CN117131264A - 资源推荐方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了资源推荐方法、装置、电子设备及存储介质，涉及智能推荐、深度学习以及大数据处理等人工智能领域，其中的方法可包括：针对待推荐给目标用户的任一候选资源，分别进行以下处理：获取该候选资源的M个评估值，M为大于一的正整数，不同评估值分别对应于不同的评估参数，所述评估参数中包括：流行度消偏参数，所述流行度消偏参数对应的评估值为根据目标用户对于该候选资源的预估操作行为信息以及历史用户对于该候选资源的实际操作行为信息确定出的；结合各评估值确定出该候选资源的推荐评分；根据推荐评分确定出推荐给目标用户的候选资源。应用本公开所述方案，可提升资源推荐的合理性以及个性化等。

Description

资源推荐方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，特别涉及智能推荐、深度学习以及大数据处理等领域的资源推荐方法、装置、电子设备及存储介质。

背景技术

受多种因素的影响，推荐系统也难以逃避“28定律”，即20％的热门资源占据了40％的展现，从而导致产生流行度偏差(popularity-bias)问题，流行度偏差过高，会导致过多的向用户推荐热门资源，从而加剧马太效应等。

发明内容

本公开提供了资源推荐方法、装置、电子设备及存储介质。

一种资源推荐方法，包括：

针对待推荐给目标用户的任一候选资源，分别进行以下处理：获取所述候选资源的M个评估值，M为大于一的正整数，不同评估值分别对应于不同的评估参数，所述评估参数中包括：流行度消偏参数，所述流行度消偏参数对应的评估值为根据所述目标用户对于所述候选资源的预估操作行为信息以及历史用户对于所述候选资源的实际操作行为信息确定出的，所述历史用户为历史上点击过所述候选资源的用户；结合各评估值确定出所述候选资源的推荐评分；

根据所述推荐评分确定出推荐给所述目标用户的候选资源。

一种资源推荐装置，包括：第一处理模块以及第二处理模块；

所述第一处理模块，用于针对待推荐给目标用户的任一候选资源，分别进行以下处理：获取所述候选资源的M个评估值，M为大于一的正整数，不同评估值分别对应于不同的评估参数，所述评估参数中包括：流行度消偏参数，所述流行度消偏参数对应的评估值为根据所述目标用户对于所述候选资源的预估操作行为信息以及历史用户对于所述候选资源的实际操作行为信息确定出的，所述历史用户为历史上点击过所述候选资源的用户；结合各评估值确定出所述候选资源的推荐评分；

所述第二处理模块，用于根据所述推荐评分确定出推荐给所述目标用户的候选资源。

一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。

一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如以上所述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开所述资源推荐方法第一实施例的流程图；

图2为本公开所述资源推荐方法第二实施例的流程图；

图3为本公开所述资源推荐装置实施例300的组成结构示意图；

图4示出了可以用来实施本公开的实施例的电子设备400的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本公开所述资源推荐方法第一实施例的流程图。如图1所示，包括以下具体实现方式。

在步骤101中，针对待推荐给目标用户的任一候选资源，分别进行以下处理：获取该候选资源的M个评估值，M为大于一的正整数，不同评估值分别对应于不同的评估参数，所述评估参数中包括：流行度消偏参数，所述流行度消偏参数对应的评估值为根据目标用户对于该候选资源的预估操作行为信息以及历史用户对于该候选资源的实际操作行为信息确定出的，历史用户为历史上点击过该候选资源的用户；结合各评估值确定出该候选资源的推荐评分。

在步骤102中，根据所述推荐评分确定出推荐给目标用户的候选资源。

如前所述，流行度偏差过高，会导致过多的向用户推荐热门资源，从而加剧马太效应等，因此，需要进行流行度消偏。

传统的流行度消偏方式主要为热门资源打压方式，即当热门资源的分发量达到一定阈值后，限制其展现机会。但热门资源并不是完全对推荐系统有害的，适度高热反而有益，盲目打压会降低资源推荐的合理性，影响用户体验等。

采用本公开方法实施例所述方案，可基于待推荐用户对于候选资源的预估操作行为信息以及历史用户对于候选资源的实际操作行为信息确定出流行度消偏参数对应的评估值，进而可结合流行度消偏参数对应的评估值以及其它各评估参数对应的评估值确定出候选资源的推荐评分，从而尽可能地克服了流行度偏差问题，并避免了对于热门资源的盲目打压，进而提升了资源推荐的合理性以及资源推荐的个性化等。

优选地，所述候选资源可为视频，如当目标用户打开某一短视频应用(APP)时，可向用户主动推荐视频。目标用户即指待推荐用户。

针对待推荐给目标用户的每个候选资源，可分别获取其推荐评分。具体地，针对任一候选资源，可获取该候选资源的M个评估值，M为大于一的正整数，不同评估值分别对应于不同的评估参数，评估参数中包括：流行度消偏参数，流行度消偏参数对应的评估值可为根据目标用户对于该候选资源的预估操作行为信息以及历史用户对于该候选资源的实际操作行为信息确定出的，之后可结合各评估值确定出该候选资源的推荐评分。

M的具体取值可根据实际需要而定，M个评估参数具体分别为什么参数也可根据实际需要而定，比如，可包括传统的点击率(CTR，Click-Through-Rate)等，另外，在传统的评估参数的基础上，进一步引入了流行度消偏参数，用于进行流行度消偏。

其中，优选地，针对任一候选资源，可获取目标用户对于该候选资源的播放完成率预估值，将所述播放完成率预估值作为目标用户对于该候选资源的预估操作行为信息。

另外，优选地，可将目标用户的用户特征以及该候选资源的资源特征作为预先训练得到的预估模型的输入，从而得到预估模型输出的所述播放完成率预估值。

用户特征和资源特征中分别具体包括哪些内容可根据实际需要而定。比如，用户特征中可包括用户标识(id)、年龄以及性别等，资源特征中可包括资源id、资源时长(如视频时长)、所属的垂类以及作者(资源发布者)等。

可预先构建相应的训练样本并训练得到预估模型，相应地，可将目标用户的用户特征以及候选资源的资源特征输入训练完成的预估模型，从而得到所需的播放完成率预估值。

也就是说，借助于预估模型，可高效准确地获取到所需的播放完成率预估值，并可将获取到的播放完成率预估值作为目标用户对于候选资源的预估操作行为信息，从而为后续处理奠定了良好的基础，而且，可结合用户特征以及资源特征来确定出所需的播放完成率预估值，从而提升了处理结果的准确性等。

优选地，针对任一候选资源，可分别获取各历史用户对于该候选资源的实际播放完成率，并可获取各实际播放完成率的均值，将所述均值作为历史用户对于该候选资源的实际操作行为信息。

假设共有100个历史用户点击过某一候选资源，那么可分别获取到每个历史用户对于该候选资源的实际播放完成率，比如，假设该候选资源为视频，其总时长为180秒，某个历史用户观看了90秒的时间，那么该历史用户对于该候选资源的实际播放完成率即为50％，再比如，另一个历史用户观看了18秒的时间，那么该历史用户对于该候选资源的实际播放完成率即为10％，相应地，共可获取到100个实际播放完成率，进一步地，可计算这100个实际播放完成率的均值，并可将得到的均值作为历史用户对于该候选资源的实际操作行为信息。

通过上述处理，针对任一候选资源，可结合所有历史用户的实际播放完成率确定出历史用户对于该候选资源的实际操作行为信息，从而提升了处理结果的准确性。

针对任一候选资源，还可根据目标用户对于该候选资源的预估操作行为信息以及历史用户对于该候选资源的实际操作行为信息确定出流行度消偏参数对应的评估值。优选地，可获取所述播放完成率预估值与所述均值的差值，将所述差值作为所需的流行度消偏参数对应的评估值。

即有：

fr_cvm_debias_q＝fr_q-fr_nid_cvm；(1)

其中，fr_q表示所述播放完成率预估值，即目标用户对于候选资源的预估操作行为信息，fr_nid_cvm表示所述均值，即历史用户对于候选资源的实际操作行为信息，fr_cvm_debias_q表示流行度消偏参数对应的评估值。

即流行度消偏参数对应的评估值可等于目标用户对于候选资源的播放完成率预估值减去历史用户对于候选资源的平均播放完成率，从而有效地削弱了资源后验信息对于最终的推荐评分的影响，资源后验信息即指资源的历史推荐表现，对应于上述fr_nid_cvm，比如，即便fr_nid_cvm取值较大，即候选资源比较热门，用户观看较多，但如果目标用户对于候选资源的播放完成率预估值较小，即目标用户对于候选资源的兴趣较小，那么计算出来的fr_cvm_debias_q也会较小，从而在一定程度上实现了流行度消偏。

另外，优选地，针对任一候选资源，结合各评估值确定出该候选资源的推荐评分的方式可包括：针对任一评估值，分别进行以下处理：将该评估值作为底数，将该评估值对应的权重作为指数，获取所述底数与所述指数的幂运算结果；获取各评估值对应的幂运算结果的乘积，将所述乘积作为所需的推荐评分。

即有：

其中，ctr表示评估参数CTR对应的评估值，w₁表示ctr对应的权重，w_M表示fr_cvm_debias_q对应的权重，M表示评估参数的数量，Score表示得到的推荐评分。

可以看出，上述处理方式中，可采用公式融合方式，结合各评估值及分别对应的权重，方便准确地确定出所需的推荐评分，并且，在其中引入了fr_cvm_debias_q，从而有效地削弱了资源后验信息的影响，另外，不同权重的具体取值均可根据实际需要而定，非常的灵活方便。

在分别获取到各候选资源的推荐评分后，可根据推荐评分确定出推荐给目标用户的候选资源。

优选地，可按照推荐评分由高到低的顺序对各候选资源进行排序，并将排序后处于前N位的候选资源作为推荐给目标用户的候选资源，N为正整数，且N小于候选资源的数量。

N的具体取值同样可根据实际需要而定，比如，可取值为一，也可以大于一。

结合上述介绍，图2为本公开所述资源推荐方法第二实施例的流程图。本实施例中以候选资源为视频为例进行说明。如图2所示，包括以下具体实现方式。

在步骤201中，针对待推荐的任一视频，分别获取目标用户对于该视频的播放完成率预估值以及各历史用户对于该视频的实际播放完成率的均值，并获取所述播放完成率预估值与所述均值的差值，将所述差值作为流行度消偏参数对应的评估值。

其中，可将目标用户的用户特征以及该视频的资源特征作为预估模型的输入，得到预估模型输出的所述播放完成率预估值。

在步骤202中，分别获取该视频除流行度消偏参数之外的其它各评估参数对应的评估值。

在步骤203中，针对任一评估值，分别将该评估值作为底数，将该评估值对应的权重作为指数，获取所述底数与所述指数的幂运算结果，并获取各评估值对应的幂运算结果的乘积，将所述乘积作为该视频的推荐评分。

在步骤204中，按照推荐评分由高到低的顺序对待推荐的各视频进行排序，将排序后处于前N位的视频作为推荐给目标用户的视频，N为正整数。

需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行，比如，上述步骤201和步骤202即可以同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。另外，某个实施例中没有详述的部分，可以参见其它实施例中的相关说明。

总之，采用本公开方法实施例所述方案，可显著地降低热门资源的推荐占比，从而有效地克服了流行度偏差问题，并提升了推荐结果的个性化，而且，对于各种资源推荐场景均可适用，即具有普遍适用性。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图3为本公开所述资源推荐装置实施例300的组成结构示意图。如图3所示，包括：第一处理模块301以及第二处理模块302。

第一处理模块301，用于针对待推荐给目标用户的任一候选资源，分别进行以下处理：获取该候选资源的M个评估值，M为大于一的正整数，不同评估值分别对应于不同的评估参数，所述评估参数中包括：流行度消偏参数，所述流行度消偏参数对应的评估值为根据目标用户对于该候选资源的预估操作行为信息以及历史用户对于该候选资源的实际操作行为信息确定出的，历史用户为历史上点击过该候选资源的用户；结合各评估值确定出该候选资源的推荐评分。

第二处理模块302，用于根据所述推荐评分确定出推荐给目标用户的候选资源。

采用本公开装置实施例所述方案，可基于待推荐用户对于候选资源的预估操作行为信息以及历史用户对于候选资源的实际操作行为信息确定出流行度消偏参数对应的评估值，进而可结合流行度消偏参数对应的评估值以及其它各评估参数对应的评估值确定出候选资源的推荐评分，从而尽可能地克服了流行度偏差问题，并避免了对于热门资源的盲目打压，进而提升了资源推荐的合理性以及资源推荐的个性化等。

优选地，所述候选资源可为视频，针对任一候选资源，第一处理模块301可获取目标用户对于该候选资源的播放完成率预估值，将所述播放完成率预估值作为目标用户对于该候选资源的预估操作行为信息。

另外，优选地，第一处理模块301可将目标用户的用户特征以及该候选资源的资源特征作为预先训练得到的预估模型的输入，从而得到预估模型输出的所述播放完成率预估值。

用户特征和资源特征中分别具体包括哪些内容可根据实际需要而定。比如，用户特征中可包括用户id、年龄以及性别等，资源特征中可包括资源id、资源时长、所属的垂类以及作者等。

优选地，针对任一候选资源，第一处理模块301可分别获取各历史用户对于该候选资源的实际播放完成率，并可获取各实际播放完成率的均值，将所述均值作为历史用户对于该候选资源的实际操作行为信息。

针对任一候选资源，第一处理模块301还可根据目标用户对于该候选资源的预估操作行为信息以及历史用户对于该候选资源的实际操作行为信息确定出流行度消偏参数对应的评估值。优选地，第一处理模块301可获取所述播放完成率预估值与所述均值的差值，将所述差值作为所需的流行度消偏参数对应的评估值。

另外，优选地，针对任一候选资源，第一处理模块301结合各评估值确定出该候选资源的推荐评分的方式可包括：针对任一评估值，分别进行以下处理：将该评估值作为底数，将该评估值对应的权重作为指数，获取所述底数与所述指数的幂运算结果；获取各评估值对应的幂运算结果的乘积，将所述乘积作为所需的推荐评分。

在分别获取到各候选资源的推荐评分后，第二处理模块302可根据推荐评分确定出推荐给目标用户的候选资源。

优选地，第二处理模块302可按照推荐评分由高到低的顺序对各候选资源进行排序，并将排序后处于前N位的候选资源作为推荐给目标用户的候选资源，N为正整数，且N小于候选资源的数量。

图3所示装置实施例的具体工作流程可参照前述方法实施例中的相关说明，不再赘述。

总之，采用本公开装置实施例所述方案，可显著地降低热门资源的推荐占比，从而有效地克服了流行度偏差问题，并提升了推荐结果的个性化，而且，对于各种资源推荐场景均可适用，即具有普遍适用性。

本公开所述方案可应用于人工智能领域，特别涉及智能推荐、深度学习以及大数据处理等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

另外，本公开所述实施例中的资源并不是针对某一特定用户的，并不能反映出某一特定用户的个人信息。本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图4示出了可以用来实施本公开的实施例的电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图4所示，设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种资源推荐方法，包括：

针对待推荐给目标用户的任一候选资源，分别进行以下处理：获取所述候选资源的M个评估值，M为大于一的正整数，不同评估值分别对应于不同的评估参数，所述评估参数中包括：流行度消偏参数，所述流行度消偏参数对应的评估值为根据所述目标用户对于所述候选资源的预估操作行为信息以及历史用户对于所述候选资源的实际操作行为信息确定出的，所述历史用户为历史上点击过所述候选资源的用户；结合各评估值确定出所述候选资源的推荐评分；

根据所述推荐评分确定出推荐给所述目标用户的候选资源。

2.根据权利要求1所述的方法，其中，

所述候选资源包括：视频；

所述预估操作行为信息的获取方式包括：获取所述目标用户对于所述候选资源的播放完成率预估值，将所述播放完成率预估值作为所述预估操作行为信息。

3.根据权利要求2所述的方法，其中，

所述获取所述目标用户对于所述候选资源的播放完成率预估值包括：将所述目标用户的用户特征以及所述候选资源的资源特征作为预先训练得到的预估模型的输入，得到所述预估模型输出的所述播放完成率预估值。

4.根据权利要求2所述的方法，其中，

所述实际操作行为信息的获取方式包括：分别获取各历史用户对于所述候选资源的实际播放完成率，并获取各实际播放完成率的均值，将所述均值作为所述实际操作行为信息。

5.根据权利要求4所述的方法，其中，

所述流行度消偏参数对应的评估值的获取方式包括：获取所述播放完成率预估值与所述均值的差值，将所述差值作为所述流行度消偏参数对应的评估值。

6.根据权利要求1～5中任一项所述的方法，其中，

所述结合各评估值确定出所述候选资源的推荐评分包括：

针对任一评估值，分别进行以下处理：将所述评估值作为底数，将所述评估值对应的权重作为指数，获取所述底数与所述指数的幂运算结果；

获取各评估值对应的幂运算结果的乘积，将所述乘积作为所述推荐评分。

7.根据权利要求1～5中任一项所述的方法，其中，

所述根据所述推荐评分确定出推荐给所述目标用户的候选资源包括：按照所述推荐评分由高到低的顺序对各候选资源进行排序，将排序后处于前N位的候选资源作为推荐给所述目标用户的候选资源，N为正整数，且N小于候选资源的数量。

8.一种资源推荐装置，包括：第一处理模块以及第二处理模块；

所述第一处理模块，用于针对待推荐给目标用户的任一候选资源，分别进行以下处理：获取所述候选资源的M个评估值，M为大于一的正整数，不同评估值分别对应于不同的评估参数，所述评估参数中包括：流行度消偏参数，所述流行度消偏参数对应的评估值为根据所述目标用户对于所述候选资源的预估操作行为信息以及历史用户对于所述候选资源的实际操作行为信息确定出的，所述历史用户为历史上点击过所述候选资源的用户；结合各评估值确定出所述候选资源的推荐评分；

所述第二处理模块，用于根据所述推荐评分确定出推荐给所述目标用户的候选资源。

9.根据权利要求8所述的装置，其中，

所述候选资源包括：视频；

所述第一处理模块获取所述目标用户对于所述候选资源的播放完成率预估值，将所述播放完成率预估值作为所述预估操作行为信息。

10.根据权利要求9所述的装置，其中，

所述第一处理模块将所述目标用户的用户特征以及所述候选资源的资源特征作为预先训练得到的预估模型的输入，得到所述预估模型输出的所述播放完成率预估值。

11.根据权利要求9所述的装置，其中，

所述第一处理模块分别获取各历史用户对于所述候选资源的实际播放完成率，并获取各实际播放完成率的均值，将所述均值作为所述实际操作行为信息。

12.根据权利要求11所述的装置，其中，

所述第一处理模块获取所述播放完成率预估值与所述均值的差值，将所述差值作为所述流行度消偏参数对应的评估值。

13.根据权利要求8～12中任一项所述的装置，其中，

所述第一处理模块针对任一评估值，分别进行以下处理：将所述评估值作为底数，将所述评估值对应的权重作为指数，获取所述底数与所述指数的幂运算结果，获取各评估值对应的幂运算结果的乘积，将所述乘积作为所述推荐评分。

14.根据权利要求8～12中任一项所述的装置，其中，

所述第二处理模块按照所述推荐评分由高到低的顺序对各候选资源进行排序，将排序后处于前N位的候选资源作为推荐给所述目标用户的候选资源，N为正整数，且N小于候选资源的数量。

15.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现权利要求1-7中任一项所述的方法。