系和U1t、U2t输入操作预测模型，对目标用户在目标时间对用户1和用户2分别进行购买操作的概率P1和P2进行预；基于概率P1和P2确定待推送给目标用户的目标多媒体序列，可以使推荐的目标多媒体序列更符合目标用户的喜好或需求，从而提高目标多媒体序列中多媒体资源的转化率。

图4是根据一示例性实施例示出的一种利用操作预测模型处理得到目标预测信息的方法流程图。该实施例中，目标操作预测模型可以包括特征提取网络、分布处理网络以及预测信息处理模块。基于此，将目标对应关系信息和目标操作时间信息输入操作预测模型进行虚拟资源交互操作的预测处理，得到至少一个第一对象各自对应的目标预测信息可以包括：

在步骤S41中，将目标对应关系信息输入特征提取网络进行特征提取处理，得到目标对应关系特征信息。

本说明书实施例中，特征提取网络可以是至少一个DenseNet网络模块。例如，特征提取网络可以是两个DenseNet(一种神经网络)网络模块拼接得到的。其中，用于提取对应关系特征信息的两个DenseNet网络模块可以是经过预训练得到的。DenseNet网络模块的预训练可以是在参数拟合网络训练之前进行训练，或者与参数拟合网络共同进行训练，本公开对此不作限定。

在步骤S42中，将目标对应关系特征信息输入分布处理网络进行分布处理，得到虚拟资源交互操作的时间分布。

本说明书实施例中，虚拟资源交互操作的时间分布可以是指目标对象对至少一个第一对象执行虚拟资源交互操作的时间分布。具体的，虚拟资源交互操作的时间分布可以

本说明书实施例中，虚拟资源交互操作的时间分布可以为对数正态分布，即目标对象和至少一个第一对象的对应关系，与目标对象执行虚拟资源交互操作的时间跨度服从对数正态分布。具体的，该对数正态分布中的横轴可以表示虚拟资源交互操作被执行的时间跨度，纵轴可以表示目标对象执行虚拟资源交互操作的强度。目标对象执行虚拟资源交互操作的强度，可以是目标对象执行虚拟资源交互操作的统计信息。纵轴上，目标对象执行虚拟资源交互操作的强度越大，表征目标对象执行虚拟资源交互操作的次数越多。

在一个具体的实施例中，分布处理网络可以包括参数拟合网络和参数处理网络。相应的，将目标对应关系特征信息输入分布确定网络进行分布确定处理，得到虚拟资源交互操作的时间分布可以包括：将目标对应关系特征信息输入参数拟合网络进行参数拟合处理，得到时间分布的目标预估均值和目标预估方差；利用参数处理模块对目标预估均值和目标预估方差进行分布确定处理，可以得到虚拟资源交互操作的时间分布。

在一个具体的实施例中，该对数正态分布中的任意一点(x，f(x))可以表示目标对象在时间跨度x内对每个第一对象执行虚拟资源交互操作的次数。

在步骤S43中，利用预测信息处理模块对时间分布和目标预估方差进行预测处理，得到至少一个第一对象各自对应的目标预测信息。

本说明书实施例中，在步骤S42中得到目标预估均值和目标预估方差后，可以将目标操作时间信息、目标预估均值和目标预估方差输入预测信息处理模块，并将输出的结果作为至少一个对象各自对应的目标预测信息。

本说明书实施例中，可以根据目标预估值和目标预估方差确定虚拟资源交互操作的时间分布。利用预测信息处理模块对目标操作时间信息、目标预估均值和目标预估方差进行预测处理，可以结合对数正态分布函数实现。该对数正态分布函数可以为上述对数正态分布所对应的函数。

在一个具体的实施例中，该对数正态分布函数可以为下述公式：

其中，f(μ，σ；x)表示目标对象对至少一个第一对象执行虚拟资源交互操作的强度，x表示目标对象执行虚拟资源交互操作的时间跨度，μ表示对数正态分布中的均值，σ表示对数正态分布中的方差，exp为以自然常数e为底的指数函数，ln(x)为以x为自变量的对数函数。

具体的，若目标操作时间为T1，当前时间为T2，可以通过求目标操作时间T1和当前时间T2的差值，得到上述公式中的时间跨度x；并将步骤S32中的目标预估均值和目标预估方差分别作为对数正态分布函数中的μ和σ，将时间跨度x、目标预估均值μ和目标预估方差σ代入上述对数正态分布函数，得到目标对象对应的每个第一对象的目标预测信息。

上述实施例中，将目标对应关系信息输入特征提取网络进行特征提取处理，可以通过对目标对应关系进行特征提取，得到较为稠密的目标对应关系特征信息，将较为稠密的目标对应特征信息输入分布处理网络进行分布处理，可以得到虚拟资源交互操作的时间分布，从而得到目标对象匹配的时间分布；利用预测信息处理模块对目标操作时间信息和时间分布进行预测处理，得到至少一个第一对象各自对应的目标预测信息；由于各目标对象对第一对象执行虚拟资源交互操作的时间和对象均有差异，本公开利用目标对象对应的时间分布和目标操作时间信息进行虚拟资源交互操作的概率预测处理，可以对目标对象进行虚拟资源交互操作进行针对性的预测，从而可以提升目标预测信息的准确性。

进一步的，根据目标预估值和目标预估方差确定虚拟资源交互操作的时间分布，可以使提高时间分布于目标对象的匹配程度。

图5是根据一示例性实施例示出的一种基于至少一个第一对象各自对应的目标预测信息，确定目标对象匹配的目标多媒体序列的方法流程图。

在步骤S51中，获取目标对象对应的转化率信息。

本说明书实施例中，转化率信息可以表征推送给目标对象的全量多媒体资源中，目标对象执行虚拟资源交互操作的多媒体资源所占的比例；其中，全量多媒体资源中的每个多媒体资源均与虚拟资源相关联。转化率信息可以是数值的形式，例如是0至1范围内的数值，本公开对此不作限定。

实际应用中，全量多媒体资源中的每个多媒体资源可以是目标对象进行预设操作的多媒体资源。本说明书实施例中，预设操作可以是虚拟资源交互操作的关联操作。在一些示例中，预设操作可以为虚拟资源交互操作的必要操作，即虚拟资源交互操作需要在预设操作之后执行，例如，在进行虚拟资源交互操作(点击多媒体资源中的链接信息)前，需要先进行预设操作(在一多媒体资源曝光后，对该多媒体资源进行浏览播放)；或者预设操作可以为虚拟资源交互操作以外的其他预设操作，该虚拟资源交互操作以外的其他预设操作可以是和预设操作共同体现目标对象兴趣点的操作，例如，在一个多媒体资源的播放过程中，目标对象执行了预设操作(点赞)，并且执行了虚拟资源交互操作(点击多媒体资源中的连接信息)。

以全量执行预设操作的虚拟空间或多媒体资源为10万为例，可以从该10万个历史记录中统计出目标对象还执行过虚拟资源交互操作的虚拟空间或多媒体资源的数量，记为N；根据10万个执行预设操作的虚拟空间或多媒体资源，以及统计出的目标对象执行过预设操作的虚拟空间或多媒体资源的数量N，可以确定目标对象执行预设操作的统计信息为N/10万。

在步骤S52中，基于转化率信息和至少一个第一对象各自对应的目标预测信息，确定目标多媒体序列。

本说明书实施例中，基于转化率信息和至少一个第一对象各自对应的目标预测信息，可以是将转化率信息和目标预测信息作融合处理。可选的，可以通过预设转化率模型预估第一对象对于目标对象的转化率信息，并将该转化率信息与目标预测信息进行乘积处理，得到目标多媒体资源的排序依据，基于该目标多媒体资源的排序依据，确定目标多媒体序列。

上述实施例通过获取转化率信息，基于该转化率和至少一个第一对象各自对应的目标预测信息，确定目标多媒体序列，可以提高目标多媒体序列与预设操作的关联度，进一步优化目标多媒体序列在实际推荐场景中的序列整体表现，从而提升推荐的多媒体序列的整体收益。

图6是根据一示例性实施例示出的一种构建第二对象与第三对象的对应关系信息的方法流程图。该方法可以包括以下步骤：

在步骤S61中，获取执行过虚拟资源交互操作的第二对象的标识信息。

本说明书实施例中，第二对象可以是指所有执行过虚拟资源交互操作的对象。其中，第二对象可以包括目标对象。第二对象的标识信息可以表征第二对象的身份信息，例如身份标识序列号等。

在步骤S62中，确定与第二对象对应的至少一个第三对象的标识信息。

本说明书实施例中，第二对象对应的至少一个第三对象可以是指第二对象执行过虚拟资源交互操作的对象，该至少一个第三对象可以包括至少一个第一对象。在实际应用中，一个对象根据虚拟资源交互操作执行方或被执行方的判断，既可以在执行虚拟资源交互操作时作为第二对象，也可以在被执行虚拟资源交互操作时作为第三对象。

本说明书实施例中，第二对象对应的至少一个第三对象的标识信息可以表征第三对象的身份信息，例如身份标识序列号等。

在步骤S63中，基于第二对象的标识信息和第三对象的标识信息，构建第二对象与第三对象的对应关系信息。

本说明书实施例中，基于第二对象的标识信息和第二对象对应的至少一个第三对象的标识信息，可以构建第二对象和第三对象的对应关系信息。具体的，第二对象和第三对象的对应关系信息中，可以包括多条对应关系信息，其中，每条对应关系信息用于记录每个第二对象及该第二对象对应的第三对象的标识信息。实际使用中，可以将该第二对象和第三对象的对应关系信息存储在服务端。

可选的，每条对应关系信息中可以记录有一个第二对应与不同时刻对应的第三对象的标识信息，例如，第二对象(用户1)分别对第三对象(用户2、用户2、用户3、用户3)执行过虚拟资源交互操作，该条对应关系信息可以记录为：用户1与用户2、用户2、用户3、用户3对应。

可选的，每条对应关系信息中可以记录有一个第二对象与不重复的第三对象的标识信息，例如，第二对象(用户1)分别对第三对象(用户2、用户2、用户3、用户3)执行过虚拟资源交互操作，该条对应关系信息可以记录为：用户1与用户2、用户3对应。

基于此，步骤S21可以包括：获取目标对象的标识信息和目标操作时间信息，并根据目标对象的标识信息从第二对象与第三对象的对应关系信息中获取目标对应关系信息。

该实施例中，通过获取执行过虚拟资源交互操作的第二对象的标识信息，确定第二对象对应的至少一个第三对象的标识信息，可以预先筛选出符合条件的第二对象，并基于第二对象的标识信息和第三对象标识信息，构建第二对象与第三对象的对应关系信息，可以从大量对象数据中提取并构建出符合条件的第二对象与第三对象的对应关系信息；并且在应用时根据目标对象的标识信息从第二对象与第三对象的对应关系信息中获取目标对应关系信息，可以提高目标对应关系信息的处理效率，从而提升多媒体序列推荐方法的整体处理速度。

在一些实施例中，可以对第二对象与第三对象的对应关系信息进行实时更新。具体的，当一个第二对象对新的对象执行虚拟资源交互操作时，可以基于该新的对象更新该第二对象，以对第二对象与第三对象的对应关系信息进行更新。当一个从未执行过虚拟资源交互操作的对象执行虚拟资源交互操作后，基于该新执行虚拟资源交互操作的对象及被执行对象更新第二对象与第三对象的对应关系信息，以便在应用时可以基于更新后的第二对象与第三对象的对应关系信息，提取准确的目标对应关系信息，从而提高多媒体序列推荐的准确性。

图7是根据一示例性实施例示出的一种操作预测模型训练方法的流程图。该实施例中的操作预测模型训练方法可以训练出多媒体序列推荐方法中使用的操作预测模型。具体的，该操作预测模型训练方法可以包括以下步骤：

在步骤S71中，获取样本对应关系、样本对应关系各自的样本操作时间信息。

本说明书实施例中，样本对应关系可以是指至少一个样本对象与至少一个第一样本对象的对应关系。样本操作时间信息为目标样本对象对至少一个第一样本对象执行虚拟资源交互操作的时间序列信息。该至少一个第一样本对象为目标样本执行过虚拟资源交互操作的对象。该时间序列信息可以是包括至少两个时间信息的序列。实际应用中，目标样本对象与至少一个第一样本对象的对应关系，可以是从大量历史数据中筛选出的对应关系，例如可以是筛选出半年内执行过虚拟资源交互操作的对象，并将该半年内执行过虚拟资源交互操作的对象作为目标样本对象，将半年内目标样本对象执行虚拟资源交互操作的对象作为第一样本对象，并根据筛选后得到的目标样本对象和对应的第一样本对象，确定目标样本对象与至少一个第一样本对象的对应关系。可选的，可以从预先构建的第二对象与第三对象的对应关系信息中获取多个样本对应关系。

本说明书实施例中，样本操作时间信息可以是目标样本对象执行虚拟资源交互操作的时间序列信息。

在步骤S72中，将样本对应关系和样本操作时间信息输入初始操作预测模型进行预测处理，得到样本预测信息。

本说明书实施例中，初始操作预测模型可以是一个预设神经网络。样本预测信息可以表征预测的目标样本对象在目标样本时间段内执行虚拟资源交互操作的概率。目标样本时间段可以是基于时间序列信息得到的时间段。例如，时间序列信息包括时间t1和时间t2，目标样本时间段可以是t2-t1。

在一个具体的实施例中，初始操作预测模型可以包括：特征提取网络、预设分布处理网络和预设预测信息处理模块。基于此，图8是根据该实施例示出的一种将样本对应关系和样本操作时间信息输入初始操作预测模型进行操作预测处理，得到样本预测信息的方法流程图，具体的，该方法可以包括：

在步骤S81中，将样本对应关系输入特征提取网络进行特征提取处理，得到样本对应关系特征信息。

本说明书实施例中，特征提取网络可以是预先训练好的神经网络，或者是待训练的神经网络。当该特征提取网络是待训练的神经网络时，可以将该特征提取网络与预设参数拟合网络进行共同训练。

在步骤S82中，将样本对应关系特征信息输入预设分布处理网络进行分布处理，得到虚拟资源交互操作的样本时间分布。

本说明书实施例中，样本时间分布可以是指样本对象对至少一个样本对象执行虚拟资源交互操作的时间分布。

在一个具体的实施例中，预设分布处理网络可以包括预设参数拟合网络和参数处理模块。相应的，将样本对应关系输入特征提取网络进行特征提取处理，得到样本对应关系特征信息可以包括：将样本对应关系特征信息输入预设参数拟合网络进行参数拟合处理，得到样本预估均值和样本预估方差；利用参数处理模块对样本预估均值和样本预估方差进行分布确定处理，得到虚拟资源交互操作的样本时间分布。其中，样本预估均值和样本预估方差可以为预设正态分布中的参数。

本说明书实施例中，预设正态分布可以是指目标样本对象对至少一个第一样本对象执行虚拟资源交互操作的时间分布。

可选的，该预设参数拟合网络可以包括预设数量的全连接层和预设数量的S型(Sigmod)函数处理模块，将样本对应关系特征信息输入预设参数拟合网络，可以利用预设数量的全连接层对样本对应关系特征信息进行参数拟合处理，得到第一中间值和第二中间值，将第一中间值和第二中间值输入预设数量的S型函数处理模块，进行压缩处理，可以得到样本预估均值和样本预估方差。例如，可以设置四个全连接层，该四个全连接层的网络节点数可以分别为[512,256,128,2]，从而达到较好的拟合效果。在该四个全连接层的总输出侧可接入S型函数处理模块，从而提高预设神经网络的收敛速度，例如可以加入一个3*sigmod函数，该3*sigmod函数公式如下：

上述公式中，μ’、σ’为3*sigmod函数的输入，μ(μ’)为经3*sigmod函数处理得到的预测均值信息，μ(μ’)为经3*sigmod函数处理得到的预测方差信息；3*sigmod函数可以将分类层的整体输出压缩至0～3范围内。

通过利用预设数量的全连接层对样本对应关系特征信息系进行参数拟合处理，可以有效得到第一中间值和第二中间值，将第一中间值和第二中间值输入预设数量的S型函数处理模块，进行压缩处理，有利于提升预设参数拟合网络的整体收敛效果，得到样本预估均值和样本预估方差。

在步骤S83中，将样本时间分布和样本时间信息输入预设预测信息处理模块，得到样本操作预测信息。

本说明书实施例中，预设预测信息处理模块可以用于拟合对数正态分布。具体的，在一个示例中，预设预测信息处理模块中使用的函数公式如下：

其中，f(μ，σ；x)表示样本对象对至少一个第一样本对象执行虚拟资源交互操作的强度，x表示样本对象执行虚拟资源交互操作的时间跨度，μ表示对数正态分布中的均值，σ表示对数正态分布中的方差，exp为以自然常数e为底的指数函数，ln(x)为以x为自变量的对数函数。

该实施例通过将样本对应关系输入特征提取网络进行特征提取处理，可以得到较为稠密的样本对应关系特征信息，将较为稠密的样本对应关系特征信息输入预设参数拟合网络进行参数拟合处理，得到样本预估均值和样本预估方差，将样本预估均值、样本预估方差和样本时间信息输入预设预测信息处理模块，可以利用服从对数正态分布的样本对应关系得到样本操作预测信息，从而提高样本操作预测信息的准确性。

在步骤S73中，根据样本操作预测信息和目标样本对象在目标样本时间段内对至少一个第一样本对象执行虚拟资源交互操作的操作统计信息，确定损失信息。

本说明书实施例中，可以通过计算样本操作预测信息对应的最大似然损失函数，并采用随机梯度下降法，确定损失信息。其中，该最大似然损失函数可以表征样本操作预测信息和目标样本对象在目标样本时间段内对至少一个第一样本对象执行虚拟资源交互操作的操作统计信息之间的损失大小。

在步骤S74中，基于损失信息训练初始操作预测模型，得到目标操作预测模型。

具体的，在一个示例性的实施例中，该最大似然损失函数公式可以如下：

其中，loss为损失信息，x为样本对象执行虚拟资源交互操作的时间跨度，μ表示对数正态分布中的均值，σ表示对数正态分布中的方差，exp为以自然常数e为底的指数函数，ln(x)为以x为自变量的对数函数。

在利用上述最大似然损失函数公式确定损失的基础上，可以通过反向预设参数拟合网络中逐层的梯度传播，来更新预设参数拟合网络的参数，使预设参数拟合网络参数逐渐收敛。

上述实施例通过获取多个样本对应关系、多个对应关系各自的样本操作时间信息，将服从对数正态分布的样本对应关系和样本操作时间信息输入初始操作预测模型进行操作预测处理，得到样本预测信息，根据样本操作预测信息，确定损失信息，并基于损失信息训练初始操作预测模型，得到目标操作预测模型，从而可以训练出效果较优的操作预测模型，提升虚拟资源交互操作的预测信息的准确性。

图9是根据一示例性实施例示出的一种多媒体序列推荐装置框图。参照图9，该装置可以包括：

目标信息获取模块901，被配置为获取目标对象的目标对应关系信息和目标操作时间信息；所述目标对应关系信息存储有所述目标对象与至少一个第一对象的对应关系，所述至少一个第一对象为所述目标对象执行过虚拟资源交互操作的对象；所述虚拟资源交互操作用于所述目标对象与所述至少一个第一对象进行虚拟资源的交互；所述目标操作时间信息为至少一个操作时间信息中距离当前时间小于时间阈值的操作时间信息，所述至少一个操作时间信息为所述目标对象执行所述虚拟资源交互操作对应的操作时间信息；

目标信息预测模块902，被配置为将所述目标对应关系信息和所述目标操作时间信息输入操作预测模型进行所述虚拟资源交互操作的预测处理，得到所述至少一个第一对象各自对应的目标预测信息；所述目标预测信息表征预测的所述目标对象在目标时间对所述至少一个第一对象执行所述虚拟资源交互操作的概率；所述目标时间为所述当前时间之后预设时长的时间；

多媒体序列确定模块903，被配置为基于所述至少一个第一对象各自对应的目标预测信息，确定所述目标对象匹配的目标多媒体序列；所述目标多媒体序列为所述至少一个第一对象的至少一个多媒体资源；所述至少一个多媒体资源与所述虚拟资源相关联；

推送模块904，被配置为将所述目标多媒体序列推送给所述目标对象。

上述实施例中，将目标对象与至少一个第一对象的目标对应关系信息，以及目标对象对应的目标操作时间信息作为操作预测模型的输入，可以提升预测的虚拟资源交互操作的发生概率与第一对象和历史虚拟资源交互操作时间的关联度；利用操作预测模型对目标对象与至少一个第一对象的目标对应关系信息，以及目标对象对应的目标操作时间信息进行预测处理，得到至少一个第一对象各自对应的目标预测信息；结合至少一个第一对象各自对应的目标预测信息，确定目标对象匹配的目标多媒体序列，可以提升目标多媒体序列与虚拟资源交互操作的关联；将与虚拟资源交互操作关联度更高的目标多媒体序列推送给目标对象，可以优化目标多媒体序列在实际推荐场景中的序列整体表现，提高多媒体序列推荐时的虚拟资源转化率，从而提升多媒体序列推荐的整体收益。

在一种可能的实现方式中，该目标操作预测模型包括特征提取网络、分布处理网络以及预测信息处理模块，该信息预测模块包括：

第一特征提取单元，被配置为将所述目标对应关系信息输入所述特征提取网络进行特征提取处理，得到目标对应关系特征信息；

第一参数处理单元，被配置为将所述目标对应关系特征信息输入所述分布处理网络进行分布处理，得到虚拟资源交互操作的时间分布；所述虚拟资源交互操作的时间分布是指所述目标对象对所述至少一个第一对象执行所述虚拟资源交互操作的时间分布；

目标预测信息确定单元，被配置为利用所述预测信息处理模块对所述目标操作时间信息和所述时间分布进行预测处理，得到所述至少一个第一对象各自对应的目标预测信息。

在一种可能的实现方式中，所述多媒体序列确定模块包括：

转化率获取单元，被配置获取所述目标对象对应的转化率信息；所述转化率信息表征推送给所述目标对象的全量多媒体资源中，所述目标对象执行虚拟资源交互操作的多媒体资源所占的比例；所述全量多媒体资源中的每个多媒体资源均与所述虚拟资源相关联；

多媒体序列确定单元，被配置为基于所述转化率信息和所述至少一个第一对象各自对应的目标预测信息，确定所述目标多媒体序列。

在一种可能的实现方式中，所述多媒体序列确定模块包括：

优先级信息确定单元，被配置为根据所述至少一个第一对象各自对应的目标预测信息，确定所述至少一个第一对象的优先级信息；

多媒体资源获取单元，被配置为获取所述至少一个第一对象的目标多媒体资源；

排序单元，被配置为基于所述优先级信息对所述目标多媒体资源进行排序处理，得到所述目标多媒体序列。

在一种可能的实现方式中，所述装置还包括：

标识信息获取模块，被配置为获取执行过所述虚拟资源交互操作的第二对象的标识信息；所述第二对象包括所述目标对象；

标识信息确定模块，被配置为确定与所述第二对象对应的至少一个第三对象的标识信息；所述第三对象为所述第二对象执行过所述虚拟资源交互操作的对象，所述至少一个第三对象包括所述至少一个第一对象；

对应关系信息构建模块，被配置为基于所述第二对象的标识信息和所述第三对象的标识信息，构建所述第二对象与所述第三对象的对应关系信息；

所述目标信息获取模块包括：

第一信息获取单元，被配置为获取所述目标对象的标识信息和所述目标操作时间信息；

目标对应关系信息获取单元，被配置为根据所述目标对象的标识信息从所述第二对象与所述第三对象的对应关系信息中获取所述目标对应关系信息。

在一种可能的实现方式中，所述目标信息预测模块包括：

参数拟合单元，被配置为将所述目标对应关系特征信息输入所述参数拟合网络进行参数拟合处理，得到所述时间分布的目标预估均值和目标预估方差；

时间分布确定单元，被配置为利用所述参数处理模块对所述目标预估均值和所述目标预估方差进行分布确定处理，得到所述虚拟资源交互操作的所述时间分布。

图10是根据一示例性实施例示出的一种操作预测模型训练装置框图。参照图9，该装置可以包括：

样本信息获取模块1001，被配置为获取样本对应关系、所述样本对应关系各自的样本操作时间信息；所述样本对应关系为目标样本对象与至少一个第一样本对象的对应关系，所述样本操作时间信息为至少一个样本对象对至少一个第一样本对象执行虚拟资源交互操作的时间序列信息；所述至少一个第一样本对象为所述目标样本对象执行过所述虚拟资源交互操作的对象；

样本信息预测模块1002，被配置为将所述样本对应关系和所述样本操作时间信息输入初始操作预测模型进行操作预测处理，得到样本预测信息；所述样本预测信息表征预测所述目标样本对象在目标样本时间段执行所述虚拟资源交互操作的概率；所述目标样本时间段为基于所述时间序列信息得到的时间段；

损失确定模块1003，被配置为根据所述样本操作预测信息和所述目标样本对象在所述目标样本时间段内对所述至少一个第一样本对象执行所述虚拟资源交互操作的操作统计信息，确定损失信息；

训练模块1004，被配置为基于所述损失信息训练所述初始操作预测模型，得到目标操作预测模型。

上述实施例通过获取多个样本对应关系、多个对应关系各自的样本操作时间信息，将服从对数正态分布的样本对应关系和样本操作时间信息输入初始操作预测模型进行操作预测处理，得到样本预测信息，根据样本操作预测信息，确定损失信息，并基于损失信息训练初始操作预测模型，得到目标操作预测模型，从而可以训练出效果较优的操作预测模型，提升虚拟资源交互操作的预测信息的准确性。

在一种可能的实现方式中，所述初始操作预测模型包括：特征提取网络、预设参数拟合网络和预设预测信息处理模块；所述样本信息预测模块包括：

第二特征提取单元，被配置为将所述样本对应关系输入所述特征提取网络进行特征提取处理，得到样本对应关系特征信息；

第一样本时间分布确定单元，被配置为将所述样本对应关系特征信息输入所述预设分布处理网络进行分布处理，得到虚拟资源交互操作的样本时间分布；所述样本时间分布是指所述样本对象对所述至少一个第一样本对象执行所述虚拟资源交互操作的时间分布；

第二信息预测单元，被配置为将所述样本时间分布和所述样本时间信息输入所述预设预测信息处理模块，得到所述样本操作预测信息。

在一种可能的实现方式中，所述预设分布处理网络包括预设参数拟合网络和参数处理模块；所述第一样本时间分布确定单元包括：

样本参数拟合单元，被配置为将所述样本对应关系特征信息输入所述预设参数拟合网络进行参数拟合处理，得到样本预估均值和样本预估方差；

第二样本时间分布确定单元，被配置为利用所述参数处理模块对所述样本预估均值和所述样本预估方差进行分布确定处理，得到所述虚拟资源交互操作的样本时间分布。

在一种可能的实现方式中，所述预设参数拟合网络包括预设数量的全连接层和所述预设数量的S型函数处理模块；所述第二参数处理单元包括：

中间值确定单元，被配置为利用预设数量的全连接层对所述样本对应关系特征信息进行参数拟合处理，得到第一中间值和第二中间值；

样本预估值确定单元，被配置为将所述第一中间值和所述第二中间值输入所述预设数量的S型函数处理模块，进行压缩处理，得到所述样本预估均值和所述样本预估方差。

关于上述实施例中的装置，其中各个模块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。

图11是根据一示例性实施例示出的一种用于多媒体序列推荐方法和/或操作预测模型训练方法的电子设备的框图，该电子设备可以是服务器，其内部结构图可以如图11所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种虚拟对象构建方法的方法。

本领域技术人员可以理解，图11中示出的结构，仅仅是与本公开方案相关的部分结构的框图，并不构成对本公开方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在示例性实施例中，还提供了一种电子设备，包括：处理器；用于存储该处理器可执行指令的存储器；其中，该处理器被配置为执行该指令，以实现如本公开实施例中的多媒体序列推荐方法和/或操作预测模型训练方法。

在示例性实施例中，还提供了一种计算机可读存储介质，当该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，使得电子设备能够执行本公开实施例中的多媒体序列推荐方法和/或操作预测模型训练方法。计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本公开实施例中的多媒体位置信息处理方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)，以及存储器总线动态RAM(RDRAM)等。

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。本申请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)

1.一种多媒体序列推荐方法，其特征在于，包括：

获取目标对象的目标对应关系信息和目标操作时间信息；所述目标对应关系信息表征所述目标对象针对至少一个第一对象的虚拟资源执行过虚拟资源交互操作；所述目标操作时间信息为所述目标对象针对各第一对象的虚拟资源执行所述虚拟资源交互操作，且距离当前时间小于时间阈值的时间信息；

将所述目标对应关系信息和所述目标操作时间信息输入操作预测模型进行所述虚拟资源交互操作的预测处理，得到所述至少一个第一对象各自对应的目标预测信息；所述目标预测信息表征预测的所述目标对象在目标时间对所述至少一个第一对象执行所述虚拟资源交互操作的概率；所述目标时间为所述当前时间之后预设时长的时间；

基于所述至少一个第一对象各自对应的目标预测信息，确定所述目标对象匹配的目标多媒体序列；所述目标多媒体序列为所述至少一个第一对象的至少一个多媒体资源；所述至少一个多媒体资源与虚拟资源相关联；

将所述目标多媒体序列推送给所述目标对象。

2.根据权利要求1所述的方法，其特征在于，所述目标操作预测模型包括特征提取网络、分布处理网络以及预测信息处理模块，所述将所述目标对应关系信息和所述目标操作时间信息输入操作预测模型进行所述虚拟资源交互操作的预测处理，得到所述至少一个第一对象各自对应的目标预测信息包括：

将所述目标对应关系信息输入所述特征提取网络进行特征提取处理，得到目标对应关系特征信息；

将所述目标对应关系特征信息输入所述分布处理网络进行分布处理，得到虚拟资源交互操作的时间分布；所述虚拟资源交互操作的时间分布是指所述目标对象对所述至少一个第一对象执行所述虚拟资源交互操作的时间分布；

利用所述预测信息处理模块对所述目标操作时间信息和所述时间分布进行预测处理，得到所述至少一个第一对象各自对应的目标预测信息。

3.根据权利要求1所述的方法，其特征在于，所述基于所述至少一个第一对象各自对应的目标预测信息，确定所述目标对象匹配的目标多媒体序列包括：

获取所述目标对象对应的转化率信息；所述转化率信息表征推送给所述目标对象的全量多媒体资源中，所述目标对象执行虚拟资源交互操作的多媒体资源所占的比例；所述全量多媒体资源中的每个多媒体资源均与所述虚拟资源相关联；

基于所述转化率信息和所述至少一个第一对象各自对应的目标预测信息，确定所述目标多媒体序列。

4.根据权利要求1所述的方法，其特征在于，所述基于所述至少一个第一对象各自对应的目标预测信息，确定所述目标对象匹配的目标多媒体序列包括：

根据所述至少一个第一对象各自对应的目标预测信息，确定所述至少一个第一对象的优先级信息；

获取所述至少一个第一对象的目标多媒体资源；

基于所述优先级信息对所述目标多媒体资源进行排序处理，得到所述目标多媒体序列。

5.一种操作预测模型训练方法，其特征在于，所述方法包括：

获取样本对应关系、所述样本对应关系各自的样本操作时间信息；所述样本对应关系表征目标样本对象针对至少一个第一样本对象的虚拟资源执行过虚拟资源交互操作，所述样本操作时间信息为所述至少一个样本对象针对各第一样本对象执行所述虚拟资源交互操作的时间序列信息；

将所述样本对应关系和所述样本操作时间信息输入初始操作预测模型进行操作预测处理，得到样本预测信息；所述样本预测信息表征预测所述目标样本对象在目标样本时间段执行所述虚拟资源交互操作的概率；所述目标样本时间段为基于所述时间序列信息得到的时间段；

根据所述样本操作预测信息和所述目标样本对象在所述目标样本时间段内对所述至少一个第一样本对象执行所述虚拟资源交互操作的操作统计信息，确定损失信息；

基于所述损失信息训练所述初始操作预测模型，得到目标操作预测模型。

6.一种多媒体序列推荐装置，其特征在于，包括：

目标信息获取模块，被配置为获取目标对象的目标对应关系信息和目标操作时间信息；所述目标对应关系信息表征所述目标对象针对至少一个第一对象的虚拟资源执行过虚拟资源交互操作；所述目标操作时间信息为所述目标对象针对各第一对象的虚拟资源执行所述虚拟资源交互操作，且距离当前时间小于时间阈值的时间信息；

目标信息预测模块，被配置为将所述目标对应关系信息和所述目标操作时间信息输入操作预测模型进行所述虚拟资源交互操作的预测处理，得到所述至少一个第一对象各自对应的目标预测信息；所述目标预测信息表征预测的所述目标对象在目标时间对所述至少一个第一对象执行所述虚拟资源交互操作的概率；所述目标时间为所述当前时间之后预设时长的时间；

多媒体序列确定模块，被配置为基于所述至少一个第一对象各自对应的目标预测信息，确定所述目标对象匹配的目标多媒体序列；所述目标多媒体序列为所述至少一个第一对象的至少一个多媒体资源；所述至少一个多媒体资源与虚拟资源相关联；

推送模块，被配置为将所述目标多媒体序列推送给所述目标对象。

7.一种操作预测模型训练装置，其特征在于，所述装置包括：

样本信息获取模块，被配置为获取样本对应关系、所述样本对应关系各自的样本操作时间信息；所述样本对应关系表征目标样本对象针对至少一个第一样本对象的虚拟资源执行过虚拟资源交互操作，所述样本操作时间信息为所述至少一个样本对象针对各第一样本对象执行所述虚拟资源交互操作的时间序列信息；

样本信息预测模块，被配置为将所述样本对应关系和所述样本操作时间信息输入初始操作预测模型进行操作预测处理，得到样本预测信息；所述样本预测信息表征预测所述目标样本对象在目标样本时间段执行所述虚拟资源交互操作的概率；所述目标样本时间段为基于所述时间序列信息得到的时间段；

损失确定模块，被配置为根据所述样本操作预测信息和所述目标样本对象在所述目标样本时间段内对所述至少一个第一样本对象执行所述虚拟资源交互操作的操作统计信息，确定损失信息；

训练模块，被配置为基于所述损失信息训练所述初始操作预测模型，得到目标操作预测模型。

8.一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如权利要求1至5中任一项所述的多媒体序列推荐方法或操作预测模型训练方法。

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5中任一项所述的多媒体序列推荐方法或操作预测模型训练方法。

10.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1至5中任一项所述的多媒体序列推荐方法或操作预测模型训练方法。

Images