CN115994266A

CN115994266A - 资源推荐方法、装置、电子设备和存储介质

Info

Publication number: CN115994266A
Application number: CN202310072300.XA
Authority: CN
Inventors: 张学森
Original assignee: Beijing Dajia Internet Information Technology Co Ltd
Current assignee: Beijing Dajia Internet Information Technology Co Ltd
Priority date: 2023-01-13
Filing date: 2023-01-13
Publication date: 2023-04-21

Abstract

本公开关于一种资源推荐方法、装置、电子设备和存储介质。该方法包括：从预先构建的第一账户行为异构图中，采样出目标账户的初始行为序列；根据预先构建的资源语义同构图中与目标资源关联的资源，对初始行为序列进行拓展处理，得到目标账户的拓展行为序列；从资源语义同构图中，采样出候选资源的相似资源序列，以及从与第一账户行为异构图对称的第二账户行为异构图中，采样出候选资源的互动账户序列；根据目标账户的账户特征、候选资源的资源特征、拓展行为序列、相似资源序列和互动账户序列，确定目标账户对候选资源的互动指标信息；根据互动指标信息，确定针对目标账户的资源推荐结果。采用本方法，能够提高资源推荐准确率。

Description

资源推荐方法、装置、电子设备和存储介质

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、存储介质和计算机程序产品。

背景技术

随着人工智能技术的发展，出现了智能推荐技术；比如，通过分析账户行为，为账户推荐其感兴趣的资源。

相关技术中，在进行资源推荐时，一般是基于表征账户长短期兴趣的账户行为序列，为账户推荐对应的资源；但是，在某些场景中，账户行为序列比较稀疏，容易造成推荐的资源不够准确，从而导致资源推荐准确率较低。

发明内容

本公开提供一种资源推荐方法、装置、电子设备、存储介质和计算机程序产品，以至少解决相关技术中资源推荐准确率较低的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种资源推荐方法，包括：

从预先构建的第一账户行为异构图中，采样出目标账户的初始行为序列；所述第一账户行为异构图根据多个账户的资源互动行为构建得到，所述初始行为序列中包括所述目标账户互动过的目标资源；

根据预先构建的资源语义同构图中与所述目标资源关联的资源，对所述初始行为序列进行拓展处理，得到所述目标账户的拓展行为序列；所述资源语义同构图根据多个资源之间的相似度构建得到；

从所述资源语义同构图中，采样出候选资源的相似资源序列，以及从与所述第一账户行为异构图对称的第二账户行为异构图中，采样出所述候选资源的互动账户序列；

根据所述目标账户的账户特征、所述候选资源的资源特征、所述拓展行为序列、所述相似资源序列和所述互动账户序列，确定所述目标账户对所述候选资源的互动指标信息；

根据所述互动指标信息，确定针对所述目标账户的资源推荐结果。

在一示例性实施例中，所述根据所述目标账户的账户特征、所述候选资源的资源特征、所述拓展行为序列、所述相似资源序列和所述互动账户序列，确定所述目标账户对所述候选资源的互动指标信息，包括：

将所述目标账户的账户特征和所述候选资源的资源特征进行拼接处理，得到拼接特征；

根据所述拼接特征，从所述拓展行为序列中提取出所述目标账户的拓展账户特征，以及从所述相似资源序列和所述互动账户序列中，提取出所述候选资源的拓展资源特征；

将所述拼接特征、所述拓展账户特征和所述拓展资源特征，输入预先训练的资源预测模型，得到所述目标账户对所述候选资源的互动指标信息。

在一示例性实施例中，所述根据所述拼接特征，从所述拓展行为序列中提取出所述目标账户的拓展账户特征，包括：

获取所述拓展行为序列的序列特征；

从所述序列特征中，提取出与所述拼接特征关联的特征，作为所述目标账户的拓展账户特征。

在一示例性实施例中，所述从预先构建的第一账户行为异构图中，采样出目标账户的初始行为序列，包括：

从预先构建的第一账户行为异构图中，确定出所述目标账户在预设行为场景下互动过的初始资源；

根据预设采样方式，从所述初始资源中采样出所述目标账户互动过的目标资源；

根据所述目标账户互动过的目标资源，得到所述初始行为序列。

在一示例性实施例中，所述根据预先构建的资源语义同构图中与所述目标资源关联的资源，对所述初始行为序列进行拓展处理，得到所述目标账户的拓展行为序列，包括：

从预先构建的资源语义同构图中与所述目标资源关联的资源中，随机采样出资源；

将随机采样出的资源添加至所述初始行为序列中，得到所述目标账户的拓展行为序列。

在一示例性实施例中，所述从所述资源语义同构图中，采样出候选资源的相似资源序列，包括：

从所述资源语义同构图中，确定出与所述候选资源关联的资源；

根据针对所述资源语义同构图的采样方式，从与所述候选资源关联的资源中采样出资源，得到所述候选资源的相似资源序列。

在一示例性实施例中，所述从与所述第一账户行为异构图对称的第二账户行为异构图中，采样出所述候选资源的互动账户序列，包括：

从与所述第一账户行为异构图对称的第二账户行为异构图中，确定出与所述候选资源关联的账户；

根据针对所述第二账户行为异构图的采样方式，从与所述候选资源关联的账户中采样出账户，得到所述候选资源的互动账户序列。

在一示例性实施例中，所述根据所述互动指标信息，确定针对所述目标账户的资源推荐结果，包括：

从所述候选资源中，筛选出所述互动指标信息满足预设互动指标信息的推荐资源；

将所述推荐资源，确定为针对所述目标账户的资源推荐结果。

在一示例性实施例中，所述方法还包括：

获取所述多个账户中各个账户的资源互动行为；

对所述各个账户的资源互动行为进行解析，得到各个账户互动过的资源；

根据所述各个账户和所述各个账户互动过的资源，构建得到所述第一账户行为异构图。

在一示例性实施例中，所述方法还包括：

获取所述多个资源中各个资源在多模态下的资源特征；

根据所述各个资源在多模态下的资源特征，确定所述各个资源之间的相似度；

根据所述各个资源之间的相似度，构建得到所述资源语义同构图。

根据本公开实施例的第二方面，提供一种资源推荐装置，包括：

序列获取单元，被配置为执行从预先构建的第一账户行为异构图中，采样出目标账户的初始行为序列；所述第一账户行为异构图根据多个账户的资源互动行为构建得到，所述初始行为序列中包括所述目标账户互动过的目标资源；

序列拓展单元，被配置为执行根据预先构建的资源语义同构图中与所述目标资源关联的资源，对所述初始行为序列进行拓展处理，得到所述目标账户的拓展行为序列；所述资源语义同构图根据多个资源之间的相似度构建得到；

序列采样单元，被配置为执行从所述资源语义同构图中，采样出候选资源的相似资源序列，以及从与所述第一账户行为异构图对称的第二账户行为异构图中，采样出所述候选资源的互动账户序列；

信息确定单元，被配置为执行根据所述目标账户的账户特征、所述候选资源的资源特征、所述拓展行为序列、所述相似资源序列和所述互动账户序列，确定所述目标账户对所述候选资源的互动指标信息；

结果确定单元，被配置为执行根据所述互动指标信息，确定针对所述目标账户的资源推荐结果。

在一示例性实施例中，所述信息确定单元，还被配置为执行将所述目标账户的账户特征和所述候选资源的资源特征进行拼接处理，得到拼接特征；根据所述拼接特征，从所述拓展行为序列中提取出所述目标账户的拓展账户特征，以及从所述相似资源序列和所述互动账户序列中，提取出所述候选资源的拓展资源特征；将所述拼接特征、所述拓展账户特征和所述拓展资源特征，输入预先训练的资源预测模型，得到所述目标账户对所述候选资源的互动指标信息。

在一示例性实施例中，所述信息确定单元，还被配置为执行获取所述拓展行为序列的序列特征；从所述序列特征中，提取出与所述拼接特征关联的特征，作为所述目标账户的拓展账户特征。

在一示例性实施例中，所述序列获取单元，还被配置为执行从预先构建的第一账户行为异构图中，确定出所述目标账户在预设行为场景下互动过的初始资源；根据预设采样方式，从所述初始资源中采样出所述目标账户互动过的目标资源；根据所述目标账户互动过的目标资源，得到所述初始行为序列。

在一示例性实施例中，所述序列拓展单元，还被配置为执行从预先构建的资源语义同构图中与所述目标资源关联的资源中，随机采样出资源；将随机采样出的资源添加至所述初始行为序列中，得到所述目标账户的拓展行为序列。

在一示例性实施例中，所述序列采样单元，还被配置为执行从所述资源语义同构图中，确定出与所述候选资源关联的资源；根据针对所述资源语义同构图的采样方式，从与所述候选资源关联的资源中采样出资源，得到所述候选资源的相似资源序列。

在一示例性实施例中，所述序列采样单元，还被配置为执行从与所述第一账户行为异构图对称的第二账户行为异构图中，确定出与所述候选资源关联的账户；根据针对所述第二账户行为异构图的采样方式，从与所述候选资源关联的账户中采样出账户，得到所述候选资源的互动账户序列。

在一示例性实施例中，所述结果确定单元，还被配置为执行从所述候选资源中，筛选出所述互动指标信息满足预设互动指标信息的推荐资源；将所述推荐资源，确定为针对所述目标账户的资源推荐结果。

在一示例性实施例中，所述装置还包括第一构建单元，被配置为执行获取所述多个账户中各个账户的资源互动行为；对所述各个账户的资源互动行为进行解析，得到各个账户互动过的资源；根据所述各个账户和所述各个账户互动过的资源，构建得到所述第一账户行为异构图。

在一示例性实施例中，所述装置还包括第二构建单元，被配置为执行获取所述多个资源中各个资源在多模态下的资源特征；根据所述各个资源在多模态下的资源特征，确定所述各个资源之间的相似度；根据所述各个资源之间的相似度，构建得到所述资源语义同构图。

根据本公开实施例的第三方面，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，以实现如上述任一项所述的资源推荐方法。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，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上述任一项所述的资源推荐方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，所述计算机程序产品中包括指令，所述指令被电子设备的处理器执行时，使得所述电子设备能够执行如上述任一项所述的资源推荐方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

通过从基于多个账户的资源互动行为构建得到的第一账户行为异构图中，采样出目标账户互动过的目标资源，得到目标账户的初始行为序列；接着基于多个资源之间的相似度构建得到的资源语义同构图中，与目标资源关联的资源，对初始行为序列进行拓展处理，得到目标账户的拓展行为序列；然后从资源语义同构图中，采样出候选资源的相似资源序列，以及从与第一账户行为异构图对称的第二账户行为异构图中，采样出候选资源的互动账户序列；最后根据目标账户的账户特征、候选资源的资源特征、拓展行为序列、相似资源序列和互动账户序列，确定目标账户对候选资源的互动指标信息，并根据互动指标信息，确定针对目标账户的资源推荐结果。这样，在进行资源推荐时，通过预先构建的资源语义同构图，对目标账户的初始行为序列进行拓展处理，可以使得处理后的拓展行为序列更加稠密，从而丰富了账户侧特征，便于从序列特征中挖掘出更有效的账户特征，进而保证了资源的精准推荐，有利于提高资源推荐准确率，避免了账户行为序列比较稀疏，导致资源推荐准确率较低的缺陷。同时，通过采样出候选资源的相似资源序列和互动账户序列，可以丰富资源侧特征，便于从序列特征中挖掘出更有效的资源特征，从而使得确定出的互动指标信息更加准确，进而提高了资源推荐准确率。

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，并不构成对本公开的不当限定。

图1是根据一示例性实施例示出的一种资源预测方法的流程图。

图2是根据一示例性实施例示出的确定目标账户对候选资源的互动指标信息的步骤的流程图。

图3是根据一示例性实施例示出的账户行为异构图的示意图。

图4是根据一示例性实施例示出的资源语义同构图的示意图。

图5是根据一示例性实施例示出的互动指标信息的确定方法的流程图。

图6是根据一示例性实施例示出的另一种资源预测方法的流程图。

图7是根据一示例性实施例示出的一种资源预测装置的框图。

图8是根据一示例性实施例示出的一种电子设备的框图。

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。

还需要说明的是，本公开所涉及的账户信息(包括但不限于账户设备信息、账户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经账户授权或者经过各方充分授权的信息和数据。

图1是根据一示例性实施例示出的一种资源推荐方法的流程图，如图1所示，该资源推荐方法用于终端中；可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器之间的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等；便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。在本示例性实施例中，该方法包括以下步骤：

在步骤S110中，从预先构建的第一账户行为异构图中，采样出目标账户的初始行为序列；第一账户行为异构图根据多个账户的资源互动行为构建得到，初始行为序列中包括目标账户互动过的目标资源。

其中，本公开所涉及的资源是指视频、广告、文本、图像等，具体本公开不做限定。本公开涉及的账户具体是指用户帐户。

其中，目标账户是指多个账户中的任意一个账户，具体是指需要被推荐资源的授权账户。目标资源是指从第一账户行为异构图中目标账户互动过的资源中所采样出来的部分资源，比如从第一账户行为异构图中目标账户互动过的10个资源中，随机采样出5个资源。目标账户互动过的目标资源，是指目标账户操作过的目标资源，比如目标账户点击过的广告。

其中，初始行为序列是指由目标账户互动过的目标资源所组成的序列，具体是指U2I序列，比如(I1，I2，I3，I4，I5)。需要说明的是，本公开的初始行为序列的数量为多个。

其中，资源互动行为是指资源操作行为，比如点击、点赞、收藏、评论、转发、分享、激活等。

其中，第一账户行为异构图是基于多个账户的资源互动行为所构建得到的异构图，具体包括账户和账户互动过的资源，且账户与账户互动过的资源之间会建立连接边，比如图2所示的U2I图；需要说明的是，第一账户行为异构图中的资源和账户，是采用不同类型的节点来表示的。参考图2，方框节点表示账户，圆形节点表示资源，两者之间的连接边表示账户与资源进行过交互。

具体地，在进行资源推荐时，终端先从多个账户中，确定出当前需要进行资源推荐的账户，作为目标账户；根据预先构建的第一账户行为异构图中的连接关系，从第一账户行为异构图中，实时采样出目标账户互动过的目标资源；根据目标账户互动过的目标资源，构建初始行为序列。

举例说明，假设目标账户互动过的目标资源为I1，I2，I3，I4，I5，则目标账户的初始行为序列为(I1，I2，I3，I4，I5)。

进一步地，在从预先构建的第一账户行为异构图中，采样出目标账户的初始行为序列之前，终端还可以获取线上互动日志，对线上互动日志进行解析，得到多个账户的资源互动行为；根据多个账户的资源互动行为，确定每个账户所互动过的资源；在每个账户与该账户互动过的资源之间建立连接边，得到账户行为异构图(比如图2)，作为第一账户行为异构图。

在步骤S120中，根据预先构建的资源语义同构图中与目标资源关联的资源，对初始行为序列进行拓展处理，得到目标账户的拓展行为序列；资源语义同构图根据多个资源之间的相似度构建得到。

其中，资源语义同构图是基于多个资源之间的相似度构建得到的同构图，具体包括资源，且相似的资源之间会建立连接边，即相似度大于预设相似度的资源之间会建立连接边，比如图3所示的I2I图；需要说明的是，资源语义同构图中的资源与第一账户行为异构图中的资源相同。参考图3，圆形节点表示资源，两个圆形节点之间的连接边表示对应的两个资源相似。

其中，资源之间的相似度根据资源在多模态下的资源特征计算得到。

其中，与目标资源关联的资源，是指与目标资源相似的资源，具体是指资源语义同构图中与目标资源存在连接边的资源。

其中，对初始行为序列进行拓展处理，是指将与目标资源关联的资源添加到目标账户的初始行为序列，具体是指将与目标资源关联的资源中的部分资源添加到目标账户的初始行为序列；这样，避免了初始行为序列中的资源较少而影响对目标账户的资源推荐结果。

其中，拓展行为序列是对初始行为序列进行拓展处理后所得到的序列，具体是指将与目标资源关联的资源添加到目标账户的初始行为序列后所得到的序列。比如，初始行为序列为(I1，I2，I3，I4，I5)，与目标资源关联的资源为I6、I7、I8、I9、I10，则拓展行为序列为(I1，I2，I3，I4，I5，I6，I7，I8，I9，I10)。

需要说明的是，初始行为序列较为稀疏，通过对初始行为序列进行拓展，得到拓展行为序列，可以丰富账户侧特征，便于后续从账户侧特征中挖掘出更有效的特征，比如兴趣特征。

具体地，终端根据预先构建的资源语义同构图中的连接关系，从资源语义同构图中，确定出与初始行为序列中的每个目标资源相似的资源，作为与每个目标资源关联的资源；从与每个目标资源关联的资源中，实时采样出对应的资源，比如分别从与各目标资源关联的资源中，随机采样出一个资源，并将采样出的资源添加到初始行为序列中，得到目标账户的拓展行为序列。

进一步地，在从预先构建的第一账户行为异构图中，采样出目标账户的初始行为序列之前，终端还可以获取每个资源在多模态下的资源特征，根据每个资源在多模态下的资源特征，确定资源与资源之间的相似度；根据资源与资源之间的相似度，构建资源语义同构图；比如，如果两个资源之间的相似度大于预设相似度，则在这两个资源之间建立连接边，从而得到资源语义同构图，比如图3所示的I2I图。

在步骤S130中，从资源语义同构图中，采样出候选资源的相似资源序列，以及从与第一账户行为异构图对称的第二账户行为异构图中，采样出候选资源的互动账户序列。

其中，候选资源是指待进行推荐的资源，数量为多个。

其中，相似资源序列是指由与候选资源相似的资源所构成的序列，比如与候选资源I相似的资源为I11、I12、I13、I14和I15，则相似资源序列为(I11，I12，I13，I14，I15)。

其中，第二账户行为异构图与第一账户行为异构图对称，也是根据多个账户的资源互动行为构建得到，比如I2U图。在构建第二账户行为异构图时，假如账户互动过某个资源，则在该资源与账户之间建立连接边。需要说明的是，第一账户行为异构图和第二账户行为异构图是一起构建的。

其中，互动账户序列是指由互动过候选资源的账户所构成的序列，比如互动过候选资源I的账户为U1、U2、U3、U4和U5，则互动账户序列为(U1，U2，U3，U4，U5)。

需要说明的是，通过拓展得到相似资源序列和互动账户序列，可以丰富资源侧特征，便于后续从资源侧特征中挖掘出更有效的特征，保证资源的精准推荐。

具体地，终端根据资源语义同构图中的连接关系，从资源语义同构图中，采样出与候选资源相似的资源；根据与候选资源相似的资源，构建候选资源的相似资源序列；同时，获取与第一账户行为异构图对称的第二账户行为异构图，根据第二账户行为异构图中的连接关系，从第二账户行为异构图中，采样出互动过候选资源的账户；根据互动过候选资源的账户，构建候选资源的互动账户序列。

在步骤S140中，根据目标账户的账户特征、候选资源的资源特征、拓展行为序列、相似资源序列和互动账户序列，确定目标账户对候选资源的互动指标信息。

其中，目标账户的账户特征是指目标账户的属性特征，候选资源的资源特征是指候选资源的属性特征。

其中，互动指标信息用于表征目标账户对候选资源的兴趣程度，具体是指互动概率，比如点击概率、观看概率、点赞概率等。需要说明的是，互动指标信息越高，表示目标账户对候选资源越感兴趣；互动指标信息越低，表示目标账户对候选资源越不感兴趣。

具体地，终端以目标账户的账户特征和候选资源的资源特征为目标，从拓展行为序列、相似资源序列和互动账户序列中提取出对应的特征，并将目标账户的账户特征、候选资源的资源特征以及提取出的特征，输入预先训练的资源预测模型(比如注意力模型)，得到目标账户对候选资源的互动指标信息。

在步骤S150中，根据互动指标信息，确定针对目标账户的资源推荐结果。

其中，资源推荐结果是指确定推荐给目标账户的资源。

具体地，终端将候选资源的互动指标信息与预设指标信息(比如预设互动概率)进行比较，若互动指标信息满足预设指标信息，比如点击概率大于预设互动概率，则将该候选资源作为推荐资源推荐给目标账户。

进一步地，在候选资源为多个的情况下，终端还可以从候选资源中，筛选出对应的互动指标信息满足预设指标信息的候选资源，并按照互动指标信息从高到低的顺序，将筛选出的候选资源进行排序，并将排在前几位(比如前10位)的候选资源作为推荐资源推荐给目标账户。

上述资源推荐方法中，在进行资源推荐时，通过预先构建的资源语义同构图，对目标账户的初始行为序列进行拓展处理，可以使得处理后的拓展行为序列更加稠密，从而丰富了账户侧特征，便于从序列特征中挖掘出更有效的账户特征，进而保证了资源的精准推荐，有利于提高资源推荐准确率，避免了账户行为序列比较稀疏，导致资源推荐准确率较低的缺陷。同时，通过采样出候选资源的相似资源序列和互动账户序列，可以丰富资源侧特征，便于从序列特征中挖掘出更有效的资源特征，从而使得确定出的互动指标信息更加准确，进而提高了资源推荐准确率。

在一示例性实施例中，如图4所示，在步骤S140中，根据目标账户的账户特征、候选资源的资源特征、拓展行为序列、相似资源序列和互动账户序列，确定目标账户对候选资源的互动指标信息，具体可以通过以下步骤实现：

在步骤S410中，将目标账户的账户特征和候选资源的资源特征进行拼接处理，得到拼接特征。

在步骤S420中，根据拼接特征，从拓展行为序列中提取出目标账户的拓展账户特征，以及从相似资源序列和互动账户序列中，提取出候选资源的拓展资源特征。

在步骤S430中，将拼接特征、拓展账户特征和拓展资源特征，输入预先训练的资源预测模型，得到目标账户对候选资源的互动指标信息。

其中，拼接特征是指由目标账户的账户特征和候选资源的资源特征拼接得到的特征，用于指导拓展行为序列、相似资源序列和互动账户序列的特征提取。

其中，拓展账户特征是指以拼接特征为目标，从拓展行为序列中提取出来的有效特征，比如兴趣特征。

其中，拓展资源特征是指以拼接特征为目标，从相似资源序列和互动账户序列中提取出来的有效特征，比如更精准的资源特征。

其中，预先训练的资源预测模型用于预测账户对资源的互动指标信息，比如注意力模型、深度神经网络模型等。

具体地，终端获取目标账户的账户信息和候选资源的资源信息，分别对目标账户的账户信息和候选资源的资源信息进行特征提取处理，得到目标账户的账户特征和候选资源的资源特征；根据拼接指令，对目标账户的账户特征和候选资源的资源特征进行拼接处理，得到拼接特征；以拼接特征为目标，从拓展行为序列的序列特征中，提取出与该目标关联的账户特征，作为目标账户的拓展账户特征；以拼接特征为目标，从相似资源序列的序列特征和互动账户序列的序列特征中，提取出与该目标关联的资源特征，作为候选资源的拓展资源特征；将拼接特征、拓展账户特征和拓展资源特征一起输入到预先训练的资源预测模型，通过资源预测模型对拼接特征、拓展账户特征和拓展资源特征进行拼接处理，得到目标拼接特征，对目标拼接特征进行全连接处理，得到目标账户对候选资源的互动指标信息。

举例说明，参考图5，终端将目标账户的账户特征和候选资源的资源特征进行拼接，得到拼接特征；将拼接特征和拓展行为序列输入到对应的Transformer(一种包括编码器和解码器的模型)，得到目标账户的拓展账户特征；同时，将拼接特征、相似资源序列和互动账户序列输入到对应的Transformer，得到候选资源的拓展资源特征；将拼接特征作为Q向量，将拓展账户特征作为K向量，将拓展资源特征作为V向量，一起输入到预先训练的资源预测模型，得到目标账户对候选资源的互动指标信息，比如点击概率。

进一步地，预先训练的资源预测模型通过下述方式训练得到：终端获取样本账户的账户特征和拓展行为序列，样本资源的资源特征、相似资源序列和互动账户序列，以及样本账户对样本资源的实际互动指标信息；将样本账户的账户特征和样本资源的资源特征进行拼接处理，得到样本拼接特征；根据样本拼接特征，从样本账户的拓展行为序列中提取出样本账户的拓展账户特征，以及从样本资源的相似资源序列和互动账户序列中，提取出样本资源的拓展资源特征；将样本拼接特征、拓展账户特征和拓展资源特征，输入待训练的资源预测模型，得到样本账户对样本资源的预测互动指标信息；根据预测互动指标信息和实际互动指标信息之间的差异，对待训练的资源预测模型进行训练，得到训练完成的资源预测模型，作为预先训练的资源预测模型；比如，终端根据预测互动指标信息和实际互动指标信息之间的差异，得到损失值；根据损失值，对待训练的资源预测模型进行训练，直到根据训练后的资源预测模型得到的损失值小于预设阈值，则将该训练后的资源预测模型作为预先训练的资源预测模型。

通过本公开实施例提供的技术方案，基于目标账户的账户特征和候选资源的资源特征所得到的拼接特征，从拓展行为序列中提取出目标账户的拓展账户特征，以及从相似资源序列和互动账户序列中，提取出候选资源的拓展资源特征，并将拼接特征、拓展账户特征和拓展资源特征，输入预先训练的资源预测模型，得到目标账户对候选资源的互动指标信息；这样，综合考虑基于目标账户的账户特征和候选资源的资源特征所得到的拼接特征、目标账户的拓展账户特征以及候选资源的拓展资源特征，有利于提高互动指标信息的预测准确率，从而保证了资源的精准推荐。

在一示例性实施例中，在步骤S520中，根据拼接特征，从拓展行为序列中提取出目标账户的拓展账户特征，具体包括如下内容：获取拓展行为序列的序列特征；从序列特征中，提取出与拼接特征关联的特征，作为目标账户的拓展账户特征。

其中，拓展行为序列的序列特征是指拓展行为序列所表示的特征信息。需要说明的是，序列特征比较丰富，需要针对不同的目标做特征筛选。

其中，与拼接特征关联的特征，是指与拼接特征相匹配的特征，比如与拼接特征之间的匹配度较高的特征。

具体地，终端将拓展行为序列和拼接特征输入至对应的特征提取模型(比如Transformer)，通过特征提取模型获取拓展行为序列的序列特征，将拼接特征作为目标，从序列特征中提取出与该目标关联的特征，作为目标账户的拓展账户特征。

进一步地，根据拼接特征，从相似资源序列和互动账户序列中，提取出候选资源的拓展资源特征，具体包括如下内容：获取相似资源序列的序列特征和互动账户序列的序列特征；从相似资源序列的序列特征和互动账户序列的序列特征中，提取出与拼接特征关联的特征，作为候选资源的拓展资源特征。

举例说明，终端将相似资源序列、互动账户序列和拼接特征输入至对应的特征提取模型(比如Transformer)，通过特征提取模型获取相似资源序列的序列特征和互动账户序列的序列特征，并将拼接特征作为目标，从相似资源序列的序列特征和互动账户序列的序列特征中，提取出与该目标关联的特征，作为候选资源的拓展资源特征。

本公开实施例提供的技术方案，通过获取拓展行为序列的序列特征，并从序列特征中，提取出与拼接特征关联的特征，作为目标账户的拓展账户特征；这样，通过从更加稠密的拓展行为序列中，提取出目标账户的拓展账户特征，有利于挖掘出更有效的账户特征，进而提高了资源推荐准确率，避免了账户行为序列比较稀疏，导致资源推荐准确率较低的缺陷。

在一示例性实施例中，在步骤S110中，从预先构建的第一账户行为异构图中，采样出目标账户的初始行为序列，具体包括如下内容：从预先构建的第一账户行为异构图中，确定出目标账户在预设行为场景下互动过的初始资源；根据预设采样方式，从初始资源中采样出目标账户互动过的目标资源；根据目标账户互动过的目标资源，得到初始行为序列。

其中，预设行为场景是指产生账户行为的业务场景，比如激活场景、表单场景等。

其中，预设采样方式是指预设采用策略，比如随机采样、最近行为采样、带权采样、最高权重topN采样等。

其中，随机采样是指从多个资源中，随机选择出若干个资源。最近行为采样是指从多个资源中，采样出与账户交互时间最近的若干个资源。带权采样是指按照每个资源对应的权重，从多个资源中进行采样。可以理解的是，每个账户与不同的资源的交互情况都不相同，例如，当资源为短视频时，账户对短视频A可能只看了该短视频的10％，对短视频B可能看了该短视频的70％，对短视频C可能完整观看了该短视频，不同的观看时长可表征账户对不同短视频的兴趣程度。因此，可根据账户与各个资源的交互信息为每个资源赋予不同的权重，具体可以在构建第一账户行为异构图时，在账户与资源的连接边标注该资源对应的权重，从而在进行采样时，可直观地按照权重进行资源的采样。最高权重topN采样是指从多个资源中，采样出权重最高的前N个资源。

需要说明的是，根据不同的预设行为场景和预设采样方式，可以从第一账户行为异构图中，采样出不同的初始行为序列，每个初始行为序列对应一个预设行为场景和一个预设采样方式，比如激活场景随机采样U2I序列、表单场景最近行为采样U2I序列、表单场景带权采样U2I序列等。可以理解的是，通过对预设行为场景和预设采样方式进行交叉组合，可以从第一账户行为异构图中，采样出多个初始行为序列，比如预设行为场景为M个，预设采样方式为N个，则初始行为序列的数量为M×N。

具体地，终端根据预先构建的第一账户行为异构图中的连接关系，从第一账户行为异构图中，确定出目标账户在每个预设行为场景下互动过的初始资源；根据多个预设采样方式中的每个预设采样方式，从目标账户在每个预设行为场景下互动过的初始资源，采样出目标账户互动过的目标资源；根据每次采样出的目标资源，构建对应的初始行为序列，从而得到多个初始行为序列。

举例说明，终端从预先构建的第一账户行为异构图中，确定出目标账户在激活场景下互动过的初始资源；从初始资源中随机采样出若干个资源，作为目标账户互动过的目标资源，从而得到激活场景随机采样U2I序列；或者，终端从预先构建的第一账户行为异构图中，确定出目标账户在表单场景下互动过的初始资源；从初始资源中采样出与目标账户交互时间最近的若干个资源，作为目标账户互动过的目标资源，从而得到表单场景最近行为采样U2I序列。

本公开实施例提供的技术方案，根据不同的预设行为场景和预设采样方式，从预先构建的第一账户行为异构图中采样出多个初始行为序列，便于后续根据多个初始行为序列拓展得到多个拓展行为序列，保证了账户侧特征的丰富性，有利于从多个拓展行为序列中充分挖掘出有效的账户特征，从而保证资源的精准推荐。

在一示例性实施例中，在步骤S120中，根据预先构建的资源语义同构图中与目标资源关联的资源，对初始行为序列进行拓展处理，得到目标账户的拓展行为序列，具体包括如下内容：从预先构建的资源语义同构图中与目标资源关联的资源中，随机采样出资源；将随机采样出的资源添加至初始行为序列中，得到目标账户的拓展行为序列。

其中，从与目标资源关联的资源中随机采样出的资源可以是一个，也可以是多个，具体根据实际情况进行确定。

具体地，终端根据预先构建的资源语义同构图中的连接关系，从资源语义同构图中确定出与初始行为序列中的每个目标资源关联的资源；分别从每个目标资源关联的资源中，随机采样出若干个资源；将随机采样出的资源添加至初始行为序列中，得到目标账户的拓展行为序列。

举例说明，初始行为序列为(I1，I2，I3)，即目标资源为I1、I2、I3；在预先构建的资源语义同构图中，与目标资源I1相似的资源为I11、I12、I13，与目标资源I2相似的资源为I21、I22、I23，与目标资源I3相似的资源为I31、I32、I33，且从I11、I12、I13中随机采样出的资源为I11，从I21、I22、I23中随机采样出的资源为I22，从I31、I32、I33中随机采样出的资源为I33，那么拓展行为序列为(I1，I2，I3，I11，I22，I33)。

本公开实施例提供的技术方案，从预先构建的资源语义同构图中与目标资源关联的资源中，随机采样出资源，并将随机采样出的资源添加至初始行为序列中，得到目标账户的拓展行为序列，使得拓展后的行为序列更加稠密，进而提高了资源推荐准确率，避免了账户行为序列比较稀疏，导致资源推荐准确率较低的缺陷。

在一示例性实施例中，在步骤S130中，从资源语义同构图中，采样出候选资源的相似资源序列，具体包括如下内容：从资源语义同构图中，确定出与候选资源关联的资源；根据针对资源语义同构图的采样方式，从与候选资源关联的资源中采样出资源，得到候选资源的相似资源序列。

其中，与候选资源关联的资源是指与候选资源相似的资源，具体是指资源语义同构图中与候选资源存在连接边的资源。

其中，针对资源语义同构图的采样方式是指随机采样、带权采样等。此外，在资源语义同构图中，资源与资源之间的连接边标注有与这两个资源之间的相似度所匹配的权重，一般情况下，相似度越高，则权重越大。

需要说明的是，每个候选资源，在每个采样方式下，对应一个相似资源序列，比如有两种采样方式，则可以得到两个相似资源序列。

其中，从与候选资源关联的资源中采样出的资源的具体数量，根据针对资源语义同构图的采样方式确定。

具体地，终端根据资源语义同构图中的连接关系，从资源语义同构图中确定出与候选资源关联的资源；获取针对资源语义同构图的采样方式，并根据针对资源语义同构图的采样方式，从与候选资源关联的资源中采样出资源；根据采样出的资源，构建候选资源的相似资源序列。

举例说明，假设候选资源为I8，资源语义同构图中与候选资源I8关联的资源为I81、I82、I83、I84、I85、I86，从这些资源中随机采样出的资源为I81、I85、I86，则候选资源I8的相似资源序列为(I81，I85，I86)；或者，从这些资源中采样出的权重前3的资源为I82、I84、I86，则候选资源I8的相似资源序列为(I82，I84，I86)。

本公开实施例提供的技术方案，通过从资源语义同构图中，确定出与候选资源关联的资源；根据针对资源语义同构图的采样方式，从与候选资源关联的资源中采样出资源，得到候选资源的相似资源序列；这样，通过拓展得到候选资源的相似资源序列，有利于丰富资源侧特征，便于从相似资源序列的序列特征中挖掘出更有效的资源特征，使得最终确定出的资源推荐结果更加准确，进而提高了资源推荐准确率。

在一示例性实施例中，在步骤S130中，从与第一账户行为异构图对称的第二账户行为异构图中，采样出候选资源的互动账户序列，具体包括如下内容：从与第一账户行为异构图对称的第二账户行为异构图中，确定出与候选资源关联的账户；根据针对第二账户行为异构图的采样方式，从与候选资源关联的账户中采样出账户，得到候选资源的互动账户序列。

其中，与候选资源关联的账户是指互动过候选资源的账户，具体是指第二账户行为异构图中与候选资源存在连接边的账户。

其中，针对第二账户行为异构图的采样方式是指带权采样、最近行为采样等。同理，可以根据每个账户与资源的交互信息为每个账户赋予不同的权重，具体可以在构建第二账户行为异构图时，在账户与资源的连接边标注该账户对应的权重，从而在进行采样时，可直观地按照权重进行账户的采样。

需要说明的是，每个候选资源，在每个采样方式下，对应一个互动账户序列，比如有两种采样方式，则可以得到两个互动账户序列。

其中，从与候选资源关联的账户中采样出的账户的具体数量，根据针对第二账户行为异构图的采样方式确定。

具体地，终端获取与第一账户行为异构图对称的第二账户行为异构图；根据第二账户行为异构图中的连接关系，从第二账户行为异构图中确定出与候选资源关联的账户；获取针对第二账户行为异构图的采样方式，并根据针对第二账户行为异构图的采样方式，从与候选资源关联的账户中采样出账户；根据采样出的账户，构建候选资源的互动账户序列。

举例说明，假设候选资源为I8，第二账户行为异构图中与候选资源I8关联的账户为U81、U82、U83、U84、U85、U86，从这些账户中采样出的权重前3的账户为U82、U84、U86，则候选资源I8的互动账户序列为(I82，I84，I86)；或者，从这些账户中采样出的与候选资源I8的交互时间最近的前3个账户为U81、U85、U86，则候选资源I8的互动账户序列为(U81，U85，U86)。

本公开实施例提供的技术方案，通过从与第一账户行为异构图对称的第二账户行为异构图中，确定出与候选资源关联的账户，并根据针对第二账户行为异构图的采样方式，从与候选资源关联的账户中采样出账户，得到候选资源的互动账户序列；这样，通过拓展得到候选资源的互动账户序列，有利于通过行为关系来表征资源特征，从而丰富了资源侧特征，便于后续从互动账户序列的序列特征中挖掘出更有效的资源特征，使得最终确定出的资源推荐结果更加准确，进一步提高了资源推荐准确率。

在一示例性实施例中，在步骤S150中，根据互动指标信息，确定针对目标账户的资源推荐结果，具体包括如下内容：从候选资源中，筛选出互动指标信息满足预设互动指标信息的推荐资源；将推荐资源，确定为针对目标账户的资源推荐结果。

其中，预设互动指标信息是指预设互动概率，比如预设点击概率、预设观看概率等。互动指标信息满足预设互动指标信息，是指互动指标信息所表示的互动概率大于预设互动指标信息所表示的预设互动概率。

其中，推荐资源是指最终确定出的需要推荐给目标账户的资源。

具体地，终端从候选资源中，筛选出对应的互动指标信息所表示的互动概率大于预设互动指标信息所表示的预设互动概率的候选资源，作为推荐资源，并将推荐资源推荐给目标账户。

举例说明，候选资源为I11、I12、I13、I14、I15，对应的点击概率分别为0.3、0.4、0.5、0.6、0.8，而预设点击概率为0.7，说明推荐资源为I15，则将I15推荐给目标账户。

本公开实施例提供的技术方案，根据准确率较高的互动指标信息，从候选资源中筛选出互动指标信息满足预设互动指标信息的推荐资源，并将推荐资源，确定为针对目标账户的资源推荐结果；这样，保证了针对目标账户的资源推荐结果更加准确，从而提高了资源推荐的准确率。

在一示例性实施例中，本公开提供的资源推荐方法还包括构建第一账户行为异构图的步骤，具体包括如下内容：获取多个账户中各个账户的资源互动行为；对各个账户的资源互动行为进行解析，得到各个账户互动过的资源；根据各个账户和各个账户互动过的资源，构建得到第一账户行为异构图。

其中，账户的资源互动行为是指账户对资源的操作行为，比如点赞行为、观看行为、评论行为等。

具体地，终端从数据库中获取多个账户中各个账户的线上互动日志，分别对各个账户的线上互动日志进行解析，得到各个账户的资源互动行为；分别对各个账户的资源互动行为进行解析，得到各个账户互动过的资源；在各个账户与该账户互动过的资源之间建立连接边，得到账户行为异构图(比如图2)，作为第一账户行为异构图。

本公开实施例提供的技术方案，根据多个账户中各个账户的资源互动行为，构建第一账户行为异构图，有利于后续从预先构建的第一账户行为异构图中，采样出目标账户的初始行为序列，并对初始行为序列进行拓展处理，得到目标账户的拓展行为序列，使得处理后的拓展行为序列更加稠密，从而丰富了账户侧特征，避免了账户行为序列比较稀疏，导致资源推荐准确率较低的缺陷。

在一示例性实施例中，本公开提供的资源推荐方法还包括构建资源语义同构图的步骤，具体包括如下内容：获取多个资源中各个资源在多模态下的资源特征；根据各个资源在多模态下的资源特征，确定各个资源之间的相似度；根据各个资源之间的相似度，构建得到资源语义同构图。

其中，多模态可以包括文本、图像、视频和音频等。每个资源可以用该资源在多模态下的资源特征进行表征。

具体地，终端响应于资源语义同构图构建请求，从数据库中获取多个资源中各个资源在多模态下的资源特征，并将各个资源在多模态下的资源特征输入到相似度统计模型中，得到各个资源之间的相似度；针对任意两个资源，如果这两个资源之间的相似度大于预设相似度，则在这两个资源之间建立连接边，以此类推，可以得到用于表征资源之间的相似性的资源语义同构图，比如图3所示的I2I图。

本实施例中，通过获取各个资源在多模态下的资源特征，可以加强资源表征的丰富性和准确性，进而提高了基于各个资源在多模态下的资源特征确定的各个资源之间的相似度的准确性，便于提高后续根据资源语义同构图拓展的拓展行为序列和相似资源序列的有效性和准确性。

图6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，如图6所示，该资源推荐方法用于终端中，包括以下步骤：

在步骤S610中，从预先构建的第一账户行为异构图中，确定出目标账户在预设行为场景下互动过的初始资源；根据预设采样方式，从初始资源中采样出目标账户互动过的目标资源；根据目标账户互动过的目标资源，得到初始行为序列。

在步骤S620中，从预先构建的资源语义同构图中与目标资源关联的资源中，随机采样出资源；将随机采样出的资源添加至初始行为序列中，得到目标账户的拓展行为序列。

在步骤S630中，从资源语义同构图中，确定出与候选资源关联的资源；根据针对资源语义同构图的采样方式，从与候选资源关联的资源中采样出资源，得到候选资源的相似资源序列。

在步骤S640中，从与第一账户行为异构图对称的第二账户行为异构图中，确定出与候选资源关联的账户；根据针对第二账户行为异构图的采样方式，从与候选资源关联的账户中采样出账户，得到候选资源的互动账户序列。

在步骤S650中，将目标账户的账户特征和候选资源的资源特征进行拼接处理，得到拼接特征。

在步骤S660中，根据拼接特征，从拓展行为序列中提取出目标账户的拓展账户特征，以及从相似资源序列和互动账户序列中，提取出候选资源的拓展资源特征。

在步骤S670中，将拼接特征、拓展账户特征和拓展资源特征，输入预先训练的资源预测模型，得到目标账户对候选资源的互动指标信息。

在步骤S680中，从候选资源中，筛选出互动指标信息满足预设互动指标信息的推荐资源；将推荐资源，确定为针对目标账户的资源推荐结果。

上述资源预测方法中，通过预先构建的资源语义同构图，对目标账户的初始行为序列进行拓展处理，可以使得处理后的拓展行为序列更加稠密，从而丰富了账户侧特征，便于从序列特征中挖掘出更有效的账户特征，进而保证了资源的精准推荐，有利于提高资源推荐准确率，避免了账户行为序列比较稀疏，导致资源推荐准确率较低的缺陷。同时，通过采样出候选资源的相似资源序列和互动账户序列，可以丰富资源侧特征，便于从序列特征中挖掘出更有效的资源特征，从而使得确定出的互动指标信息更加准确，进而提高了资源推荐准确率。

为了更清晰阐明本公开实施例提供的资源推荐方法，以下以一个具体的实施例对该资源推荐方法进行具体说明。在一个实施例中，本公开还提供了一种基于端到端的图对偶序列广告预估建模方法，通过U2I图(账户行为异构图)和I2I图(广告语义同构图)，采样得到U2I2I的账户兴趣拓展序列，从而丰富了账户侧特征建模；通过I2U图和I2I图，采样得到I2U的观看广告的账户序列和I2I的相似广告序列，从而丰富了广告侧特征建模。具体包括如下内容：

第一步，基于账户行为和广告内容构图。

(1)通过解析线上日志，获取账户行为，比如点击、付费、激活等行为，然后基于账户行为建立图连接，从而得到账户行为异构图，比如图2。

(2)广告语义同构图基于广告内容本身，比如基于每个广告的内容多模态表征，具体根据内容的相似度来构建图连接，如果两个广告的内容相似度大于一定的阈值，则在两个广告之间建立连接，从而得到广告语义同构图，比如图3。

第二步，基于不同策略的图实时采样，产出行为序列和广告序列。

(1)行为序列构建-U2I采样+I2I采样

基于不同的采样策略，可以获得不同的行为序列；在实践中根据特殊的业务场景和采样策略交叉构造出多种U2I的账户行为序列；比如，激活场景随机采样U2I序列、表单场景最近行为采样U2I序列、表单场景带权采样U2I序列等。在U2I采样的序列的基础上，从I2I的广告语义同构图中，随机采样拓展出相同数量的U2I2I的拓展兴趣行为序列。

(2)广告序列构建-I2I采样和I2U采样

账户的行为序列可以丰富账户特征的表达。另一方面，基于对偶思想，广告的相关相似序列以及账户序列，也可以丰富模型中的广告特征的建模表达。

针对每个候选广告，通过构建的I2I图，使用随机采样方式、带权采样方式，构造出两种广告相似序列。针对每个候选广告，通过构建的I2U图(与U2I图对称的账户行为异构图)，使用带权采样方式、最近K次行为采样方式，构造出两种观看广告的账户序列。

第三步，基于Target-Attention(目标注意)的方式建模对偶序列。

通过第一步和第二步，可以得到多个拓展兴趣行为序列、广告相似序列和观看广告的账户序列；接着，通过如图5所示的Target-Attention(目标注意)的序列建模方式，将这些序列的序列特征融合进资源预测模型参与广告预估。其中，Target代表账户的特征和广告的特征，序列建模基于Target的指导，可以获得更准确的预估特征；最后，把各个拓展序列的特征和原始账户和广告的特征拼接后，一起送到资源预测模型参与广告的预估，从而得到广告的点击概率。其中，Target-Attention的序列建模方式采用Multi HeadAttention(多头注意力)模块来实现。

上述基于端到端的图对偶序列广告预估建模方法，在技术上，通过图实时采样可以克服离线采样行为的时效性问题，建模更好的账户特征和广告特征；通过图关系拓展行为序列，从而解决了账户行为的稀疏性问题；通过抽取对偶序列来丰富账户侧和广告侧的特征建模。在业务上：通过端到端的形式建模对偶序列，从而可在业务上提升广告预估效果。

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

可以理解的是，本说明书中上述方法的各个实施例之间相同/相似的部分可互相参见，每个实施例重点说明的是与其他实施例的不同之处，相关之处参见其他方法实施例的说明即可。

基于同样的发明构思，本公开实施例还提供了一种用于实现上述所涉及的资源推荐方法的资源推荐装置。

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。参照图7，该装置包括序列获取单元710，序列拓展单元720，序列采样单元730，信息确定单元740和结果确定单元750。

序列获取单元710，被配置为执行从预先构建的第一账户行为异构图中，采样出目标账户的初始行为序列；第一账户行为异构图根据多个账户的资源互动行为构建得到，初始行为序列中包括目标账户互动过的目标资源。

序列拓展单元720，被配置为执行根据预先构建的资源语义同构图中与目标资源关联的资源，对初始行为序列进行拓展处理，得到目标账户的拓展行为序列；资源语义同构图根据多个资源之间的相似度构建得到。

序列采样单元730，被配置为执行从资源语义同构图中，采样出候选资源的相似资源序列，以及从与第一账户行为异构图对称的第二账户行为异构图中，采样出候选资源的互动账户序列。

信息确定单元740，被配置为执行根据目标账户的账户特征、候选资源的资源特征、拓展行为序列、相似资源序列和互动账户序列，确定目标账户对候选资源的互动指标信息。

结果确定单元750，被配置为执行根据互动指标信息，确定针对目标账户的资源推荐结果。

在一示例性实施例中，信息确定单元740，还被配置为执行将目标账户的账户特征和候选资源的资源特征进行拼接处理，得到拼接特征；根据拼接特征，从拓展行为序列中提取出目标账户的拓展账户特征，以及从相似资源序列和互动账户序列中，提取出候选资源的拓展资源特征；将拼接特征、拓展账户特征和拓展资源特征，输入预先训练的资源预测模型，得到目标账户对候选资源的互动指标信息。

在一示例性实施例中，信息确定单元740，还被配置为执行获取拓展行为序列的序列特征；从序列特征中，提取出与拼接特征关联的特征，作为目标账户的拓展账户特征。

在一示例性实施例中，序列获取单元710，还被配置为执行从预先构建的第一账户行为异构图中，确定出目标账户在预设行为场景下互动过的初始资源；根据预设采样方式，从初始资源中采样出目标账户互动过的目标资源；根据目标账户互动过的目标资源，得到初始行为序列。

在一示例性实施例中，序列拓展单元720，还被配置为执行从预先构建的资源语义同构图中与目标资源关联的资源中，随机采样出资源；将随机采样出的资源添加至初始行为序列中，得到目标账户的拓展行为序列。

在一示例性实施例中，序列采样单元730，还被配置为执行从资源语义同构图中，确定出与候选资源关联的资源；根据针对资源语义同构图的采样方式，从与候选资源关联的资源中采样出资源，得到候选资源的相似资源序列。

在一示例性实施例中，序列采样单元730，还被配置为执行从与第一账户行为异构图对称的第二账户行为异构图中，确定出与候选资源关联的账户；根据针对第二账户行为异构图的采样方式，从与候选资源关联的账户中采样出账户，得到候选资源的互动账户序列。

在一示例性实施例中，结果确定单元740，还被配置为执行从候选资源中，筛选出互动指标信息满足预设互动指标信息的推荐资源；将推荐资源，确定为针对目标账户的资源推荐结果。

在一示例性实施例中，资源推荐装置还包括第一构建单元，被配置为执行获取多个账户中各个账户的资源互动行为；对各个账户的资源互动行为进行解析，得到各个账户互动过的资源；根据各个账户和各个账户互动过的资源，构建得到第一账户行为异构图。

在一示例性实施例中，资源推荐装置还包括第二构建单元，被配置为执行获取多个资源中各个资源在多模态下的资源特征；根据各个资源在多模态下的资源特征，确定各个资源之间的相似度；根据各个资源之间的相似度，构建得到资源语义同构图。

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。

上述资源推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

图8是根据一示例性实施例示出的一种用于实现资源推荐方法的电子设备800的框图。例如，电子设备800可以是移动电话、计算机、数字广播终端、消息收发设备、游戏控制台、平板设备、医疗设备、健身设备、个人数字助理等。

参照图8，电子设备800可以包括以下一个或多个组件：处理组件802、存储器804、电源组件806、多媒体组件808、音频组件810、输入/输出(I/O)的接口812、传感器组件814以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示、电话呼叫、数据通信、相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令、联系人数据、电话簿数据、消息、图片、视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器、磁盘、光盘或石墨烯存储器。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800组件的位置改变，用户与电子设备800接触的存在或不存在，设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器、陀螺仪传感器、磁传感器、压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器820执行以完成上述方法。例如，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，还提供一种计算机程序产品，所述计算机程序产品中包括指令，上述指令可由电子设备800的处理器820执行以完成上述方法。

需要说明的，上述的装置、电子设备、计算机可读存储介质、计算机程序产品等根据方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims

1.一种资源推荐方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述根据所述目标账户的账户特征、所述候选资源的资源特征、所述拓展行为序列、所述相似资源序列和所述互动账户序列，确定所述目标账户对所述候选资源的互动指标信息，包括：

3.根据权利要求2所述的方法，其特征在于，所述根据所述拼接特征，从所述拓展行为序列中提取出所述目标账户的拓展账户特征，包括：

获取所述拓展行为序列的序列特征；

4.根据权利要求1所述的方法，其特征在于，所述从预先构建的第一账户行为异构图中，采样出目标账户的初始行为序列，包括：

5.根据权利要求1所述的方法，其特征在于，所述根据预先构建的资源语义同构图中与所述目标资源关联的资源，对所述初始行为序列进行拓展处理，得到所述目标账户的拓展行为序列，包括：

6.根据权利要求1至5任一项所述的方法，其特征在于，所述从所述资源语义同构图中，采样出候选资源的相似资源序列，包括：

7.根据权利要求6所述的方法，其特征在于，所述从与所述第一账户行为异构图对称的第二账户行为异构图中，采样出所述候选资源的互动账户序列，包括：

8.根据权利要求6所述的方法，其特征在于，所述根据所述互动指标信息，确定针对所述目标账户的资源推荐结果，包括：

9.根据权利要求6所述的方法，其特征在于，所述方法还包括：

获取所述多个账户中各个账户的资源互动行为；

10.根据权利要求6所述的方法，其特征在于，所述方法还包括：

获取所述多个资源中各个资源在多模态下的资源特征；

11.一种资源推荐装置，其特征在于，包括：

12.一种电子设备，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10中任一项所述的资源推荐方法。

13.一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10中任一项所述的资源推荐方法。