CN113515696A - 推荐方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明实施例涉及一种推荐方法、装置、电子设备及存储介质，所述方法包括：获取设定历史时间段内向目标用户展示的历史资源，以及所述目标用户针对所述历史资源的用户行为数据；根据所述目标用户的属性信息确定所述目标用户的第一用户画像，以及根据所述历史资源和所述用户行为数据，确定所述目标用户对应不同资源类型的第二用户画像，其中，不同的资源类型对应的资源特征不完全相同；根据所述第一用户画像、各所述第二用户画像向所述目标用户进行资源推荐，由此可以实现根据用户针对不同资源类型资源的特点，向用户推荐不同资源类型的资源，提升推荐资源的丰富程度，提升用户体验。

Description

推荐方法、装置、电子设备及存储介质

技术领域

本发明实施例涉及智能推荐领域，尤其涉及一种推荐方法、装置、电子设备及存储介质。

背景技术

近年来，随着互联网技术以及多媒体技术的发展，越来越多的用户通过互联网获取资源，比如视频、图文、歌曲等。

为满足用户的个性化需求，推荐***广泛存在于各类网站中，用于根据用户的行为数据，通过一定的算法，为用户推荐符合其需求或者其可能感兴趣的资源。

发明内容

为在满足用户个性化需求的同时，提升推荐资源的丰富程度，本发明实施例提供一种推荐方法、装置、电子设备及存储介质。

第一方面，本发明实施例提供一种推荐方法，包括：

获取设定历史时间段内向目标用户展示的历史资源，以及所述目标用户针对所述历史资源的用户行为数据；

根据所述目标用户的属性信息确定所述目标用户的第一用户画像，以及根据所述历史资源和所述用户行为数据，确定所述目标用户对应不同资源类型的第二用户画像，其中，不同的资源类型对应的资源特征不完全相同；

根据所述第一用户画像、各所述第二用户画像向所述目标用户进行资源推荐。

在一个可能的实施方式中，所述根据所述第一用户画像、各所述第二用户画像向所述目标用户进行资源推荐，包括：

将所述第一用户画像、各所述第二用户画像进行融合，得到所述目标用户的第三用户画像；

将所述第三用户画像，以及各候选资源的资源特征输入至已训练的预测模型，得到所述目标用户对各所述候选资源的预估点击率；

根据所述目标用户对各所述候选资源的预估点击率向所述目标用户进行资源推荐。

在一个可能的实施方式中，所述根据所述第一用户画像、各所述第二用户画像向所述目标用户进行资源推荐，包括：

将所述第一用户画像、各所述第二用户画像，以及各候选资源的资源特征，输入至已训练的预测模型，所述预测模型包括画像融合子模型、点击率预测子模型，以由所述融合子模型将所述第一用户画像、各所述第二用户画像进行融合，得到所述目标用户对应的第三用户画像并输出给所述点击率预测子模型，以由所述点击率预测子模型根据所述第三用户画像和各所述资源特征得到所述目标用户对各所述候选资源的预估点击率；

根据所述目标用户对各所述候选资源的预估点击率向所述目标用户进行资源推荐。

在一个可能的实施方式中，所述资源类型包括：图文类型、长视频类型、短视频类型中的至少两种；

其中，所述图文类型对应的资源特征包括：创作者信息、版权方信息中的至少一种；

所述长视频类型对应的资源特征包括：导演信息、演员信息、出品方信息中的至少一种；

所述短视频类型对应的资源特征包括：上传短视频者信息、题材信息、合作方信息中的至少一种。

在一个可能的实施方式中，所述方法还包括：

从其他资源类型的候选资源中确定与第一目标资源相匹配的第二目标资源，所述第一目标资源是指根据所述第一用户画像、各所述第二用户画像向所述目标用户所推荐的资源，所述其他资源类型是指与所述第一目标资源所属的资源类型不同的资源类型；

向所述目标用户推荐所述第二目标资源。

在一个可能的实施方式中，所述将所述第一用户画像、各所述第二用户画像进行融合，得到所述目标用户的第三用户画像，包括：

将所述第一用户画像与各所述第二用户画像分别进行融合，得到多个第四用户画像；

将多个所述第四用户画像进行融合，得到所述目标用户的第三用户画像。

在一个可能的实施方式中，所述候选资源通过以下方式确定：

根据所述用户行为数据确定与所述目标用户兴趣相似的相邻用户；

从所述相邻用户所偏好的资源中，选择与所述历史资源相关的资源确定为所述候选资源。

第二方面，本发明实施例提供一种推荐装置，包括：

获取模块，用于获取设定历史时间段内向目标用户展示的历史资源，以及所述目标用户针对所述历史资源的用户行为数据；

画像模块，用于根据所述目标用户的属性信息确定所述目标用户的第一用户画像，以及根据所述历史资源和所述用户行为数据，确定所述目标用户对应不同资源类型的第二用户画像，其中，不同的资源类型对应的资源特征不完全相同；

推荐模块，用于根据所述第一用户画像、各所述第二用户画像向所述目标用户进行资源推荐。

第三方面，本发明实施例提供一种电子设备，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的推荐程序，以实现上述第一方面中所述的推荐方法。

第四方面，本发明实施例提供一种存储介质，包括：所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面中所述的推荐方法。

本发明实施例提供的技术方案，在存在多种类型的资源时，与现有技术中将不同类型的资源归一化到相同的特征空间中，也即对不同类型的资源进行相同特征的提取不同的是，通过获取设定历史时间段内向目标用户展示的历史资源，以及目标用户针对历史资源的用户行为数据，根据目标用户的属性信息确定目标用户的第一用户画像，以及根据历史资源和用户行为数据，确定目标用户对应不同资源类型的第二用户画像，根据第一用户画像、各第二用户画像向目标用户进行资源推荐，由于通过针对每一资源类型，分别刻画目标用户对应该资源类型的第二用户画像，可以使得第二用户画像中包含该资源类型所独有的资源特征，从而能够表征出用户针对该资源类型资源的特点，进而在根据第一用户画像、各第二用户画像向目标用户进行资源推荐时，能够根据用户针对不同资源类型资源的特点，向用户推荐不同资源类型的资源，提升推荐资源的丰富程度，提升用户体验。

附图说明

图1为本发明实施例提供的一种***架构示意图；

图2为本发明实施例提供的一种推荐方法的流程示意图；

图3为预测模型的一种结构示意图；

图4为本发明实施例提供的一种画像融合过程的流程示意图；

图5为本发明实施例提供的另一种推荐方法的流程示意图；

图6为本发明实施例提供的一种推荐装置的结构示意图；

图7为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为便于对本发明实施例的理解，下面首先结合附图对本发明实施例涉及的***架构做出示例性说明。

参见图1，为本发明实施例提供的***架构示意图。如图1所示，***架构100中包括：用户终端101、服务器102，用户终端101与服务器102通信连接。

用户终端101可以是支持具有显示屏的各种电子设备，包括但不限于：智能手机、台式计算机、平板电脑、膝上型便携计算机等，图1中仅以智能手机为例。

在实践中，用户终端101可以通过安装相应的客户端应用来提供相应的网络服务，比如，用户终端101通过安装视频APP来提供视频服务。相应的，服务器102则通过安装相应的服务端应用来提供相应的网络服务，比如，服务器102通过安装视频APP对应的服务端应用来提供视频服务。

可以理解的是，图1中网络和设备的数目仅是示意。根据实际需要，***架构100可以包括任意数目的网络和设备。

基于图1所示例的***架构，在一示例性应用场景中，可应用本发明实施例提供的推荐方法实现服务器102向使用用户终端101的用户进行资源推荐，这里，所推荐资源的资源类型包括但不限于：长视频、短视频、图文等。

下面结合附图以具体实施例对本发明实施例提供的推荐方法做进一步的解释说明，实施例并不构成对本发明实施例的限定。

参见图2，为本发明实施例提供的一种推荐方法的流程示意图。作为一个实施例，该方法可应用于图1中所示例的服务器102。如图2所示，该方法可包括以下步骤：

步骤201、获取设定历史时间段内向目标用户展示的历史资源，以及目标用户针对历史资源的用户行为数据。

本发明实施例中，历史资源是指设定历史时间段内(比如前48小时内、前一周内、前一个月内等)向目标用户展示的资源，当然，这里所展示的资源的资源类型包括但不限于：长视频、短视频、图文等。

用户行为具体指用户对历史资源的操作行为，且通过分析针对某一历史资源的用户行为数据，可以推测用户对该历史资源的喜爱程度，其中，用户行为包括但不限于：用户对历史资源的点击行为、观看行为、评论行为、点赞行为等，用户行为数据则用于描述用户行为，比如用户对历史资源的点击次数、观看时长、评论内容等。

作为一个实施例，在应用中，终端可通过埋点的方式，在终端侧监听上述用户行为，采集并记录用户的行为数据以及发生该行为数据的时间点，或者当监听到特定的用户行为发生时，采集相应的用户行为数据并记录。之后，终端将采集到的用户行为数据发送给服务器，服务器接收并存储该用户行为数据。如此，服务器基于存储的用户行为数据，就能够获取设定历史时间段内目标用户针对历史资源的用户行为数据。

步骤202、根据目标用户的属性信息确定目标用户的第一用户画像，以及根据历史资源和用户行为数据，确定目标用户对应不同资源类型的第二用户画像。

可以理解的是，不同的资源类型对应的资源特征不完全相同，每一资源类型的资源具有其独有的资源特征，比如，图文类型独有的资源特征包括但不限于：创作者信息、版权方信息等，长视频类型独有的资源特征包括但不限于：导演信息、演员信息、出品方信息等，短视频类型独有的资源特征包括但不限于：up主(也即上传短视频者)信息、题材信息、合作方信息、演员信息等。

基于此，在本发明实施例中，根据历史资源和用户行为数据，确定目标用户对应不同资源类型的用户画像(为描述方便，称为第二用户画像)，也即，针对每一资源类型，根据该资源类型的历史资源和用户针对该资源类型的历史资源的用户行为数据，确定目标用户对应该资源类型的第二用户画像。

具体的，服务器可先根据资源类型对步骤201中获取到的历史资源进行划分，得到多个分组，其中，同一分组中的历史资源属于同一资源类型，不同分组中的历史资源属于不同资源类型，也即每一分组对应一个资源类型。之后，针对每一资源类型，基于该资源类型对应分组中的历史资源，以及用户针对该分组中历史资源的用户行为数据，通过技术手段对用户进行行为建模，通过行为建模可以输出一系列的用户标签，将这些用户标签形成一个集合，该集合则为用户对应该资源类型的第二用户画像。上述技术手段可以为：非序列的Pooling方法、Attention方法、序列建模方法、多兴趣表达方法等，本发明实施例对行为建模时采用的具体技术手段不作限制。

其中，用户行为数据用于描述用户对历史资源的操作行为(也即用户行为)，而第二用户画像是对用户行为进行建模得到，因此，第二用户画像能够表征出用户对历史资源的操作行为的特点，进一步的，用户对历史资源的操作行为能够真实地表征出用户对历史资源的偏好、喜爱程度等特点，因此，某一资源类型对应的第二用户画像能够表征出用户针对该资源类型资源的偏好、喜爱程度等特点。

举例来说，假设设定历史时间段内向目标用户展示的历史资源包括长视频和短视频两种资源类型的资源，则本步骤202中，可分别根据长视频类型的资源和目标用户针对该资源的用户行为数据，确定目标用户针对长视频的用户画像(也即第二用户画像)，根据短视频类型的资源和目标用户针对该资源的用户行为数据，确定目标用户针对短视频的用户画像(也即第二用户画像)。这里，针对长视频的用户画像可包括但不限于：用户喜爱的导演、用户喜爱的演员、用户观看的长视频中出现次数最多的出品方等，针对短视频的用户画像可包括但不限于：用户喜爱的up主、用户喜爱的题材等。由上述描述可见，本发明实施例中，通过针对每一资源类型，分别刻画目标用户对应该资源类型的第二用户画像，可以使得第二用户画像中包含该资源类型所独有的资源特征，从而能够表征出用户针对该资源类型资源的特点。

目标用户的属性信息包括但不限于：目标用户的年龄、性别、所在城市等。至于是如何根据目标用户的属性信息确定目标用户的第一用户画像的，本发明实施例不再赘述。

步骤203、根据第一用户画像，各第二用户画像向目标用户进行资源推荐。

由步骤203中的描述可知，本发明实施例中，在向目标用户进行资源推荐时，考虑了目标用户针对各个资源类型的第二用户画像，这也就意味着考虑了目标用户针对各个资源类型资源的特点，从而能够根据目标用户针对不同资源类型资源的特点，向用户推荐不同资源类型的资源。

举例来说，假设目标用户针对长视频类型的特点为用户喜欢导演甲，并假设目标用户针对短视频类型的特点为用户喜欢up主乙，那么，在向目标用户进行资源推荐时，可将导演甲拍摄的长视频、乙上传的短视频、乙参演的长视频、由导演甲拍摄的长视频剪辑而成的短视频等都推荐给目标用户。

本发明实施例中，在根据第一用户画像，各第二用户画像向目标用户进行资源推荐时，首先将第一用户画像和各第二用户画像进行融合，得到目标用户的第三用户画像，然后根据目标用户的第三用户画像向目标用户进行资源推荐。其中是如何将第一用户画像、各第二用户画像进行融合，得到目标用户的第三用户画像的，在下文中通过图4所示流程进行说明，这里先不详述。

作为一个实施例，在将第一用户画像和各第二用户画像进行融合，得到目标用户的第三用户画像之后，可将第三用户画像、各候选资源的资源特征输入至已训练的预测模型，得到目标用户对各候选资源的预估点击率，然后根据目标用户对各候选资源的预估点击率向目标用户进行资源推荐。

这里，候选资源是指服务器从海量资源中所召回的，目标用户可能感兴趣的资源，候选资源的资源特征包括候选资源所独有的资源特征。至于服务器是如何从海量资源中召回候选资源的，在下文中会有描述，这里先不详述。

预测模型可为DNN(Deep Neural Network，深度神经网络)模型，其输入为用户的第三用户画像、候选资源的资源特征，输出为该用户点击该候选资源的预估点击率。本领域技术人员可以理解的是，可通过构建训练集，利用训练集，采用有监督训练算法对初始模型进行训练的方式得到预测模型，其中，训练集中的每条训练样本包括第三用户画像、资源特征、用户对资源的点击行为，其中点击行为包括点击和未点击。

作为另一个实施例，上述预测模型可包括两个部分，如图3所示，为预测模型的一种结构示意图。图3所示意的预测模型包括画像融合子模型、点击率预测子模型，其中，画像融合子模型的输入为上述第一用户画像、各第二用户画像，输出为第三用户画像，点击率预测子模型的输入为第三用户画像、候选资源的资源特征，输出为预估点击率。基于此，在该实施例中，服务器可将第一用户画像、各第二用户画像，以及各候选资源的资源特征，输入至已训练的预测模型，以由融合子模型将第一用户画像、各第二用户画像进行融合，得到目标用户对应的第三用户画像并输出给点击率预测子模型，以由点击率预测子模型根据第三用户画像和各候选资源的资源特征得到目标用户对各候选资源的预估点击率。

本发明实施例中，服务器在得到目标用户对各候选资源的预估点击率之后，可从各候选资源中选择预估点击率满足设定条件的候选资源确定为最终的推荐资源以推荐给目标用户。

这里，设定条件例如可以是：按照预估点击率从高到低的顺序，排在前N(N为大于0的自然数，例如为50)位的候选资源，或者是，预估点击率高于设定阈值(例如0.5)的候选资源。需要说明的是，在应用中，上述N和设定阈值可由用户(例如运营人员)手动设置，并且可更新。

本发明实施例提供的技术方案，在存在多种类型的资源时，与现有技术中将不同类型的资源归一化到相同的特征空间中，也即对不同类型的资源进行相同特征的提取(比如，长视频类型的资源独有导演这一属性，短视频类型的资源独有up主这一属性，两者均具有题材这一属性，那么，在对长视频类型的资源进行特征提取时，丢弃导演这一特征，而提取题材这一特征，同样地，在对短视频类型的资源进行特征提取时，丢弃up主这一特征，而提取题材这一特征)不同的是，通过获取设定历史时间段内向目标用户展示的历史资源，以及目标用户针对历史资源的用户行为数据，根据目标用户的属性信息确定目标用户的第一用户画像，以及根据历史资源和用户行为数据，确定目标用户对应不同资源类型的第二用户画像，根据第一用户画像、各第二用户画像向目标用户进行资源推荐，由于通过针对每一资源类型，分别刻画目标用户对应该资源类型的第二用户画像，可以使得第二用户画像中包含该资源类型所独有的资源特征，从而能够表征出用户针对该资源类型资源的特点，进而在根据第一用户画像、各第二用户画像向目标用户进行资源推荐时，能够根据用户针对不同资源类型资源的特点，向用户推荐不同资源类型的资源，提升推荐资源的丰富程度，提升用户体验。

参见图4，为本发明实施例提供的一种画像融合过程的流程示意图，如图4所示，该方法可包括以下步骤：

步骤401、将第一用户画像与各第二用户画像分别进行融合，得到多个第四用户画像。

步骤402、将多个第四用户画像进行融合，得到目标用户的第三用户画像。

举例来说，假设第二用户画像包括目标用户对应长视频资源类型的第二用户画像(记为b1)和对应短视频资源类型的第二用户画像(记为b2)，在本发明实施例中，可通过以下公式实现上述步骤401和步骤402：

c＝a*b1+a*b2；或者c＝(1-a)*b1+a*b2

在上述公式中，c表示第三用户画像，a表示第一用户画像，a*b1、a*b2、(1-a)*b1、a*b2均为第四用户画像。

需要说明的是，上述公式所示的将第一用户画像和各第二用户画像分别进行融合，得到多个第四用户画像，再将多个第四用户画像进行融合，得到第三用户画像的融合方式仅仅是示例性说明，在应用中，还存在其他融合方式，比如，将第一用户画像和各第二用户画像分别进行加权融合，得到多个第四用户画像，再将多个第四用户画像进行融合，得到第三用户画像，本发明实施例对此不做限制。

本发明实施例提供的技术方案，通过将第一用户画像和各第二用户画像进行融合，得到第三用户画像，后续根据第三用户画像向目标用户进行资源推荐，可以实现在向目标用户进行资源推荐时，引入目标用户针对不同资源类型资源的特点，从而实现向用户推荐不同资源类型的资源，提升推荐资源的丰富程度，提升用户体验。

参见图5，为本发明实施例提供的另一种推荐方法的流程示意图，该图5所示流程在上述图2所示流程的基础上，可包括以下步骤：

步骤501、获取设定历史时间段内向目标用户展示的历史资源，以及目标用户针对历史资源的用户行为数据。

步骤502、根据目标用户的属性信息确定目标用户的第一用户画像，以及根据历史资源和用户行为数据，确定目标用户对应不同资源类型的第二用户画像。

上述步骤501和步骤502的描述可以参见上述图2所示实施例中，步骤201和步骤202中的描述，这里不再赘述。

步骤503、根据第一用户画像、各第二用户画像确定第一目标资源。

本步骤503中的第一目标资源可以指上述图2所示实施例的步骤203中所描述的，预估点击率满足设定条件的候选资源。至于是如何根据第一用户画像、各第二用户画像确定第一目标资源的，可参见步骤203中的描述，这里不再赘述。

步骤504、从其他资源类型的候选资源中确定与第一目标资源相匹配的第二目标资源。

首先说明，其他资源类型是指与第一目标资源所属的资源类型不同的资源类型。

在本发明实施例中，可通过以下过程实现从其他资源类型的候选资源中确定与第一目标资源相匹配的第二目标资源：针对每一其他资源类型的候选资源，确定候选资源与第一目标资源之间的关联度，在确定候选资源与第一目标资源之间的关联度满足设定条件时，将候选资源确定为与第一目标资源相匹配的第二目标资源。这里，关联度可以通过候选资源的特征向量和第一目标资源的特征向量之间的余弦距离或欧式距离来表示，可以理解的是，余弦距离或欧式距离越小，则意味着关联度越大。相应的，设定条件可以指余弦距离或欧式距离小于预设的距离阈值。其中，距离阈值可由人为设定，并且可更新。

步骤505、向目标用户推荐第一目标资源和第二目标资源。

本发明实施例提供的技术方案，在图2流程的基础上，通过从其他资源类型的候选资源中确定与第一目标资源相匹配的第二目标资源，向目标用户推荐第一目标资源和第二目标资源，可以实现不同资源类型之间的联合推荐，进一步提升用户体验。

为便于理解上述所描述的不同资源类型之间的联合推荐，示出以下例子：

假设通过执行图2所示流程，或者执行上述步骤501～503，所得到的第一目标资源为某一电视剧中的剪辑片段，也即短视频，通过执行步骤504所得到的第二目标资源为该电视剧的剧集，也即长视频。这就实现了在向目标用户推荐某一电视剧对应的短视频时，同时地向目标用户推荐该电视剧的完整剧集，进一步提升用户体验。

以下对本发明实施例中，服务器从海量资源中召回目标用户可能感兴趣的资源的过程进行说明：

现有技术中，服务器可通过协同过滤策略从海量资源中召回目标用户可能感兴趣的资源，具体的，协同过滤策略简单来说就是利用兴趣相投、拥有共同经验之群体的喜好来向用户推荐其可能感兴趣的资源。例如，假设用户甲和用户乙兴趣相投，也即用户甲和用户乙互为兴趣相似的相邻用户，那么，可以将用户甲浏览过(或购买过)，且用户乙未浏览过(或未购买过)的资源推荐给用户乙，类似的，将用户乙浏览过(或购买过)，且用户甲未浏览过(或未购买过)的资源推荐给用户甲。

在上述描述的基础上，本发明实施例提出，首先根据用户行为数据确定与目标用户兴趣相似的相邻用户，然后从相邻用户所偏好的资源中，选择与历史资源相关的资源确定为候选资源。由此可见，相较于现有技术而言，本发明实施例中并非是简单地将目标用户的相邻用户所偏好的资源确定为目标用户对应的候选资源，还考虑了相邻用户所偏好的资源同目标用户对应的历史资源之间的相关性，由于历史资源能够准确表征出目标用户实际的兴趣点，因此，相邻用户所偏好的资源中的与历史资源相关的资源更能够与用户实际的兴趣点相匹配，进而在将该与历史资源相关的资源推荐给目标用户时，目标用户点击该资源的可能性更大，从而能够提升召回准确率。

举例来说，仍假设用户甲和用户乙互为兴趣相似的相邻用户，并假设用户甲浏览了A品牌的汽车、B品牌的手表，并假设用户乙浏览了B品牌的汽车，那么，在确定用户乙对应的候选资源时，由于A品牌的汽车和B品牌的汽车之家具有较强的相关性，因此，将A品牌的汽车确定为用户乙对应的候选资源。

作为一个实施例，可通过BERT模型获取历史资源标题和相邻用户所偏好资源标题各自的深层语义，然后，通过两者之间的深层语义确定两者之间的相关性。

参见图6，为本发明实施例提供的一种推荐装置的结构示意图，如图6所示，该装置可包括：

获取模块61，用于获取设定历史时间段内向目标用户展示的历史资源，以及所述目标用户针对所述历史资源的用户行为数据；

画像模块62，用于根据所述目标用户的属性信息确定所述目标用户的第一用户画像，以及根据所述历史资源和所述用户行为数据，确定所述目标用户对应不同资源类型的第二用户画像，其中，不同的资源类型对应的资源特征不完全相同；

推荐模块63，用于根据所述第一用户画像、各所述第二用户画像向所述目标用户进行资源推荐。

在一个可能的实施方式中，所述推荐模块63包括(图中未示出)：

融合子模块，用于将所述第一用户画像、各所述第二用户画像进行融合，得到所述目标用户的第三用户画像；

第一预测子模块，用于将所述第三用户画像，以及各候选资源的资源特征输入至已训练的预测模型，得到所述目标用户对各所述候选资源的预估点击率；

第一推荐子模块，用于根据所述目标用户对各所述候选资源的预估点击率向所述目标用户进行资源推荐。

在一个可能的实施方式中，所述推荐模块63包括(图中未示出)：

第二预测子模块，用于将所述第一用户画像、各所述第二用户画像，以及各候选资源的资源特征，输入至已训练的预测模型，所述预测模型包括画像融合子模型、点击率预测子模型，以由所述融合子模型将所述第一用户画像、各所述第二用户画像进行融合，得到所述目标用户对应的第三用户画像并输出给所述点击率预测子模型，以由所述点击率预测子模型根据所述第三用户画像和各所述资源特征得到所述目标用户对各所述候选资源的预估点击率；

第二推荐子模块，用于根据所述目标用户对各所述候选资源的预估点击率向所述目标用户进行资源推荐。

在一个可能的实施方式中，所述资源类型包括：图文类型、长视频类型、短视频类型中的至少两种；

其中，所述图文类型对应的资源特征包括：创作者信息、版权方信息中的至少一种；

所述长视频类型对应的资源特征包括：导演信息、演员信息、出品方信息中的至少一种；

所述短视频类型对应的资源特征包括：上传短视频者信息、题材信息、合作方信息中的至少一种。

在一个可能的实施方式中，所述装置还包括(图中未示出)：

确定模块，用于从其他资源类型的候选资源中确定与第一目标资源相匹配的第二目标资源，所述第一目标资源是指根据所述第一用户画像、各所述第二用户画像向所述目标用户所推荐的资源，所述其他资源类型是指与所述第一目标资源所属的资源类型不同的资源类型；

所述推荐模块63还用于：向所述目标用户推荐所述第二目标资源。

在一个可能的实施方式中，所述融合子模块具体用于：

将所述第一用户画像与各所述第二用户画像分别进行融合，得到多个第四用户画像；将多个所述第四用户画像进行融合，得到所述目标用户的第三用户画像。

在一个可能的实施方式中，所述装置还包括(图中未示出)：

召回模块，用于通过以下方式确定所述候选资源：根据所述用户行为数据确定与所述目标用户兴趣相似的相邻用户；从所述相邻用户所偏好的资源中，选择与所述历史资源相关的资源确定为所述候选资源。

图7为本发明实施例提供的一种电子设备的结构示意图，图7所示的电子设备700包括：至少一个处理器701、存储器702、至少一个网络接口704和其他用户接口703。电子设备700中的各个组件通过总线***705耦合在一起。可理解，总线***705用于实现这些组件之间的连接通信。总线***705除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图7中将各种总线都标为总线***705。

其中，用户接口703可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。

可以理解，本发明实施例中的存储器702可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(ProgrammableROM，PROM)、可擦除可编程只读存储器(ErasablePROM，EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(RandomAccessMemory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(StaticRAM，SRAM)、动态随机存取存储器(DynamicRAM，DRAM)、同步动态随机存取存储器(SynchronousDRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleDataRateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(SynchlinkDRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambusRAM，DRRAM)。本文描述的存储器702旨在包括但不限于这些和任意其它适合类型的存储器。

在一些实施方式中，存储器702存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作***7021和应用程序7022。

其中，操作***7021，包含各种***程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序7022，包含各种应用程序，例如媒体播放器(MediaPlayer)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序7022中。

在本发明实施例中，通过调用存储器702存储的程序或指令，具体的，可以是应用程序7022中存储的程序或指令，处理器701用于执行各方法实施例所提供的方法步骤，例如包括：

获取设定历史时间段内向目标用户展示的历史资源，以及所述目标用户针对所述历史资源的用户行为数据；根据所述目标用户的属性信息确定所述目标用户的第一用户画像，以及根据所述历史资源和所述用户行为数据，确定所述目标用户对应不同资源类型的第二用户画像，其中，不同的资源类型对应的资源特征不完全相同；根据所述第一用户画像、各所述第二用户画像向所述目标用户进行资源推荐。

上述本发明实施例揭示的方法可以应用于处理器701中，或者由处理器701实现。处理器701可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器701中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器701可以是通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(FieldProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器702，处理器701读取存储器702中的信息，结合其硬件完成上述方法的步骤。

可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecificIntegratedCircuits，ASIC)、数字信号处理器(DigitalSignalProcessing，DSP)、数字信号处理设备(DSPDevice，DSPD)、可编程逻辑设备(ProgrammableLogicDevice，PLD)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。

对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。

本实施例提供的服务器可以是如图7中所示的电子设备，可执行如图2、4-5中推荐方法的所有步骤，进而实现图2、4-5所示资源推荐方法的技术效果，具体请参照图2、4-5相关描述，为简洁描述，在此不作赘述。

本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中，存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。

当存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述在电子设备侧执行的推荐方法。

所述处理器用于执行存储器中存储的推荐程序，以实现以下在电子设备侧执行的推荐方法的步骤：

获取设定历史时间段内向目标用户展示的历史资源，以及所述目标用户针对所述历史资源的用户行为数据；根据所述目标用户的属性信息确定所述目标用户的第一用户画像，以及根据所述历史资源和所述用户行为数据，确定所述目标用户对应不同资源类型的第二用户画像，其中，不同的资源类型对应的资源特征不完全相同；根据所述第一用户画像、各所述第二用户画像向所述目标用户进行资源推荐。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种推荐方法，其特征在于，包括：

获取设定历史时间段内向目标用户展示的历史资源，以及所述目标用户针对所述历史资源的用户行为数据；

根据所述目标用户的属性信息确定所述目标用户的第一用户画像，以及根据所述历史资源和所述用户行为数据，确定所述目标用户对应不同资源类型的第二用户画像，其中，不同的资源类型对应的资源特征不完全相同；

根据所述第一用户画像、各所述第二用户画像向所述目标用户进行资源推荐。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一用户画像、各所述第二用户画像向所述目标用户进行资源推荐，包括：

将所述第一用户画像、各所述第二用户画像进行融合，得到所述目标用户的第三用户画像；

将所述第三用户画像，以及各候选资源的资源特征输入至已训练的预测模型，得到所述目标用户对各所述候选资源的预估点击率；

根据所述目标用户对各所述候选资源的预估点击率向所述目标用户进行资源推荐。

3.根据权利要求1所述的方法，其特征在于，所述根据所述第一用户画像、各所述第二用户画像向所述目标用户进行资源推荐，包括：

将所述第一用户画像、各所述第二用户画像，以及各候选资源的资源特征，输入至已训练的预测模型，所述预测模型包括画像融合子模型、点击率预测子模型，以由所述融合子模型将所述第一用户画像、各所述第二用户画像进行融合得到所述目标用户对应的第三用户画像并输出给所述点击率预测子模型，以由所述点击率预测子模型根据所述第三用户画像和各所述资源特征得到所述目标用户对各所述候选资源的预估点击率；

根据所述目标用户对各所述候选资源的预估点击率向所述目标用户进行资源推荐。

4.根据权利要求1所述的方法，其特征在于，所述资源类型包括：图文类型、长视频类型、短视频类型中的至少两种；

其中，所述图文类型对应的资源特征包括：创作者信息、版权方信息中的至少一种；

所述长视频类型对应的资源特征包括：导演信息、演员信息、出品方信息中的至少一种；

所述短视频类型对应的资源特征包括：上传短视频者信息、题材信息、合作方信息中的至少一种。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

从其他资源类型的候选资源中确定与第一目标资源相匹配的第二目标资源，所述第一目标资源是指根据所述第一用户画像、各所述第二用户画像向所述目标用户所推荐的资源，所述其他资源类型是指与所述第一目标资源所属的资源类型不同的资源类型；

向所述目标用户推荐所述第二目标资源。

6.根据权利要求2所述的方法，其特征在于，所述将所述第一用户画像、各所述第二用户画像进行融合，得到所述目标用户的第三用户画像，包括：

将所述第一用户画像与各所述第二用户画像分别进行融合，得到多个第四用户画像；

将多个所述第四用户画像进行融合，得到所述目标用户的第三用户画像。

7.根据权利要求2、3、5、6任一所述的方法，其特征在于，所述候选资源通过以下方式确定：

根据所述用户行为数据确定与所述目标用户兴趣相似的相邻用户；

从所述相邻用户所偏好的资源中，选择与所述历史资源相关的资源确定为所述候选资源。

8.一种推荐装置，其特征在于，包括：

获取模块，用于获取设定历史时间段内向目标用户展示的历史资源，以及所述目标用户针对所述历史资源的用户行为数据；

画像模块，用于根据所述目标用户的属性信息确定所述目标用户的第一用户画像，以及根据所述历史资源和所述用户行为数据，确定所述目标用户对应不同资源类型的第二用户画像，其中，不同的资源类型对应的资源特征不完全相同；

推荐模块，用于根据所述第一用户画像、各所述第二用户画像向所述目标用户进行资源推荐。

9.一种电子设备，其特征在于，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的推荐程序，以实现权利要求1～7中任一项所述的推荐方法。

10.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1～7中任一项所述的推荐方法。

Images