CN116775915A - 资源推荐方法、推荐预测模型训练方法、装置及设备 - Google Patents

资源推荐方法、推荐预测模型训练方法、装置及设备 Download PDF

Info

Publication number
CN116775915A
CN116775915A CN202310781584.XA CN202310781584A CN116775915A CN 116775915 A CN116775915 A CN 116775915A CN 202310781584 A CN202310781584 A CN 202310781584A CN 116775915 A CN116775915 A CN 116775915A
Authority
CN
China
Prior art keywords
recommendation
search
resource
historical
features
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.)
Pending
Application number
CN202310781584.XA
Other languages
English (en)
Inventor
徐君
思子华
孙忠祥
张骁
臧晓雪
宋洋
文继荣
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.)
Renmin University of China
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Renmin University of China
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 Renmin University of China, Beijing Dajia Internet Information Technology Co Ltd filed Critical Renmin University of China
Priority to CN202310781584.XA priority Critical patent/CN116775915A/zh
Publication of CN116775915A publication Critical patent/CN116775915A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种资源推荐方法、推荐预测模型训练方法、装置及设备，属于多媒体技术领域。资源推荐方法包括：获取对象的历史推荐信息及历史搜索信息；基于待推荐的资源、历史推荐信息及历史搜索信息，获取对象的推荐兴趣特征及搜索兴趣特征；对对象的对象特征、资源的资源特征、推荐兴趣特征及搜索兴趣特征进行降维处理，得到资源的推荐概率；基于待推荐的多个资源的推荐概率，向对象推荐多个资源中的目标资源。本公开实施例提供的方案中，保证了推荐概率指示的情况与对象的兴趣相匹配，保证了推荐概率的准确性，进而保证了向对象推荐的资源为对象感兴趣的资源，以保证资源推荐的准确性，进而保证资源推荐效果。

Description

资源推荐方法、推荐预测模型训练方法、装置及设备
技术领域
本公开涉及多媒体技术领域，特别涉及一种资源推荐方法、推荐预测模型训练方法、装置及设备。
背景技术
随着多媒体技术的发展，资源越来越丰富多样，例如，资源为视频、图像、文本等。由于资源过多，通常会为用户推荐该用户可能感兴趣的资源，以便用户查看。目前仅是基于用户的历史推荐信息来为用户推荐新的资源，但是，这种方式推荐的资源的准确性差。
发明内容
本公开提供一种资源推荐方法、推荐预测模型训练方法、装置及设备，能够提升推荐的资源的准确性。本公开的技术方案如下：
根据本公开实施例的一方面，提供一种资源推荐方法，所述方法包括：
获取对象的历史推荐信息及历史搜索信息，所述历史推荐信息指示所述对象执行过互动操作的历史推荐资源，所述历史搜索信息指示所述对象输入的历史搜索文本以及基于所述历史搜索文本搜索到、且所述对象执行过互动操作的历史搜索资源；
基于待推荐的资源、所述历史推荐信息及所述历史搜索信息，获取所述对象的推荐兴趣特征及搜索兴趣特征，所述推荐兴趣特征指示在推荐场景下所述对象对所述资源的感兴趣程度，所述搜索兴趣特征指示在搜索场景下所述对象对所述资源的感兴趣程度；
对所述对象的对象特征、所述资源的资源特征、所述推荐兴趣特征及所述搜索兴趣特征进行降维处理，得到所述资源的推荐概率，所述推荐概率指示在将所述资源推荐给所述对象的情况下，所述对象对所述资源执行互动操作的可能性；
基于待推荐的多个所述资源的推荐概率，向所述对象推荐多个所述资源中的目标资源。
根据本公开实施例的另一方面，推荐预测模型训练方法，所述方法还包括：
获取样本对象、样本资源、所述样本资源的样本推荐概率、所述样本对象的样本历史推荐信息及样本历史搜索信息，所述样本历史推荐信息指示所述样本对象执行过互动操作的历史推荐资源，所述样本历史搜索信息指示所述样本对象输入的历史搜索文本以及基于所述历史搜索文本搜索到、且所述样本对象执行过互动操作的历史搜索资源；
调用待训练的推荐预测模型，基于所述样本资源、所述样本历史推荐信息及所述样本历史搜索信息，获取所述样本对象的推荐兴趣特征及搜索兴趣特征，所述推荐兴趣特征指示在推荐场景下所述样本对象对所述样本资源的感兴趣程度，所述搜索兴趣特征指示在搜索场景下所述样本对象对所述样本资源的感兴趣程度；
调用所述待训练的推荐预测模型，对所述样本对象的对象特征、所述样本资源的资源特征、所述推荐兴趣特征及所述搜索兴趣特征进行降维处理，得到所述样本资源的预测推荐概率，所述预测推荐概率指示在将所述样本资源推荐给所述样本对象的情况下，所述样本对象对所述样本资源执行互动操作的可能性；
基于所述样本推荐概率及所述预测推荐概率，对所述待训练的推荐预测模型进行训练，得到目标推荐预测模型。
根据本公开实施例的另一方面，提供一种资源推荐装置，所述装置包括：
获取单元，被配置为执行获取对象的历史推荐信息及历史搜索信息，所述历史推荐信息指示所述对象执行过互动操作的历史推荐资源，所述历史搜索信息指示所述对象输入的历史搜索文本以及基于所述历史搜索文本搜索到、且所述对象执行过互动操作的历史搜索资源；
所述获取单元，还被配置为执行基于待推荐的资源、所述历史推荐信息及所述历史搜索信息，获取所述对象的推荐兴趣特征及搜索兴趣特征，所述推荐兴趣特征指示在推荐场景下所述对象对所述资源的感兴趣程度，所述搜索兴趣特征指示在搜索场景下所述对象对所述资源的感兴趣程度；
处理单元，被配置为执行对所述对象的对象特征、所述资源的资源特征、所述推荐兴趣特征及所述搜索兴趣特征进行降维处理，得到所述资源的推荐概率，所述推荐概率指示在将所述资源推荐给所述对象的情况下，所述对象对所述资源执行互动操作的可能性；
推荐单元，被配置为执行基于待推荐的多个所述资源的推荐概率，向所述对象推荐多个所述资源中的目标资源。
在一些实施例中，所述获取单元，被配置为执行分别对所述历史推荐信息及所述历史搜索信息进行特征提取，得到历史推荐特征及历史搜索特征，所述历史推荐特征包括用于表征所述历史推荐资源的子特征，所述历史搜索特征包括用于表征所述历史搜索文本及所述历史搜索文本对应的历史搜索资源的子特征；分别对所述历史推荐特征中的子特征及所述历史搜索特征中的子特征进行分类，得到所述历史推荐特征包含的第一类特征及第二类特征以及所述历史搜索特征包含的第三类特征及第四类特征，所述第一类特征与所述历史搜索特征的相似度不小于第一相似度阈值，所述第二类特征与所述历史搜索特征的相似度小于所述第一相似度阈值，所述第三类特征与所述历史推荐特征的相似度不小于第二相似度阈值，所述第四类特征与所述历史推荐特征的相似度小于所述第二相似度阈值；基于所述资源的资源特征分别与所述历史推荐特征、所述第一类特征及所述第二类特征之间的相似度，对所述历史推荐特征、所述第一类特征及所述第二类特征进行融合，得到所述推荐兴趣特征；基于所述资源的资源特征分别与所述历史搜索特征、所述第三类特征及所述第四类特征之间的相似度，对所述历史搜索特征、所述第三类特征及所述第四类特征进行融合，得到所述搜索兴趣特征。
在一些实施例中，所述获取单元，被配置为执行对所述历史推荐信息中的每个历史推荐资源进行特征提取，得到所述每个历史推荐资源的资源特征，将所述每个历史推荐资源的资源特征构成所述历史推荐特征；分别对所述历史搜索信息中的历史搜索文本及历史搜索资源进行特征提取，得到每个历史搜索文本的文本特征及每个历史搜索资源的资源特征；对所述每个历史搜索文本的文本特征及对应的历史搜索资源的资源特征进行融合，得到所述每个历史搜索文本对应的第一融合特征，将所述每个历史搜索文本对应的第一融合特征构成所述历史搜索特征。
在一些实施例中，所述获取单元，被配置为执行获取所述每个历史推荐资源的第一位置特征，所述第一位置特征指示所述历史推荐资源与所述历史推荐信息中其他历史推荐资源之间的相对时间顺序；对所述每个历史推荐资源的资源特征与所述第一位置特征进行融合，得到所述每个历史推荐资源对应的融合特征；基于多个历史推荐资源对应的融合特征，分别对所述每个历史推荐资源对应的融合特征进行更新，将所述多个历史推荐资源更新后的特征，构成所述历史推荐特征。
在一些实施例中，所述获取单元，被配置为执行获取所述每个历史搜索文本的第二位置特征及搜索类型特征，所述第二位置特征指示所述历史搜索文本与所述历史搜索信息中其他历史搜索文本之间的相对时间顺序，所述搜索类型特征指示基于所述历史搜索文本进行搜索时采用的搜索类型；对所述每个历史搜索文本对应的第一融合特征、所述第二位置特征及所述搜索类型特征进行融合，得到所述每个历史搜索文本对应的第二融合特征；基于多个历史搜索文本对应的第二融合特征，分别对所述每个历史搜索文本对应的第二融合特征进行更新，将所述多个历史搜索文本更新后的特征构成所述历史搜索特征。
在一些实施例中，所述获取单元，被配置为执行对所述历史推荐特征及所述历史搜索特征进行对比，得到第一相似度信息及第二相似度信息，所述第一相似度信息指示所述历史推荐特征中每个子特征与历史搜索特征之间的相似度，所述第二相似度信息指示所述历史搜索特征中每个子特征与所述历史推荐特征之间的相似度；基于所述第一相似度信息，对所述历史推荐特征中的子特征进行分类，得到所述第一类特征及所述第二类特征；基于所述第二相似度信息，对所述历史搜索特征中的子特征进行分类，得到所述第三类特征及所述第四类特征。
在一些实施例中，所述处理单元，被配置为执行对所述对象的对象特征、所述资源的资源特征、所述推荐兴趣特征及所述搜索兴趣特征进行拼接，得到拼接特征；对所述拼接特征进行降维处理，得到所述推荐概率。
根据本公开实施例的另一方面，提供一种推荐预测模型训练装置，所述装置还包括
获取单元，被配置为执行获取样本对象、样本资源、所述样本资源的样本推荐概率、所述样本对象的样本历史推荐信息及样本历史搜索信息，所述样本历史推荐信息指示所述样本对象执行过互动操作的历史推荐资源，所述样本历史搜索信息指示所述样本对象输入的历史搜索文本以及基于所述历史搜索文本搜索到、且所述样本对象执行过互动操作的历史搜索资源；
所述获取单元，还被配置为执行调用待训练的推荐预测模型，基于所述样本资源、所述样本历史推荐信息及所述样本历史搜索信息，获取所述样本对象的推荐兴趣特征及搜索兴趣特征，所述推荐兴趣特征指示在推荐场景下所述样本对象对所述样本资源的感兴趣程度，所述搜索兴趣特征指示在搜索场景下所述样本对象对所述样本资源的感兴趣程度；
处理单元，被配置为执行调用所述待训练的推荐预测模型，对所述样本对象的对象特征、所述样本资源的资源特征、所述推荐兴趣特征及所述搜索兴趣特征进行降维处理，得到所述样本资源的预测推荐概率，所述预测推荐概率指示在将所述样本资源推荐给所述样本对象的情况下，所述样本对象对所述样本资源执行互动操作的可能性；
训练单元，被配置为执行基于所述样本推荐概率及所述预测推荐概率，对所述待训练的推荐预测模型进行训练，得到目标推荐预测模型。
在一些实施例中，所述样本对象的推荐兴趣特征是基于所述资源特征、所述样本历史推荐信息的历史推荐特征、所述历史推荐特征包含的第一类特征及第二类特征进行融合得到，所述第一类特征与所述样本历史搜索信息的历史搜索特征的相似度不小于第一相似度阈值，所述第二类特征与所述历史搜索特征的相似度小于第一相似度阈值，所述第一类特征及所述第二类特征是对所述历史推荐特征中的子特征进行分类得到，所述历史推荐特征中的子特征用于表征所述历史推荐资源；所述装置还包括：
确定单元，被配置为执行确定所述历史推荐特征与所述第一类特征的第一相似度，以及所述历史推荐特征与所述第二类特征的第二相似度；
所述训练单元，被配置为执行基于所述样本推荐概率、所述预测推荐概率、所述第一相似度及所述第二相似度，对所述待训练的推荐预测模型进行训练，以使所述第一相似度增大且所述第二相似度减小，得到所述目标推荐预测模型。
在一些实施例中，所述样本对象的搜索兴趣特征是基于所述资源特征、所述样本历史搜索信息的历史搜索特征、所述历史搜索特征包含的第三类特征及第四类特征进行融合得到，所述第三类特征与所述样本历史推荐信息的历史推荐特征的相似度不小于第二相似度阈值，所述第四类特征与所述历史推荐特征的相似度小于第二相似度阈值，所述第三类特征及所述第四类特征是对所述历史搜索特征中的子特征进行分类得到，所述历史搜索特征中的子特征用于表征所述历史搜索文本及所述历史搜索文本对应的历史搜索资源；所述装置还包括：
确定单元，被配置为执行确定所述历史搜索特征与所述第三类特征的第三相似度、所述历史搜索特征与所述第四类特征的第四相似度；
所述训练单元，被配置为执行基于所述样本推荐概率、所述预测推荐概率、所述第三相似度及所述第四相似度，对所述待训练的推荐预测模型进行训练，以使所述第三相似度增大且所述第四相似度减小，得到所述目标推荐预测模型。
在一些实施例中，所述历史搜索特征由所述样本历史搜索信息中每个历史搜索文本对应的融合特征构成，所述历史搜索文本对应的融合特征由所述历史搜索文本的文本特征及对应的历史搜索资源的特征融合得到；所述装置还包括：
确定单元，被配置为执行确定所述历史搜索文本的文本特征与对应的历史搜索资源的特征的第五相似度；
所述训练单元，被配置为执行基于所述样本推荐概率、所述预测推荐概率、所述第三相似度、所述第四相似度及所述第五相似度，对所述待训练的推荐预测模型进行训练，以使所述第三相似度增大、所述第四相似度减小且所述第五相似度增大，得到所述目标推荐预测模型。
在一些实施例中，所述装置还包括：
确定单元，被配置为执行从所述样本历史搜索信息中，确定所述历史搜索文本的负样本资源、所述历史搜索文本对应的历史搜索资源的负样本文本，所述负样本资源为所述样本历史搜索信息中除所述历史搜索文本对应的历史搜索资源之外的任一历史搜索资源，所述负样本文本为所述样本历史搜索信息中除所述历史搜索文本之外的任一历史搜索文本；
所述确定单元，还被配置为执行确定所述历史搜索文本与所述负样本资源的第六相似度，以及所历史搜索文本对应的历史搜索资源与所述负样本文本的第七相似度；
所述训练单元，被配置为执行基于所述样本推荐概率、所述预测推荐概率、所述第三相似度、所述第四相似度、所述第六相似度及所述第七相似度，对所述待训练的推荐预测模型进行训练，以使所述第三相似度增大、所述第四相似度减小、所述第六相似度及所述第七相似度减小，得到所述目标推荐预测模型。
根据本公开实施例的另一方面，提供一种电子设备，该电子设备包括：
一个或多个处理器；
用于存储该处理器可执行程序代码的存储器；
其中，该处理器被配置为执行该程序代码，以实现上述资源推荐方法或推荐预测模型训练方法。
根据本公开实施例的另一方面，提供一种计算机可读存储介质，当该计算机可读存储介质中的程序代码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或推荐预测模型训练方法。
根据本公开实施例的另一方面，提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述资源推荐方法或推荐预测模型训练方法。
本公开实施例提供的方案中，考虑到历史推荐信息和历史搜索信息能够分别表示出对象在推荐场景和搜索场景下对哪些资源感兴趣，以历史搜索信息作为推荐场景下的辅助信息，结合历史推荐信息和历史搜索信息，能够模拟出在推荐场景和搜索场景下对象对待推荐的资源的感兴趣程度，以此为依据，结合对象的对象特征及待推荐资源的资源特征，预测出在将资源推荐给对象的情况下，对象对资源执行互动操作的推荐概率，以确定出对象对待推荐的资源是否感兴趣，并基于推荐概率来向对象推荐资源，保证了推荐概率指示的情况与对象的兴趣相匹配，保证了推荐概率的准确性，进而保证了向对象推荐的资源为对象感兴趣的资源，以保证资源推荐的准确性，进而保证资源推荐效果。
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实施环境示意图。
图2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3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4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5是根据一示例性实施例示出的一种推荐预测模型训练方法的流程图。
图6是根据一示例性实施例示出的另一种推荐预测模型训练方法的流程图。
图7是根据一示例性实施例示出的另一种推荐预测模型训练方法的流程图。
图8是根据一示例性实施例示出的一种资源推荐装置框图。
图9是根据一示例性实施例示出的一种推荐预测模型训练装置框图。
图10是根据一示例性实施例示出的另一种推荐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终端的框图。
图12是根据一示例性实施例示出的一种服务器的框图。
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。
需要说明的是，本公开所涉及的信息(包括但不限于对象信息、历史推荐信息、历史搜索信息等)及资源，均为经用户授权或者经过各方充分授权的，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。例如，本公开中涉及到的对象信息是在充分授权的情况下获取的。
本公开实施例提供的资源推荐方法或推荐预测模型训练方法，由电子设备执行。在一些实施例中，电子设备被提供为终端或者服务器。在一些实施例中，终端101可以为智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑、台式电脑或膝上型便携计算机等设备中的至少一种。在一些实施例中，服务器102为一台服务器、多台服务器、云计算平台或虚拟化中心中的至少一种。
图1是根据一示例性实施例示出的一种资源推荐方法的实施环境示意图。以电子设备被提供为服务器为例，参见图1，该实施环境具体包括：终端101和服务器102，终端101通过无线网络或有线网络与服务器102相连。
服务器102用于为终端101登录的对象标识指示的对象推荐资源，服务器102获取待为对象推荐的资源后，向登终端101发送推荐的资源，以使对象通过终端101查看推荐的资源。
在一些实施例中，终端101上安装由服务器102提供服务的应用，该应用具有资源查看功能，例如，应用为资源分享应用，对象通过终端102安装的资源分享应用能够查看分享的资源或者向其他对象分享资源。当前，该资源分享应用还可能具有其他功能，例如，具有即时通讯功能、导航功能等。终端101通过对象标识登录应用，服务器102获取待为对象标识指示的对象推荐的资源后，会确定出每个待推荐的资源的推荐概率，按照推荐概率向终端101发送推荐的资源，终端101通过该应用显示推荐的资源供对象查看。
在一些实施例中，服务器102中配置有训练完成的推荐预测模型，服务器102获取待为对象推荐的资源，通过调用推荐预测模型，确定出待推荐的各个资源的推荐概率，进而按照推荐概率向终端101进行资源推荐。
图2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2所示，该方法由电子设备执行，包括以下步骤：
在步骤S201中，获取对象的历史推荐信息及历史搜索信息，历史推荐信息指示对象执行过互动操作的历史推荐资源，历史搜索信息指示对象输入的历史搜索文本以及基于历史搜索文本搜索到、且对象执行过互动操作的历史搜索资源。
在本公开实施例中，对象具有历史推荐信息和历史搜索信息，历史推荐信息指示在推荐场景下对象对哪些历史推荐资源执行过互动操作，反映出对象对哪些历史推荐资源感兴趣，而历史搜索信息指示在搜索场景下对象输入的历史搜索文本，也即是，对象输入过哪些历史搜索文本来搜索资源，且在基于历史搜索文本搜索到的历史搜索资源中，对象对哪些历史搜索资源执行过互动操作，反映出对象对哪些历史搜索资源感兴趣，也即是，历史推荐信息和历史搜索信息均能够反映出对象的兴趣，因此，结合历史推荐信息和历史搜索信息，能够确定出对象对待推荐的多个资源的感兴趣程度，并以此为依据来向对象推荐资源，以提升资源推荐的准确性。
其中，对象为任意的对象，例如，对象为用户。该互动操作为任意的操作，例如，互动操作为收藏操作、查看操作、点赞操作、分享操作、播放操作等。历史搜索文本是对象在搜索资源时输入的文本，该历史搜索文本为任意的文本，基于历史搜索文本搜索到的历史搜索资源与该历史搜索文本指示的内容相似。例如，历史搜索文本为“xxx演唱的歌曲”，基于历史搜索文本搜索到的音频或视频包含为“xxx”演唱的歌曲内容。历史推荐资源或历史搜索资源均为任意的资源，例如，历史推荐资源或历史搜索资源为图像、视频、文本、商品链接等。
在步骤S202中，基于待推荐的资源、历史推荐信息及历史搜索信息，获取对象的推荐兴趣特征及搜索兴趣特征，推荐兴趣特征指示在推荐场景下对象对资源的感兴趣程度，搜索兴趣特征指示在搜索场景下对象对资源的感兴趣程度。
在本公开实施例中，对于待向对象推荐的任一资源，由于历史推荐信息能够反映出对象对哪些历史推荐资源感兴趣，历史搜索信息能够反映出对象对哪些历史搜索资源感兴趣，则结合历史推荐信息及历史搜索信息，能够确定出在推荐场景下对象对待推荐的资源的感兴趣程度，且在搜索场景下对象对待推荐的资源的感兴趣程度，也即是，确定出推荐兴趣特征及搜索兴趣特征，以便后续基于推荐兴趣特征及搜索兴趣特征来预测对象是否对待推荐的资源感兴趣。
其中，待推荐的资源为待向对象推荐的任一资源，例如，该资源为图像、视频、文本、商品链接等。推荐兴趣特征或搜索兴趣特征均能够以任意的形式表示，例如，推荐兴趣特征或搜索兴趣特征均能够以特征向量的形式表示。
在步骤S203中，对对象的对象特征、资源的资源特征、推荐兴趣特征及搜索兴趣特征进行降维处理，得到资源的推荐概率，推荐概率指示在将资源推荐给对象的情况下，对象对资源执行互动操作的可能性。
在本公开实施例中，由于推荐兴趣特征指示在推荐场景下对象对待推荐的资源的感兴趣程度，搜索兴趣特征指示在搜索场景下对象对待推荐的资源的感兴趣程度，则推荐兴趣特征和搜索兴趣特征均能够反映出对象待推荐的资源的感兴趣程度，则利用对象特征及资源特征，并结合了搜索场景和推荐场景下对象待推荐的资源的感兴趣程度，预测出在将资源推荐给对象的情况下，对象对资源执行互动操作的可能性，保证了推荐概率指示的情况与对象的兴趣相匹配，进而保证推荐概率的准确性。
其中，对象的对象特征用于表征该对象，资源的资源特征用于表示该资源，对象特征或资源特征均能够以任意的形式表示，例如，对象特征或资源特征均以特征向量的形式表示。
在步骤S204中，基于待推荐的多个资源的推荐概率，向对象推荐多个资源中的目标资源。
在本公开实施例中，按照上述方式能够得到待推荐的多个资源的推荐概率，每个资源的推荐概率能够反映出将资源推荐给对象的情况下，对象对资源执行互动操作的可能性，也能够反映出对象是否对该资源感兴趣，则基于待推荐的多个资源的推荐概率，向对象推荐多个资源中的目标资源，以保证向对象推荐的目标资源均为对象感兴趣的资源，以保证资源推荐的准确性。
本公开实施例提供的方案中，考虑到历史推荐信息和历史搜索信息能够分别表示出对象在推荐场景和搜索场景下对哪些资源感兴趣，以历史搜索信息作为推荐场景下的辅助信息，结合历史推荐信息和历史搜索信息，能够模拟出在推荐场景和搜索场景下对象对待推荐的资源的感兴趣程度，以此为依据，结合对象的对象特征及待推荐资源的资源特征，预测出在将资源推荐给对象的情况下，对象对资源执行互动操作的推荐概率，以确定出对象对待推荐的资源是否感兴趣，并基于推荐概率来向对象推荐资源，保证了推荐概率指示的情况与对象的兴趣相匹配，保证了推荐概率的准确性，进而保证了向对象推荐的资源为对象感兴趣的资源，以保证资源推荐的准确性，进而保证资源推荐效果。
在一些实施例中，基于待推荐的资源、历史推荐信息及历史搜索信息，获取对象的推荐兴趣特征及搜索兴趣特征，包括：
分别对历史推荐信息及历史搜索信息进行特征提取，得到历史推荐特征及历史搜索特征，历史推荐特征包括用于表征历史推荐资源的子特征，历史搜索特征包括用于表征历史搜索文本及历史搜索文本对应的历史搜索资源的子特征；
分别对历史推荐特征中的子特征及历史搜索特征中的子特征进行分类，得到历史推荐特征包含的第一类特征及第二类特征以及历史搜索特征包含的第三类特征及第四类特征，第一类特征与历史搜索特征的相似度不小于第一相似度阈值，第二类特征与历史搜索特征的相似度小于第一相似度阈值，第三类特征与历史推荐特征的相似度不小于第二相似度阈值，第四类特征与历史推荐特征的相似度小于第二相似度阈值；
基于资源的资源特征分别与历史推荐特征、第一类特征及第二类特征之间的相似度，对历史推荐特征、第一类特征及第二类特征进行融合，得到推荐兴趣特征；
基于资源的资源特征分别与历史搜索特征、第三类特征及第四类特征之间的相似度，对历史搜索特征、第三类特征及第四类特征进行融合，得到搜索兴趣特征。
在本公开实施例中，资源的资源特征用于表征资源，历史推荐特征能够反映出在推荐场景下对象感兴趣的历史推荐资源，而第一类特征符合对象在推荐场景和搜索场景下的兴趣，而第二类特征仅符合对象在推荐场景下的兴趣，通过对资源的资源特征、历史推荐特征、第一类特征及第二类特征进行融合，不仅考虑到在推荐场景下待推荐的资源与推荐场景下对象感兴趣的历史推荐资源之间的相似性，还考虑到在搜索场景的影响下对象对哪些历史推荐资源更感兴趣，进而能够模拟出在推荐场景下对象对待推荐的资源的感兴趣程度，进而保证确定出的推荐兴趣特征的准确性。并且，第三类特征符合对象在推荐场景和搜索场景下的兴趣，而第四类特征仅符合对象在搜索场景下的兴趣，通过对资源的资源特征、历史搜索特征、第三类特征及第四类特征进行融合，不仅考虑到在搜索场景下待推荐的资源与搜索场景下对象感兴趣的历史推荐资源之间的相似性，还考虑到在推荐场景的影响下对象对哪些历史搜索资源更感兴趣，进而能够模拟出在搜索场景下对象对待推荐的资源的感兴趣程度，进而保证确定出的搜索兴趣特征的准确性。
在一些实施例中，分别对历史推荐信息及历史搜索信息进行特征提取，得到历史推荐特征及历史搜索特征，包括：
对历史推荐信息中的每个历史推荐资源进行特征提取，得到每个历史推荐资源的资源特征，将每个历史推荐资源的资源特征构成历史推荐特征；
分别对历史搜索信息中的历史搜索文本及历史搜索资源进行特征提取，得到每个历史搜索文本的文本特征及每个历史搜索资源的资源特征；
对每个历史搜索文本的文本特征及对应的历史搜索资源的资源特征进行融合，得到每个历史搜索文本对应的第一融合特征，将每个历史搜索文本对应的第一融合特征构成历史搜索特征。
本公开实施例提供的方案中，在历史推荐信息包括多个历史推荐资源、历史搜索信息包括多个历史搜索文本的情况下，基于多个历史搜索资源来获取历史搜索特征，基于多个历史搜索文本及每个历史搜索文本对应的历史搜索资源获取历史推荐特征，以丰富历史搜索特征或历史推荐特征包含的信息量，进而保证历史搜索特征及历史推荐特征的准确性。
在一些实施例中，将每个历史推荐资源的资源特征构成历史推荐特征，包括：
获取每个历史推荐资源的第一位置特征，第一位置特征指示历史推荐资源与历史推荐信息中其他历史推荐资源之间的相对时间顺序；
对每个历史推荐资源的资源特征与第一位置特征进行融合，得到每个历史推荐资源对应的融合特征；
基于多个历史推荐资源对应的融合特征，分别对每个历史推荐资源对应的融合特征进行更新，将多个历史推荐资源更新后的特征，构成历史推荐特征。
在本公开实施例中，考虑到对象的兴趣可能会随着时间变化，因此，获取每个历史推荐资源的第一位置特征，对每个历史推荐资源的资源特征与第一位置特征进行融合，基于多个历史推荐资源对应的融合特征，分别对每个历史推荐资源对应的融合特征进行更新，将多个历史推荐资源更新后的特征，构成历史推荐特征，以使历史推荐特征能够反映出对象感兴趣的历史推荐资源随时间变化的情况，进而反映出对象的兴趣随着时间变化的情况，也使每个历史推荐资源更新后的特征融入了其他历史推荐资源的资源特征，以增强多个历史推荐资源之间的关联性，进而保证历史推荐特征的准确性。
在一些实施例中，将每个历史搜索文本对应的第一融合特征构成历史搜索特征，包括：
获取每个历史搜索文本的第二位置特征及搜索类型特征，第二位置特征指示历史搜索文本与历史搜索信息中其他历史搜索文本之间的相对时间顺序，搜索类型特征指示基于历史搜索文本进行搜索时采用的搜索类型；
对每个历史搜索文本对应的第一融合特征、第二位置特征及搜索类型特征进行融合，得到每个历史搜索文本对应的第二融合特征；
基于多个历史搜索文本对应的第二融合特征，分别对每个历史搜索文本对应的第二融合特征进行更新，将多个历史搜索文本更新后的特征构成历史搜索特征。
在本公开实施例中，考虑到对象的兴趣可能会随着时间变化，不同的搜索类型能够反映出对象不同的意图，因此，获取每个历史搜索文本的第一位置特征及搜索类型特征，对历史搜索文本对应的第一融合特征、第二位置特征及搜索类型特征进行融合，并基于多个历史搜索文本对应的第二融合特征，分别对每个历史搜索文本对应的第二融合特征进行更新，将多个历史搜索文本更新后的特征构成历史搜索特征，以使历史搜索特征能够反映出对象感兴趣的历史搜索资源随时间变化的情况，进而反映出对象的兴趣随着时间变化的情况，也使每个历史搜索文本更新后的特征融入了其他历史搜索文本的特征，以增强多个历史搜索文本之间的关联性，进而保证历史搜索文本的准确性。
在一些实施例中，分别对历史推荐特征中的子特征及历史搜索特征中的子特征进行分类，得到历史推荐特征包含的第一类特征及第二类特征以及历史搜索特征包含的第三类特征及第四类特征，包括：
对历史推荐特征及历史搜索特征进行对比，得到第一相似度信息及第二相似度信息，第一相似度信息指示历史推荐特征中每个子特征与历史搜索特征之间的相似度，第二相似度信息指示历史搜索特征中每个子特征与历史推荐特征之间的相似度；
基于第一相似度信息，对历史推荐特征中的子特征进行分类，得到第一类特征及第二类特征；
基于第二相似度信息，对历史搜索特征中的子特征进行分类，得到第三类特征及第四类特征。
在本公开实施例中，通过将历史搜索特征与历史推荐特征中的子特征进行对比，以便按照得到的相似度信息，分别对历史搜索特征中的子特征及历史推荐特征中的子特征进行分类，得到与历史搜索特征相似的第一类特征及不相似的第二类特征，以及与历史推荐特征相似的第三类特征及不相似的第四类特征，以保证分类的准确性。
在一些实施例中，对对象的对象特征、资源的资源特征、推荐兴趣特征及搜索兴趣特征进行降维处理，得到资源的推荐概率，包括：
对对象的对象特征、资源的资源特征、推荐兴趣特征及搜索兴趣特征进行拼接，得到拼接特征；
对拼接特征进行降维处理，得到资源的推荐概率。
在本公开实施例中，通过将对象特征、资源特征、推荐兴趣特征及搜索兴趣特征进行拼接，以丰富拼接特征包含的信息量，对拼接特征进行降维处理，以使拼接特征包含的特征能够得到充分融合，以便能够基于在推荐场景和搜索场景下对象对该资源的感兴趣程度，确定出本次将资源推荐给对象时对象对资源执行互动操作的可能性，进而保证得到的推荐概率的准确性。
上述图2所示仅为本公开的基本流程，下面基于一种具体实现方式，来对本公开提供的方案进行进一步阐述，图3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3所示，该方法由电子设备执行，包括以下步骤：
在步骤S301中，获取对象的历史推荐信息及历史搜索信息，历史推荐信息指示对象执行过互动操作的历史推荐资源，历史搜索信息指示对象输入的历史搜索文本以及基于历史搜索文本搜索到、且对象执行过互动操作的历史搜索资源。
在一些实施例中，该步骤S301包括：获取对象的多条历史推荐信息及多条历史搜索信息。
其中，每条历史推荐信息指示对象执行过互动操作的至少一个历史推荐资源。在一些实施例中，该历史推荐信息指示对象执行过互动操作的一个历史推荐资源。例如，在向对象推荐资源的情况下，对象对任一资源执行互动操作，则生成一条历史推荐信息。在一些实施例中，每条历史推荐信息与一次推荐行为对应，指示一次向对象推荐的、且对象执行过互动操作的历史推荐资源，多条历史推荐信息指示多次向对象推荐的、且对象执行过互动操作的历史推荐资源。例如，电子设备第一次向对象推荐了100个资源，而对象仅对100个资源中的5个资源执行了互动操作，则将这5个资源作为历史推荐资源，生成第一条历史推荐信息，第一条历史推荐信息指示对象执行过互动操作的5个历史推荐资源，而在间隔一段时间后，电子设备第二次向对象推荐了50个资源，而对象仅对50个资源中的10个资源执行了互动操作，则将这10个资源作为历史推荐资源，生成第二条历史推荐信息，第二条历史推荐信息指示对象执行过互动操作的10个历史推荐资源。
每条历史搜索信息与对象的一次搜索行为对应，多条历史推荐信息与对象的多次搜索行为对应。每条历史搜索信息指示基于一个历史搜索文本搜索到的、且对象执行过互动操作的历史搜索资源，每条历史搜索信息指示至少一个历史搜索资源。例如，对象通过电子设备输入第一个搜索文本，电子设备基于第一个搜索文本搜索到多个资源，而对象对搜索到的多个资源中的2个资源执行了互动操作，则将第一个搜索文本作为历史搜索文本，将这2个资源作为历史搜索资源，基于该历史搜索文本及2个历史搜索资源生成第一条历史搜索信息；而对象通过电子设备输入第二个搜索文本，电子设备基于第二个搜索文本搜索到多个资源，而对象对搜索到的多个资源中的3个资源执行了互动操作，则将第二个搜索文本作为历史搜索文本，将这3个资源作为历史搜索资源，基于该历史搜索文本及3个历史搜索资源生成第二条历史搜索信息。
在一些实施例中，每条历史推荐信息包括历史推荐资源的资源信息、历史推荐资源的推荐时间、对象对该历史推荐资源执行的互动操作等。其中，历史推荐信息中的推荐时间指示向对象推荐该历史推荐资源的时间。历史推荐信息中的互动操作指示出对象对历史推荐资源执行了哪种互动操作，在一些实施例中，历史推荐信息中的互动操作以互动操作的操作标识表示，操作标识用于指代对应的互动操作。历史推荐资源的资源信息用于表征历史推荐资源，例如，资源信息包括资源名称、资源所属的类型、资源的简介信息、发布者等。
在一些实施例中，每条历史搜索信息包括搜索时间、历史搜索文本、历史搜索资源的资源信息、对象对该历史搜索资源执行的互动操作等。其中，历史搜索信息中的搜索时间指示基于该历史搜索文本来搜索资源的时间，历史搜索文本为对象搜索资源时输入的文本。历史搜索信息中的互动操作指示出对象对历史搜索资源执行了哪种互动操作，在一些实施例中，历史搜索信息中的互动操作以互动操作的操作标识表示，操作标识用于指代对应的互动操作。历史搜索资源的资源信息用于表征历史搜索资源，例如，资源信息包括资源名称、资源所属的类型、资源的简介信息、发布者等。
在步骤S302中，分别对历史推荐信息及历史搜索信息进行特征提取，得到历史推荐特征及历史搜索特征，历史推荐特征包括用于表征历史推荐资源的子特征，历史搜索特征包括用于表征历史搜索文本及历史搜索文本对应的历史搜索资源的子特征。
其中，历史推荐特征用于表示历史推荐信息，历史搜索特征用于表征历史搜索信息。
在本公开实施例中，历史推荐特征包括至少一个用于表征历史推荐资源的子特征，每个子特征用于表征一个历史推荐资源，历史推荐特征中子特征的数量与历史推荐信息中历史推荐资源的数量相等。同理，历史搜索特征包括至少一个用于表征历史搜索文本及历史搜索文本对应的历史搜索资源的子特征，一个子特征用于表征一个历史搜索文本及历史搜索文本对应的历史搜索资源，历史搜索特征中子特征的数量与历史搜索信息中历史搜索文本的数量相等。
在步骤S303中，分别对历史推荐特征中的子特征及历史搜索特征中的子特征进行分类，得到历史推荐特征包含的第一类特征及第二类特征以及历史搜索特征包含的第三类特征及第四类特征，第一类特征与历史搜索特征的相似度不小于第一相似度阈值，第二类特征与历史搜索特征的相似度小于第一相似度阈值，第三类特征与历史推荐特征的相似度不小于第二相似度阈值，第四类特征与历史推荐特征的相似度小于第二相似度阈值。
在本公开实施例中，第一类特征和第二类特征是对历史推荐特征中的子特征进行分类得到，也即是，第一类特征和第二类特征能够构成历史推荐特征，第三类特征和第四类特征是从历史搜索特征中的子特征进行分类得到，第三类特征和第四类特征能够构成历史搜索特征。通过对历史推荐特征的子特征及历史搜索特征的子特征进行分类，以便从历史推荐特征中确定出与历史搜索特征相似的第一类特征或不相似的第二类特征，并从历史搜索特征中确定出与历史推荐特征相似的第三类特征或不相似的第四类特征，以便后续能够基于第一类特征、第二类特征、第三类特征及第四类特征确定出对象的兴趣。
由于历史推荐特征包含的第一类特征与历史搜索特征相似，历史搜索特征包含的第三类特征与历史推荐特征相似，则第一类特征和第三类特征既符合对象在推荐场景下的兴趣，也符合对象在搜索场景下的兴趣，也即是，第一类特征和第三类特征更能够表征出对象对哪些资源感兴趣，而历史推荐特征包含的第二类特征与历史搜索特征不相似，历史搜索特征包含的第四类特征与历史推荐特征不相似，则第二类特征仅符合对象在推荐场景下的兴趣，而第四类特征仅符合对象在搜索场景下的兴趣。
其中，第一类特征与历史搜索特征的相似度能够以任意的方式确定，例如，第一类特征与历史搜索特征的相似度以欧式距离的方式确定。对于第二类特征、第三类特征、第四类特征对应的相似度，均能够采用任意的方式确定。
在一些实施例中，确定第一相似度阈值和第二相似度阈值的方式，包括：确定历史推荐特征中多个子特征对应的相似度的第一和值；将第一和值与历史推荐特征中多个子特征的数量之间的比值，确定为第一相似度阈值；确定历史搜索特征中多个子特征对应的相似度的第二和值；将第二和值与历史搜索特征中多个子特征的数量之间的比值，确定为第二相似度阈值。
在本公开实施例中，历史推荐特征包括多个子特征，历史推荐特征中的每个子特征用于表征历史推荐信息中的一个历史推荐资源，历史推荐特征中不同的子特征对应的历史推荐资源不同，历史推荐特征中任一子特征对应的相似度为该子特征与历史搜索特征的相似度。而对于历史搜索特征包括多个子特征，历史搜索特征中的每个子特征用于表征历史搜索信息中的一个历史搜索文本及该历史搜索文本对应的历史搜索资源，历史搜索特征中不同的子特征对应的历史搜索文本不同，历史搜索特征中任一子特征对应的相似度为该子特征与历史推荐特征的相似度。
在本公开实施例中，通过将历史推荐特征中多个子特征对应的相似度的平均值作为第一相似度阈值，以保证能够从历史推荐特征中，区分出与历史搜索特征相似的第一类特征及与历史搜索特征不相似的第二类特征，进而保证确定出的第一类特征与第二类特征的准确性。
在本公开实施例中，通过将历史搜索特征中多个子特征对应的相似度的平均值作为第二相似度阈值，以保证能够从历史搜索特征中，区分出与历史推荐特征相似的第三类特征及与历史搜索特征不相似的第四类特征，进而保证确定出的第三类特征与第四类特征的准确性。
在一些实施例中，历史推荐特征中多个子特征对应的相似度是通过归一化得到，历史搜索特征中多个子特征对应的相似度是通过归一化得到，历史推荐特征中多个子特征对应的相似度的和值为1，历史搜索特征中多个子特征对应的相似度的和值为1，则确定出的第一相似度阈值也即是历史推荐特征中多个子特征的数量的倒数，确定出的第二相似度阈值也即是历史搜索特征中多个子特征的数量的倒数。
例如，历史推荐特征对应的历史推荐资源的数量为20，历史推荐特征中多个子特征对应的相似度的和值为1，则将1/20确定为第一相似度阈值，历史推荐特征中的第一类特征与历史搜索特征的相似度不小于1/20，历史推荐特征中的第二类特征与历史搜索特征的相似度小于1/20。历史搜索特征对应的历史搜索文本的数量为10，则将1/10确定为第二相似度阈值，历史搜索特征中第三类特征与历史推荐特征的相似度不小于1/10，历史搜索特征中第四类特征与历史推荐特征的相似度小于1/10。
在一些实施例中，该步骤S303包括步骤1-3。
步骤1、对历史推荐特征及历史搜索特征进行对比，得到第一相似度信息及第二相似度信息，第一相似度信息指示历史推荐特征中每个子特征与历史搜索特征之间的相似度，第二相似度信息指示历史搜索特征中每个子特征与历史推荐特征之间的相似度。
其中，历史搜索文本对应的历史搜索资源为基于该历史搜索文本搜索到的、且对象执行过互动操作的资源。第一相似度信息和第二相似度信息均能够以任意的形式表示，例如，第一相似度信息和第二相似度信息均以特征向量的形式表示。
在本公开实施例中，在对比过程中，是将历史推荐特征中的每个子特征与历史搜索特征进行对比，以得到每个子特征与历史搜索特征之间的相似度，将得到相似度构成第一相似度信息；将历史搜索特征中的每个子特征与历史推荐特征进行对比，以得到每个子特征与历史推荐特征之间的相似度，将得到相似度构成第二相似度信息。
在一些实施例中，获取第一相似度信息及第二相似度信息的过程包括：按照权重对历史推荐特征及历史搜索特征进行融合，得到亲和度特征，该亲和度特征指示历史推荐特征与历史搜索特征之间的关联性，将历史推荐特征与亲和度特征进行融合，得到第一相似度信息，将历史搜索特征与亲和度特征进行融合，得到第二相似度信息。
其中，权重为常数。在本公开实施例中，考虑到历史推荐特征与历史搜索特征之间的关联性，采用共同注意力机制(Co-Attention)，对历史推荐特征及历史搜索特征进行对比，得到第一相似度信息及第二相似度信息，以保证得到的相似度信息的准确性。
在一些实施例中，第一相似度信息及第二相似度信息满足以下关系：
A＝tanh(HsWl(Hr)T)
其中，A用于表示亲和度特征，Hs用于表示历史搜索特征，Hr用于表示历史推荐特征，Wl为权重矩阵，tanh(·)用于表示双曲正切函数，T用于表示对矩阵的转置，ar用于表示第一相似度信息，Ws用于表示常数矩阵，softmax(·)用于表示归一化函数；as用于表示第二相似度信息，Wr用于表示常数矩阵。
步骤2、基于第一相似度信息，对历史推荐特征中的子特征进行分类，得到第一类特征及第二类特征。
在本公开实施例中，第一相似度信息指示历史推荐特征中每个子特征与历史搜索特征之间的相似度，基于该第一相似度信息，从历史推荐特征中，将相似度不小于第一相似度阈值的子特征构成第一类特征，将相似度不小于第一相似度阈值的子特征构成第二类特征。
步骤3、基于第二相似度信息，对历史搜索特征中的子特征进行分类，得到第三类特征及第四类特征。
在本公开实施例中，第二相似度信息指示历史搜索特征中每个子特征与历史推荐特征之间的相似度，基于该第二相似度信息，从历史搜索特征中，将相似度不小于第二相似度阈值的子特征构成第三类特征，将相似度小于第二相似度阈值的子特征构成第四类特征。
在本公开实施例中，通过将历史搜索特征与历史推荐特征中的子特征进行对比，以便按照得到的相似度信息，分别对历史搜索特征中的子特征及历史推荐特征中的子特征进行分类，得到与历史搜索特征相似的第一类特征及不相似的第二类特征，以及与历史推荐特征相似的第三类特征及不相似的第四类特征，以保证得到的类特征的准确性。
在步骤S304中，基于资源的资源特征分别与历史推荐特征、第一类特征及第二类特征之间的相似度，对历史推荐特征、第一类特征及第二类特征进行融合，得到推荐兴趣特征，推荐兴趣特征指示在推荐场景下对象对资源的感兴趣程度。
在本公开实施例中，资源的资源特征用于表征资源，历史推荐特征能够反映出在推荐场景下对象感兴趣的历史推荐资源，而第一类特征符合对象在推荐场景和搜索场景下的兴趣，而第二类特征仅符合对象在推荐场景下的兴趣，通过资源的资源特征分别与历史推荐特征、第一类特征及第二类特征之间的相似度，对历史推荐特征、第一类特征及第二类特征进行融合，不仅考虑到在推荐场景下待推荐的资源与推荐场景下对象感兴趣的历史推荐资源之间的相似性，还考虑到在搜索场景的影响下对象对哪些历史推荐资源更感兴趣，进而能够模拟出在推荐场景下对象对待推荐的资源的感兴趣程度，进而保证确定出的推荐兴趣特征的准确性。
在一些实施例中，该步骤S304包括：将历史推荐特征、第一类特征及第二类特征分别与资源的资源特征进行融合，得到资源的资源特征分别与历史推荐特征、第一类特征及第二类特征之间的相似度，确定历史推荐特征与对应的相似度的乘积、第一类特征与对应的相似度的乘积及第二类特征与对应的相似度的乘积，将历史推荐特征与对应的相似度的乘积、第一类特征与对应的相似度的乘积及第二类特征与对应的相似度的乘积进行拼接，得到该推荐兴趣特征。
在本公开实施例中，通过将资源的资源特征分别与历史推荐特征、第一类特征及第二类特征进行融合，以使得到的相似度能够体现出历史推荐特征、第一类特征及第二类特征分别与资源的资源特征的关联性，进而使得推荐兴趣特征能够体现出在推荐场景下对象对资源的感兴趣程度，保证推荐兴趣特征的准确性。
对于历史推荐特征、第一类特征及第二类特征分别与资源的资源特征进行融合的方式，能够采取多头注意力机制来进行融合，也即是，采取自注意机制，将历史推荐特征与资源的资源特征进行融合，得到资源的资源特征与历史推荐特征的相似度；采取自注意机制，将第一类特征与资源的资源特征进行融合，得到资源的资源特征与第一类特征的相似度；采取自注意机制，将第二类特征分别与资源的资源特征进行融合，得到资源的资源特征与第二类特征的相似度。
在步骤S305中，基于资源的资源特征分别与历史搜索特征、第三类特征及第四类特征之间的相似度，对历史搜索特征、第三类特征及第四类特征进行融合，得到搜索兴趣特征。
在本公开实施例中，资源的资源特征用于表征资源，历史搜索特征能够反映出在搜索场景下对象感兴趣的历史搜索资源，而第三类特征符合对象在推荐场景和搜索场景下的兴趣，而第四类特征仅符合对象在搜索场景下的兴趣，通过资源的资源特征分别与历史搜索特征、第三类特征及第四类特征之间的相似度，对资源的资源特征、历史搜索特征、第三类特征及第四类特征进行融合，不仅考虑到在搜索场景下待推荐的资源与搜索场景下对象感兴趣的历史推荐资源之间的相似性，还考虑到在推荐场景的影响下对象对哪些历史搜索资源更感兴趣，进而能够模拟出在搜索场景下对象对待推荐的资源的感兴趣程度，进而保证确定出的搜索兴趣特征的准确性。
在一些实施例中，该步骤S305包括：将历史搜索特征、第三类特征及第四类特征分别与资源的资源特征进行融合，得到资源的资源特征分别与历史搜索特征、第三类特征及第四类特征之间的相似度，确定历史搜索特征与对应的相似度的乘积、第三类特征与对应的相似度的乘积及第四类特征与对应的相似度的乘积，将历史搜索特征与对应的相似度的乘积、第三类特征与对应的相似度的乘积及第四类特征与对应的相似度的乘积进行拼接，得到该搜索兴趣特征。
对于历史搜索特征、第三类特征及第四类特征分别与资源的资源特征进行融合的方式，能够采取多头注意力机制来进行融合，也即是，采取自注意机制，将历史搜索特征与资源的资源特征进行融合，得到资源的资源特征与历史搜索特征的相似度；采取自注意机制，将第三类特征与资源的资源特征进行融合，得到资源的资源特征与第三类特征的相似度；采取自注意机制，将第四类特征分别与资源的资源特征进行融合，得到资源的资源特征与第四类特征的相似度。
需要说明的是，本公开实施例是以获取历史推荐信息对应的历史推荐特征及历史搜索信息对应的历史搜索特征为例，利用历史推荐特征及历史搜索特征来获取推荐兴趣特征和搜索历史特征，而在另一实施例中，无需执行上述步骤S302-S305,而是采取其他方式，基于待推荐的资源、历史推荐信息及历史搜索信息，获取对象的推荐兴趣特征及搜索兴趣特征。
在步骤S306中，对对象的对象特征、资源的资源特征、推荐兴趣特征及搜索兴趣特征进行拼接，得到拼接特征。
在本公开实施例中，对象特征用于表征该对象，资源特征用于表征资源，而推荐兴趣特征及搜索特征能够反应出分别在推荐或搜索场景下，该对象对该资源的感兴趣程度，则将对象特征、资源特征、推荐兴趣特征及搜索兴趣特征进行拼接，以丰富拼接特征包含的信息量，以便后续能够基于拼接特征来预测出推荐概率。
其中，在将对象特征、资源特征、推荐兴趣特征及搜索兴趣特征进行拼接时，能够以任意的顺序来进行拼接，本公开对此不做限定。
在一些实施例中，对象特征是对对象的对象信息进行特征提取得到。其中，对象信息用于表征该对象。例如，对象为用户，对象信息即为用户信息。
在步骤S307中，对拼接特征进行降维处理，得到资源的推荐概率，推荐概率指示在将资源推荐给对象的情况下，对象对资源执行互动操作的可能性。
在本公开实施例中，通过将对象特征、资源特征、推荐兴趣特征及搜索兴趣特征进行拼接，以丰富拼接特征包含的信息量，对拼接特征进行降维处理，以使拼接特征包含的特征能够得到充分融合，以便能够基于在推荐场景和搜索场景下对象对该资源的感兴趣程度，确定出本次将资源推荐给对象时对象对资源执行互动操作的可能性，进而保证得到的推荐概率的准确性。
例如，拼接特征是一个多维向量，如拼接特征为1×64的向量，通过对拼接特征进行变换，以减少拼接特征包含的维度数，得到一个数值，即为推荐概率。
需要说明的是，本公开实施例仅是以获取待推荐的任一资源的推荐概率为例进行说明，按照上述步骤S304-S307，能够获取待推荐的多个资源的推荐概率。
需要说明的是，本公开实施例是以对象的对象特征、资源的资源特征、推荐兴趣特征及搜索兴趣特征拼接为例，利用拼接特征获取推荐概率，而在另一实施例中，无需执行上述步骤S306-S307,而是采取其他方式，对对象的对象特征、资源的资源特征、推荐兴趣特征及搜索兴趣特征进行处理，得到资源的推荐概率。
在步骤S308中，基于待推荐的多个资源的推荐概率，向对象推荐多个资源中的目标资源。
在一些实施例中，该步骤S308包括以下两种方式。
第一种方式、基于待推荐的多个资源的推荐概率，从待推荐的多个资源中选取推荐概率最大的第一数量的目标资源，向对象推荐选取的目标资源。
其中，第一数量为任意的数量，例如，第一数量为3或5等。
在本公开实施例中，对于待推荐的多个资源，选取的目标资源的推荐概率大于未选取的资源的推荐概率，以保证选取的目标资源的推荐概率足够大，进而保证选取的目标资源为对象感兴趣的资源，进而保证资源推荐的准确性。
以第一数量为3为例，本次待推荐的多个资源的数量为20，在得到每个待推荐的资源的推荐概率的情况下，按照20个资源的推荐概率由大到小的顺序排序，将排序靠前的3个资源推荐给对象。
第二种方式、基于待推荐的多个资源的推荐概率，从待推荐的多个资源中选取推荐概率大于概率阈值的目标资源，向对象推荐选取的目标资源。
其中，概率阈值为任意的数值，对于任一资源的推荐概率大于概率阈值，表示对象对该资源足够感兴趣，因此，仅向对象推荐推荐概率大于概率阈值的资源，以保证向对象推荐的资源均为对象感兴趣的资源，进而保证资源推荐的准确性。
需要说明的是，本公开实施例是以推荐概率大于概率阈值为例进行说明，而在另一实施例中，在推荐概率不大于概率阈值的情况下，表示在将资源推荐给对象的情况下，对象对资源执行互动操作的可能性小，反映出对象对该资源不感兴趣，则不再向对象推荐该资源。
需要说明的是，本公开仅是以待推荐的任一资源为例进行说明，而在另一实施例中，获取到待推荐的多个资源，则在上述步骤S303之后，按照上述步骤S304-S307，获取待推荐的多个资源中每个资源对应的推荐概率，从待推荐的多个资源中选取推荐概率大于概率阈值的资源，向对象推荐选取的资源，以使向对象推荐的每个资源对应的推荐概率均大于概率阈值。
本公开实施例提供的方案中，考虑到历史推荐信息和历史搜索信息能够分别表示出对象在推荐场景和搜索场景下对哪些资源感兴趣，以历史搜索信息作为推荐场景下的辅助信息，结合历史推荐信息和历史搜索信息，能够模拟出在推荐场景和搜索场景下对象对待推荐的资源的感兴趣程度，以此为依据，结合对象的对象特征及待推荐资源的资源特征，预测出在将资源推荐给对象的情况下，对象对资源执行互动操作的推荐概率，以确定出对象对待推荐的资源是否感兴趣，并基于推荐概率来向对象推荐资源，保证了推荐概率指示的情况与对象的兴趣相匹配，保证了推荐概率的准确性，进而保证了向对象推荐的资源为对象感兴趣的资源，以保证资源推荐的准确性，进而保证资源推荐效果。
在本公开实施例中，资源的资源特征用于表征资源，历史推荐特征能够反映出在推荐场景下对象感兴趣的历史推荐资源，而第一类特征符合对象在推荐场景和搜索场景下的兴趣，而第二类特征仅符合对象在推荐场景下的兴趣，通过对资源的资源特征、历史推荐特征、第一类特征及第二类特征进行融合，不仅考虑到在推荐场景下待推荐的资源与推荐场景下对象感兴趣的历史推荐资源之间的相似性，还考虑到在搜索场景的影响下对象对哪些历史推荐资源更感兴趣，进而能够模拟出在推荐场景下对象对待推荐的资源的感兴趣程度，进而保证确定出的推荐兴趣特征的准确性。
在本公开实施例中，资源的资源特征用于表征资源，历史搜索特征能够反映出在搜索场景下对象感兴趣的历史搜索资源，而第三类特征符合对象在推荐场景和搜索场景下的兴趣，而第四类特征仅符合对象在搜索场景下的兴趣，通过对资源的资源特征、历史搜索特征、第三类特征及第四类特征进行融合，不仅考虑到在搜索场景下待推荐的资源与搜索场景下对象感兴趣的历史推荐资源之间的相似性，还考虑到在推荐场景的影响下对象对哪些历史搜索资源更感兴趣，进而能够模拟出在搜索场景下对象对待推荐的资源的感兴趣程度，进而保证确定出的搜索兴趣特征的准确性。
在上述图3所示的实施例的基础上，本公开实施例还能够以历史推荐信息包括多个历史推荐资源、历史搜索信息包括多个历史搜索文本为例，基于多个历史搜索资源来获取历史搜索特征，基于多个历史搜索文本及每个历史搜索文本对应的历史搜索资源获取历史推荐特征，具体过程详见下述实施例。
图4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4所示，该方法由电子设备执行，包括以下步骤：
在步骤S401中、对历史推荐信息中的每个历史推荐资源进行特征提取，得到每个历史推荐资源的资源特征，将每个历史推荐资源的资源特征构成历史推荐特征。
其中，每个历史推荐资源的资源特征用于表征对应的历史推荐资源，每个历史推荐资源的资源特征能够以任意的形式表示，例如，每个历史推荐资源的资源特征以特征向量的形式表示，而由历史推荐信息包括的多个历史推荐资源的资源特征构成的历史推荐特征以特征矩阵的形式表示，特征矩阵中的每行特征向量为一个历史推荐资源的资源特征。采取特征提取的方式，将高度离散的空间中的历史推荐资源映射到稠密特征空间中，得到历史推荐资源的资源特征。
在一些实施例中，每条历史推荐信息指示一个或多个历史推荐资源，则将多条历史推荐信息指示的历史推荐资源的资源特征构成历史推荐特征。
在一些实施例中，该步骤S401之前，还会过滤历史推荐信息中重复的历史推荐资源，也即是，该方法还包括：对历史推荐信息中重复的历史推荐资源进行过滤。
在本公开实施例中，对象可能具有一条或多条历史推荐信息，每条历史推荐信息指示一个或多个历史推荐资源，由于不同的历史推荐信息中可能存在相同的历史推荐资源，或者，同一历史推荐信息中存在相同的历史推荐资源，因此，过滤历史推荐信息中重复的历史推荐资源，以使过滤后的历史推荐资源不存在重复的资源，以便后续基于过滤后的历史推荐资源的资源特征构成历史推荐特征，进而保证历史推荐特征的准确性。
在一些实施例中，获取每个历史推荐资源的资源特征的过程，包括：对于任一历史推荐资源，对该历史推荐资源的资源信息进行特征提取，得到该历史推荐资源的资源特征。
其中，资源信息包括资源名称、资源所属的类型、资源的简介信息等。在一些实施例中，历史推荐资源的资源信息还包括编号，编码用于区分历史推荐信息中不同的历史推荐资源。其中，编码能够以任意的形式表示，例如，编号以数字的形式表示。例如，多个历史推荐资源的编码为1、2、3等。在本公开实施例中，为历史推荐信息中的每个历史推荐资源设置了编码，以便能够将历史推荐信息中不同的历史推荐资源区分开，以使提取到的资源特征也能够区分开，进而保证资源特征的准确性。
在一些实施例中，将每个历史推荐资源的资源特征构成历史推荐特征的过程，包括以下步骤1-3：
步骤1、获取每个历史推荐资源的第一位置特征，第一位置特征指示历史推荐资源与历史推荐信息中其他历史推荐资源之间的相对时间顺序。
其中，第一位置特征能够以任意的形式表示，例如，第一位置特征以特征向量的形式表示。在历史推荐信息包括的多个历史推荐资源中，每个历史推荐资源均是之前已向对象推荐过的资源，且不同的历史推荐资源向对象推荐的时间可能不同，为每个历史推荐资源设置一个第一位置特征，则通过多个历史推荐资源的第一位置特征，能够确定出向对象推荐多个历史推荐资源的时间先后顺序。
在一些实施例中，步骤1包括：按照历史推荐信息中多个历史推荐资源对应的推荐时间先后顺序，为每个历史推荐资源设置序号，对每个历史推荐资源对应的序号进行特征提取，得到每个历史推荐资源的第一位置特征。
其中，序号能够以任意的字符串表示。例如，按照多个历史推荐资源对应的推荐时间由晚到早的顺序，为第一个历史推荐资源设置序号0001，为第二个历史推荐资源设置序号0002，以此类推，为每个历史推荐资源设置序号，其中，推荐时间越晚，表示推荐时间与当前时间越接近。
步骤2、对每个历史推荐资源的资源特征与第一位置特征进行融合，得到每个历史推荐资源对应的融合特征。
在本公开实施例中，多个历史推荐资源的第一位置特征能够反映出多个历史推荐资源的推荐时间先后顺序，对于每个历史推荐资源，将该历史推荐资源的资源特征与对应的第一位置特征进行融合，以丰富了得到的融合特征包含的信息，以使多个历史推荐资源的融合特征能够反映出多个历史推荐资源的推荐时间先后顺序，也能够反映出对象感兴趣的历史推荐资源随时间变化的情况，进而保证融合特征的准确性。
步骤3、基于多个历史推荐资源对应的融合特征，分别对每个历史推荐资源对应的融合特征进行更新，将多个历史推荐资源更新后的特征，构成历史推荐特征。
在本公开实施例中，考虑到对象的兴趣可能会随着时间变化，因此，获取每个历史推荐资源的第一位置特征，对每个历史推荐资源的资源特征与第一位置特征进行融合，基于多个历史推荐资源对应的融合特征，分别对每个历史推荐资源对应的融合特征进行更新，将多个历史推荐资源更新后的特征，构成历史推荐特征，以使历史推荐特征能够反映出对象感兴趣的历史推荐资源随时间变化的情况，进而反映出对象的兴趣随着时间变化的情况，也使每个历史推荐资源更新后的特征融入了其他历史推荐资源的资源特征，以增强多个历史推荐资源之间的关联性，进而保证历史推荐特征的准确性。
在一些实施例中，该步骤3包括：将每个历史推荐资源对应的融合特征与第一历史推荐资源对应的融合特征的乘积，确定为每个历史推荐资源对应的权重，基于每个历史推荐资源对应的权重，对多个历史推荐资源对应的融合特征进行融合，将融合得到的特征与第一历史推荐资源对应的融合特征进行融合，得到第一历史推荐资源更新后的特征。
其中，第一历史推荐资源为多个历史推荐资源中的任一历史推荐资源。上述仅是以第一历史推荐资源为例进行说明，按照上述方式，对每个历史推荐资源对应的融合特征进行更新，得到每个历史推荐资源更新后的特征。
在本公开实施例中，采用自注意力机制，对多个历史推荐资源对应的融合特征进行更新，以增强多个历史推荐资源对应的融合特征之间的关联性，进而保证历史推荐特征的准确性。
在步骤S402中、分别对历史搜索信息中的历史搜索文本及历史搜索资源进行特征提取，得到每个历史搜索文本的文本特征及每个历史搜索资源的资源特征。
其中，历史搜索文本的文本特征用于表征该历史搜索文本，历史搜索资源的资源特征用于表征历史搜索资源，文本特征及资源特征均能够以任意的形式表示，例如，文本特征及资源特征均以特征向量的形式表示。
在一些实施例中，历史搜索信息可能包括一个或多个历史搜索文本以及每个历史搜索文本对应有一个或多个历史搜索资源，对历史搜索信息中的每个历史搜索文本及每个历史搜索资源进行特征提取，得到每个历史搜索文本的文本特征及每个历史搜索资源的资源特征。
在一些实施例中，该步骤S401之前，还会过滤历史搜索信息中重复的历史搜索文本，也即是，该方法还包括：对历史搜索信息中重复的历史搜索文本进行过滤，对同一历史搜索文本对应的历史搜索资源中重复的历史搜索资源进行过滤。
在本公开实施例中，对象可能具有一条或多条历史搜索信息，每条历史搜索信息指示一个或多个历史搜索文本，由于不同的历史搜索信息中可能存在相同的历史搜索文本，或者，同一历史搜索信息中存在相同的历史搜索文本，因此，过滤历史搜索信息中重复的历史搜索文本，以避免历史搜索文本存在重复的情况，对于过滤后的历史搜索文本，对于同一历史搜索文本对应的历史搜索资源中重复的历史搜索资源进行过滤，以避免历史搜索资源存在重复的情况，以便后续基于过滤后的历史搜索文本的文本特征及对应的历史搜索资源的资源特征构成历史搜索特征，进而保证历史搜索特征的准确性。
在一些实施例中，获取每个历史搜索文本的文本特征的过程，包括：对于任一历史搜索文本，对该历史搜索文本进行特征提取，得到该历史搜索文本的文本特征。
在一些实施例中，获取每个历史搜索资源的资源特征的过程，包括：对于任一历史搜索资源，对该历史搜索资源的资源信息进行特征提取，得到该历史搜索资源的资源特征。
其中，资源信息包括资源名称、资源所属的类型、资源的简介信息等。在一些实施例中，历史搜索资源的资源信息还包括编号，编码用于区分历史搜索信息中不同的历史搜索资源。其中，编码能够以任意的形式表示，例如，编号以数字的形式表示。例如，多个历史搜索资源的编码为1、2、3等。在本公开实施例中，为历史搜索信息中的每个历史搜索资源设置了编码，以便能够将历史搜索信息中不同的历史搜索资源区分开，以使提取到的资源特征也能够将不同的历史搜索资源区分开，进而保证资源特征的准确性。
在步骤S403中、对每个历史搜索文本的文本特征及对应的历史搜索资源的资源特征进行融合，得到每个历史搜索文本对应的第一融合特征，将每个历史搜索文本对应的第一融合特征构成历史搜索特征。
在本公开实施例中，对于每个历史搜索文本及历史搜索文本对应的历史搜索资源，均能够反映出对象在历史搜索中的兴趣，因此，对于任一历史搜索文本，将该历史搜索文本的文本特征及该历史搜索文本对应的历史搜索资源的特征进行融合，得到历史搜索文本对应的第一融合特征，以该第一融合特征来表征对象在一次历史搜索中的兴趣表现，进而将多个历史搜索文本对应的第一融合特征构成历史搜索特征，使得历史搜索特征能够表示对象在搜索场景的兴趣。
其中，任一历史搜索文本对应有一个或多个历史搜索资源，历史搜索文本对应的历史搜索资源为基于该历史搜索文本搜索到的、且对象执行过互动操作的资源。文本特征或资源特征均能够以任意的形式表示，例如，文本特征或资源特征以特征向量的形式表示，则第一融合特征也以特征向量的形式表示，历史搜索特征以特征矩阵的形式表示，特征矩阵中的每行特征向量为一个历史搜索文本对应的第一融合特征。
在一些实施例中，将每个历史搜索文本对应的第一融合特征构成历史搜索特征，包括以下步骤1-3。
步骤1、获取每个历史搜索文本的第二位置特征及搜索类型特征，第二位置特征指示历史搜索文本与历史搜索信息中其他历史搜索文本之间的相对时间顺序，搜索类型特征指示基于历史搜索文本进行搜索时采用的搜索类型。
其中，第二位置特征能够以任意的形式表示，例如，第二位置特征以特征向量的形式表示。在历史搜索信息包括的每个历史搜索文本均是对象输入的文本，且不同的历史搜索文本的输入时间可能不同，也即是，每个历史搜索文本对应的搜索时间不同，为每个历史搜索文本设置一个第二位置特征，则通过多个历史搜索文本的第二位置特征，能够确定出对象基于多个历史搜索文本进行搜索资源的时间先后顺序。
在本公开实施例中，搜索类型特征指示出对象基于历史搜索文本进行搜索时采用的搜索类型，不同的搜索类型指示不同的搜索入口，进而反映出对象从哪种搜索入口来基于历史搜索文本进行搜索。从不同的搜索入口来进行搜索时，能够反映出对象不同的意图，进而能够体现出对象不同的兴趣。例如，从应用首页中的搜索入口来进行搜索时，即表示对象想要基于搜索文本来进行搜索，而在评论界面中的搜索入口来进行搜索时，即表示对象想要基于搜索文本来搜索与评论界面中的评论信息相关的资源。
在一些实施例中，获取每个历史搜索文本的第二位置特征的过程，包括：按照历史搜索信息中多个历史搜索文本对应的搜索时间先后顺序，为每个历史搜索文本设置序号，对每个历史搜索文本对应的序号进行特征提取，得到每个历史搜索文本的第二位置特征。
其中，序号能够以任意的字符串表示。例如，按照多个历史搜索文本对应的搜索时间由晚到早的顺序，为第一个历史搜索文本设置序号0001，为第二个历史搜索文本设置序号0002，以此类推，为每个历史搜索文本设置序号，其中，搜索时间越晚，表示搜索时间与当前时间越接近。
在一些实施例中，获取每个历史搜索文本的搜索类型特征的过程，包括：从历史搜索信息中获取任一历史搜索文本对应的搜索类型标识，将该搜索类型标识对应的搜索类型特征，确定为历史搜索文本的搜索类型特征。
其中，搜索类型标识能够以任意的形式表示，例如，搜索类型标识以字符串的形式表示。对于获取搜索类型标识对应的搜索类型特征的方式，能够对搜索类型标识进行特征提取得到，或者，已配置了每个搜索类型标识对应的搜索类型特征，从配置的搜索类型特征中获取该搜索类型标识对应的搜索类型特征。
步骤2、对每个历史搜索文本对应的第一融合特征、第二位置特征及搜索类型特征进行融合，得到每个历史搜索文本对应的第二融合特征。
在本公开实施例中，多个历史搜索文本的第二位置特征能够反映出多个历史搜索文本的搜索时间先后顺序，且搜索类型特征指示基于历史搜索文本进行搜索时采用的搜索类型，对于每个历史搜索文本，将该历史搜索文本对应的第一融合特征与对应的第一位置特征和搜索类型特征进行融合，以丰富了得到的第二融合特征包含的信息，以使多个历史搜索文本的第二融合特征能够反映出多个历史搜索文本的搜索时间先后顺序且采用的搜索类型，也能够反映出对象的兴趣随时间变化的情况，进而保证第二融合特征的准确性。
步骤3、基于多个历史搜索文本对应的第二融合特征，分别对每个历史搜索文本对应的第二融合特征进行更新，将多个历史搜索文本更新后的特征构成历史搜索特征。
在本公开实施例中，考虑到对象的兴趣可能会随着时间变化，不同的搜索类型能够反映出对象不同的意图，因此，获取每个历史搜索文本的第一位置特征及搜索类型特征，对历史搜索文本对应的第一融合特征、第二位置特征及搜索类型特征进行融合，并基于多个历史搜索文本对应的第二融合特征，分别对每个历史搜索文本对应的第二融合特征进行更新，将多个历史搜索文本更新后的特征构成历史搜索特征，以使历史搜索特征能够反映出对象感兴趣的历史搜索资源随时间变化的情况，进而反映出对象的兴趣随着时间变化的情况，也使每个历史搜索文本更新后的特征融入了其他历史搜索文本的特征，以增强多个历史搜索文本之间的关联性，进而保证历史搜索文本的准确性。
在一些实施例中，该步骤3包括：将每个历史搜索文本对应的第二融合特征与第一历史搜索文本对应的第二融合特征的乘积，确定为每个历史搜索文本对应的权重，基于每个历史搜索文本对应的权重，对多个历史搜索文本对应的第二融合特征进行融合，将融合得到的特征与第一历史搜索文本对应的第二融合特征进行融合，得到第一历史搜索文本更新后的特征。
其中，第一历史搜索文本为多个历史搜索文本中的任一历史搜索文本。上述仅是以第一历史搜索文本为例进行说明，按照上述方式，对每个历史搜索文本对应的融合特征进行更新，得到每个历史搜索文本更新后的特征。
在本公开实施例中，采用自注意力机制，对多个历史搜索文本对应的融合特征进行更新，以增强多个历史搜索文本对应的融合特征之间的关联性，进而保证历史推荐特征的准确性。
本公开实施例提供的方案中，在历史推荐信息包括多个历史推荐资源、历史搜索信息包括多个历史搜索文本的情况下，基于多个历史搜索资源来获取历史搜索特征，基于多个历史搜索文本及每个历史搜索文本对应的历史搜索资源获取历史推荐特征，以丰富历史搜索特征或历史推荐特征包含的信息量，进而保证历史搜索特征及历史推荐特征的准确性。
需要说明的是，在上述图2至图4所示的实施例的基础上，本公开实施例还能够调用推荐预测模型来执行获取推荐概率的过程，也即是，调用推荐预测模型，执行上述步骤S202-S203，或者，执行上述步骤S302-S307，或者，执行上述步骤S401-S403。而在调用推荐预测模型获取任一资源对于任一对象的推荐概率之前，还需要对推荐预测模型进行训练，训练过程详见下述实施例。
图5是根据一示例性实施例示出的一种推荐预测模型训练方法的流程图，如图5所示，该方法由电子设备执行，包括以下步骤：
在步骤S501中、获取样本对象、样本资源、样本资源的样本推荐概率、样本对象的样本历史推荐信息及样本历史搜索信息，样本历史推荐信息指示样本对象执行过互动操作的历史推荐资源，样本历史搜索信息指示样本对象输入的历史搜索文本以及基于历史搜索文本搜索到、且样本对象执行过互动操作的历史搜索资源。
其中，样本推荐概率是在将样本资源推荐给样本对象的情况下，样本对象对该样本资源是否执行了互动操作。在一些实施例中，样本推荐概率为0或1；0表示在将样本资源推荐给样本对象的情况下，样本对象对该样本资源未执行互动操作；1表示在将样本资源推荐给样本对象的情况下，样本对象对该样本资源执行了互动操作。
在一些实施例中，样本资源及样本资源的样本推荐基于样本对象的历史推荐记录或历史搜索记录确定。
其中，历史推荐记录指示向样本对象推荐过的历史推荐资源，且指示样本对象对哪些历史推荐资源执行了互动操作，对哪些历史推荐资源未执行互动操作。而历史搜索记录指示样本对象输入的历史搜索文本、基于历史搜索文本搜索到的历史搜索资源，且指示了样本对象对哪些历史搜索资源执行了互动操作，对哪些历史搜索资源未执行互动操作。样本对象的样本历史推荐信息基于样本对象的历史推荐记录确定，样本对象的样本历史搜索信息基于样本对象的历史搜索记录确定。
样本资源为历史推荐记录或历史搜索记录中的任一资源，并基于历史推荐记录或历史搜索记录中样本对象对该样本资源执行互动操作的情况，确定样本资源的样本推荐概率。在确定样本资源的情况下，基于样本资源对应的历史搜索时间或历史推荐时间，从历史推荐记录中确定历史推荐信息，从历史搜索记录中确定历史搜索信息。
例如，以样本资源为历史推荐记录中的任一资源，确定该样本资源对应的历史推荐时间，基于历史推荐记录中推荐时间在该历史推荐时间之前、且样本对象执行过互动操作的历史推荐资源，生成历史推荐信息；从历史搜索记录中确定搜索时间在该历史推荐时间之前的历史搜索文本，基于确定的历史搜索文本对应的历史搜索资源、且样本对象执行过互动操作的历史搜索资源以及确定的历史搜索文本，生成历史搜索信息。
在步骤S502中、调用待训练的推荐预测模型，基于样本资源、样本历史推荐信息及样本历史搜索信息，获取样本对象的推荐兴趣特征及搜索兴趣特征，推荐兴趣特征指示在推荐场景下样本对象对样本资源的感兴趣程度，搜索兴趣特征指示在搜索场景下样本对象对样本资源的感兴趣程度。
其中，待训练的推荐预测模型为任意的网络模型，例如，待训练的推荐预测模型为SESRec(a Search-Enhanced framework for Sequential Recommendation，一种基于搜索数据增强的辅助提升序列推荐模型的模型)。
该步骤S502与上述步骤S202同理，在此不再赘述。
在步骤S503中、调用待训练的推荐预测模型，对样本对象的对象特征、样本资源的资源特征、推荐兴趣特征及搜索兴趣特征进行降维处理，得到样本资源的预测推荐概率，预测推荐概率指示在将样本资源推荐给样本对象的情况下，样本对象对样本资源执行互动操作的可能性。
该步骤S503与上述步骤S203同理，在此不再赘述。
在步骤S504中、基于样本推荐概率及预测推荐概率，对待训练的推荐预测模型进行训练，得到目标推荐预测模型。
在本公开实施例中，样本推荐概率能够反映出样本对象对样本资源执行互动操作的真实情况，而预测推荐概率是基于推荐预测模型预测的样本对象对样本资源执行互动操作的情况，样本推荐概率与预测推荐概率之间的差异能够反映出推荐预测模型的准确性，基于样本推荐概率及预测推荐概率，对推荐预测模型进行训练，以提升待训练的推荐预测模型的准确性。
其中，目标推荐预测模型为训练成的推荐预测模型，后续在按照上述图2至图4所示的实施例，调用目标推荐预测模型来执行获取推荐概率的过程。
本公开实施例提供的方案中，考虑到历史推荐信息和历史搜索信息能够分别表示出对象在推荐场景和搜索场景下对哪些资源感兴趣，以历史搜索信息作为推荐场景下的辅助信息，结合历史推荐信息和历史搜索信息，能够模拟出在推荐场景和搜索场景下对象对待推荐的资源的感兴趣程度，结合样本对象、样本资源、样本资源的样本推荐概率、样本对象的样本历史推荐信息及样本历史搜索信息，对待训练的推荐预测模型进行训练，以提升推荐预测模型的准确性，以便能够利用训练得到的目标推荐预测模型来获取在将任一资源推荐给任一对象的情况下，对象对资源执行互动操作的推荐概率，进而保证资源推荐效果。
在一些实施例中，样本对象的推荐兴趣特征是基于资源特征、样本历史推荐信息的历史推荐特征、历史推荐特征包含的第一类特征及第二类特征进行融合得到，第一类特征与样本历史搜索信息的历史搜索特征的相似度不小于第一相似度阈值，第二类特征与历史搜索特征的相似度小于第一相似度阈值，第一类特征及第二类特征是对历史推荐特征中的子特征进行分类得到，历史推荐特征中的子特征用于表征历史推荐资源；基于样本推荐概率及预测推荐概率，对待训练的推荐预测模型进行训练，得到目标推荐预测模型之前，方法还包括：
确定历史推荐特征与第一类特征的第一相似度，以及历史推荐特征与第二类特征的第二相似度；
基于样本推荐概率及预测推荐概率，对待训练的推荐预测模型进行训练，得到目标推荐预测模型，包括：
基于样本推荐概率、预测推荐概率、第一相似度及第二相似度，对待训练的推荐预测模型进行训练，以使第一相似度增大且第二相似度减小，得到目标推荐预测模型。
在本公开实施例中，历史推荐特征、第一类特征及第二类特征均是基于推荐预测模型得到，第一类特征和第二类特征是从历史推荐特征中的子特征进行分类得到，第一类特征与历史搜索特征的相似度不小于第一相似度阈值，第二类特征与历史搜索特征的相似度小于第一相似度阈值，基于第一相似度和第二相似度，对推荐预测模型进行训练，以使第一相似度增大且第二相似度减小，也即是，以使基于推荐预测模型获取到的历史推荐特征与第一类特征更相似，且历史推荐特征与第二类特征更不相似，使得基于推荐预测模型获取到的历史推荐特征更能反映出样本对象的兴趣，进而提升推荐预测模型的准确性。
在一些实施例中，样本对象的搜索兴趣特征是基于资源特征、样本历史搜索信息的历史搜索特征、历史搜索特征包含的第三类特征及第四类特征进行融合得到，第三类特征与样本历史推荐信息的历史推荐特征的相似度不小于第二相似度阈值，第四类特征与历史推荐特征的相似度小于第二相似度阈值，第三类特征及第四类特征是对历史搜索特征中的子特征进行分类得到，历史搜索特征中的子特征用于表征历史搜索文本及历史搜索文本对应的历史搜索资源；基于样本推荐概率及预测推荐概率，对待训练的推荐预测模型进行训练，得到目标推荐预测模型之前，方法还包括：
确定历史搜索特征与第三类特征的第三相似度、历史搜索特征与第四类特征的第四相似度；
基于样本推荐概率及预测推荐概率，对待训练的推荐预测模型进行训练，得到目标推荐预测模型，包括：
基于样本推荐概率、预测推荐概率、第三相似度及第四相似度，对待训练的推荐预测模型进行训练，以使第三相似度增大且第四相似度减小，得到目标推荐预测模型。
在本公开实施例中，历史搜索特征、第三类特征及第四类特征均是基于推荐预测模型得到，第三类特征和第四类特征是从历史推荐特征中的子特征进行分类得到，第三类特征与历史推荐特征的相似度不小于第二相似度阈值，第四类特征与历史推荐特征的相似度小于第二相似度阈值，基于第三相似度和第四相似度，对推荐预测模型进行训练，以使第三相似度增大且第四相似度减小，也即是，以使基于推荐预测模型获取到的历史搜索特征与第三类特征更相似，且历史搜索特征与第四类特征更不相似，使得基于推荐预测模型获取到的历史搜索特征更能反映出样本对象的兴趣，进而提升推荐预测模型的准确性。
在一些实施例中，历史搜索特征由样本历史搜索信息中每个历史搜索文本对应的融合特征构成，历史搜索文本对应的融合特征由历史搜索文本的文本特征及对应的历史搜索资源的特征融合得到；基于样本推荐概率、预测推荐概率、第三相似度及第四相似度，对待训练的推荐预测模型进行训练之前，方法还包括：
确定历史搜索文本的文本特征与对应的历史搜索资源的特征的第五相似度；
基于样本推荐概率、预测推荐概率、第三相似度及第四相似度，对待训练的推荐预测模型进行训练，以使第三相似度增大且第四相似度减小，得到目标推荐预测模型，包括：
基于样本推荐概率、预测推荐概率、第三相似度、第四相似度及第五相似度，对待训练的推荐预测模型进行训练，以使第三相似度增大、第四相似度减小且第五相似度增大，得到目标推荐预测模型。
在本公开实施例中，历史搜索文本对应的历史搜索资源是基于该历史搜索文本搜索到的，则反映出历史搜索文本与对应的历史搜索资源相似。而第五相似度为历史搜索文本的文本特征与对应的历史搜索资源的特征，且文本特征及历史搜索资源的特征均是基于推荐预测模型得到，则第五相似度能够反映出基于推荐预测模型得到的文本特征及历史搜索资源的特征的准确性，进而反映出推荐预测模型的准确性，则基于第五相似度，对推荐预测模型进行训练，以使第五相似度增大，以提升推荐预测模型的准确性。
在一些实施例中，基于样本推荐概率、预测推荐概率、第三相似度及第四相似度，对待训练的推荐预测模型进行训练之前，方法还包括：
从样本历史搜索信息中，确定历史搜索文本的负样本资源、历史搜索文本对应的历史搜索资源的负样本文本，负样本资源为样本历史搜索信息中除历史搜索文本对应的历史搜索资源之外的任一历史搜索资源，负样本文本为样本历史搜索信息中除历史搜索文本之外的任一历史搜索文本；
确定历史搜索文本与负样本资源的第六相似度，以及所历史搜索文本对应的历史搜索资源与负样本文本的第七相似度；
基于样本推荐概率、预测推荐概率、第三相似度及第四相似度，对待训练的推荐预测模型进行训练，以使第三相似度增大且第四相似度减小，得到目标推荐预测模型，包括：
基于样本推荐概率、预测推荐概率、第三相似度、第四相似度、第六相似度及第七相似度，对待训练的推荐预测模型进行训练，以使第三相似度增大、第四相似度减小、第六相似度及第七相似度减小，得到目标推荐预测模型。
在本公开实施例中，通过将历史搜索文本及对应的历史搜索资源分别作为对应的正样本，并为历史搜索文本及对应的历史搜索资源确定负样本，利用正样本对应的相似度及负样本对应的相似度对推荐预测模型进行训练，以拉近历史搜索文本与正样本资源、历史搜索资源与正样本文本在特征空间中的距离，推远历史搜索文本与负样本资源、历史搜索资源与负样本文本在特征空间中距离，实现了一种自监督训练方式，提升了推荐预测模型的准确性。
在上述图5所示的实施例的基础上，本公开实施例还能够采取多种损失来对推荐预测模型进行训练，训练过程详见下述实施例。
图6是根据一示例性实施例示出的一种推荐预测模型训练方法的流程图，如图6所示，该方法由电子设备执行，包括以下步骤：
在步骤S601中、获取样本对象、样本资源、样本资源的样本推荐概率、样本对象的样本历史推荐信息及样本历史搜索信息，样本历史推荐信息指示样本对象执行过互动操作的历史推荐资源，样本历史搜索信息指示样本对象输入的历史搜索文本以及基于历史搜索文本搜索到、且样本对象执行过互动操作的历史搜索资源。
该步骤S601与上述步骤S501同理，在此不再赘述。
在步骤S602中、调用待训练的推荐预测模型，分别对样本历史推荐信息及样本历史搜索信息进行特征提取，得到样本历史推荐信息的历史推荐特征及样本历史搜索信息的历史搜索特征。
该步骤S602与上述步骤S302同理，在此不再赘述。
在步骤S603中，调用待训练的推荐预测模型，对历史推荐特征中的子特征及历史搜索特征中的子特征进行分类，得到历史推荐特征包含的第一类特征及第二类特征以及历史搜索特征包含的第三类特征及第四类特征，第一类特征与历史搜索特征的相似度不小于第一相似度阈值，第二类特征与历史搜索特征的相似度小于第一相似度阈值，第三类特征与历史推荐特征的相似度不小于第二相似度阈值，第四类特征与历史推荐特征的相似度小于第二相似度阈值。
该步骤S603与上述步骤S303同理，在此不再赘述。
在步骤S604中，调用待训练的推荐预测模型，基于样本资源的资源特征分别与历史推荐特征、第一类特征及第二类特征之间的相似度，对样本资源的资源特征、历史推荐特征、第一类特征及第二类特征进行融合，得到样本对象的推荐兴趣特征，推荐兴趣特征指示在推荐场景下样本对象对样本资源的感兴趣程度。
该步骤S604与上述步骤S304同理，在此不再赘述。
在步骤S605中，基于样本资源的资源特征分别与历史搜索特征、第三类特征及第四类特征之间的相似度，对样本资源的资源特征、历史搜索特征、第三类特征及第四类特征进行融合，得到样本对象的搜索兴趣特征，搜索兴趣特征指示在搜索场景下样本对象对样本资源的感兴趣程度。
该步骤S605与上述步骤S305同理，在此不再赘述。
需要说明的是，本公开实施例是以获取历史推荐信息对应的历史推荐特征及历史搜索信息对应的历史搜索特征为例，利用历史推荐特征及历史搜索特征来获取推荐兴趣特征和搜索历史特征，而在另一实施例中，无需执行上述步骤S602-S605,而是采取其他方式，调用推荐预测模型，基于样本资源、样本历史推荐信息及样本历史搜索信息，获取样本对象的推荐兴趣特征及搜索兴趣特征。
在步骤S606中、调用待训练的推荐预测模型，对样本对象的对象特征、样本资源的资源特征、推荐兴趣特征及搜索兴趣特征进行拼接，得到样本拼接特征。
在步骤S607中、调用待训练的推荐预测模型，对样本拼接特征进行降维处理，得到样本资源的预测推荐概率，预测推荐概率指示在将样本资源推荐给样本对象的情况下，样本对象对样本资源执行互动操作的可能性。
该步骤S606-S607与上述步骤S306-S307同理，在此不再赘述。
需要说明的是，本公开实施例是以样本对象的对象特征、样本资源的资源特征、推荐兴趣特征及搜索兴趣特征拼接为例，利用样本拼接特征获取预测推荐概率，而在另一实施例中，无需执行上述步骤S606-S607,而是采取其他方式，对样本对象的对象特征、样本资源的资源特征、推荐兴趣特征及搜索兴趣特征进行处理，得到样本资源的预测推荐概率。
在步骤S608中、基于样本推荐概率及预测推荐概率，对待训练推荐预测模型进行训练，得到目标推荐预测模型。
在一些实施例中，该步骤S608包括：基于样本推荐概率及预测推荐概率，确定第一损失值，基于第一损失值，对推荐预测模型进行训练。
在本公开实施例中，采用交叉熵损失方式，确定出第一损失值，并基于第一损失值对推荐预测模型进行训练，以提升推荐预测模型的准确性。
在一些实施例中，该步骤S607包括以下三种方式。
第一种方式：确定历史推荐特征与第一类特征的第一相似度，以及历史推荐特征与第二类特征的第二相似度；基于样本推荐概率、预测推荐概率、第一相似度及第二相似度，对待训练的推荐预测模型进行训练，以使第一相似度增大且第二相似度减小，得到目标推荐预测模型。
在本公开实施例中，样本对象的推荐兴趣特征是基于样本资源的资源特征、样本历史推荐信息的历史推荐特征、历史推荐特征包含的第一类特征及第二类特征进行融合得到，第一类特征与样本历史搜索信息的历史搜索特征的相似度不小于第一相似度阈值，第二类特征与历史搜索特征的相似度小于第一相似度阈值。
其中，第一相似度用于表示历史推荐特征与第一类特征的相似程度，第二相似度用于表示历史推荐特征与第二类特征的相似程度。第一相似度和第二相似度均能够以任意的方式获取，例如，采用欧式距离的方式来获取第一相似度和第二相似度。
在本公开实施例中，历史推荐特征、第一类特征及第二类特征均是基于推荐预测模型得到，第一类特征和第二类特征是从历史推荐特征中的子特征进行分类得到，第一类特征与历史搜索特征的相似度不小于第一相似度阈值，第二类特征与历史搜索特征的相似度小于第一相似度阈值，基于第一相似度和第二相似度，对推荐预测模型进行训练，以使第一相似度增大且第二相似度减小，也即是，以使基于推荐预测模型获取到的历史推荐特征与第一类特征更相似，且历史推荐特征与第二类特征更不相似，使得基于推荐预测模型获取到的历史推荐特征更能反映出样本对象的兴趣，进而提升推荐预测模型的准确性。
在一些实施例中，第一种方式包括：基于样本概率及预测推荐概率，确定第一损失值，基于第一相似度及第二相似度，确定第二损失值，基于第一损失值及第二损失值，对待训练的推荐预测模型进行训练。
在本公开实施例中，采用triplet(三元组)损失函数，将历史推荐特征作为锚点(anchor)，将第一类特征作为正例(positives)，将第二类特征作为负例(negatives)，对推荐预测模型进行训练。
在本公开实施例中，采用交叉熵损失方式和对比学习的训练方式，通过构造第一类特征及第二类特征作为历史推荐特征的相似实例和不相似实例，利用相似实例和不相似实例对推荐预测模型进行训练，使得推荐预测模型能够拉近历史推荐特征与相似实例在特征空间中的距离，推远历史推荐特征与不相似实例在特征空间中距离，实现了一种自监督训练方式，提升了推荐预测模型的准确性。
第二种方式：确定历史搜索特征与第三类特征的第三相似度、历史搜索特征与第四类特征的第四相似度；基于样本推荐概率、预测推荐概率、第三相似度及第四相似度，对待训练的推荐预测模型进行训练，以使第三相似度增大且第四相似度减小，得到目标推荐预测模型。
在本公开实施例中，样本对象的搜索兴趣特征是基于资源特征、样本历史搜索信息的历史搜索特征、历史搜索特征包含的第三类特征及第四类特征进行融合得到，第三类特征与样本历史推荐信息的历史推荐特征的相似度不小于第二相似度阈值，第四类特征与历史推荐特征的相似度小于第二相似度阈值。
在本公开实施例中，样本对象的搜索兴趣特征是基于样本资源的资源特征、样本历史搜索信息的历史搜索特征、历史搜索特征包含的第三类特征及第四类特征进行融合得到，第三类特征与样本历史推荐信息的历史推荐特征的相似度不小于第二相似度阈值，第四类特征与历史推荐特征的相似度小于第二相似度阈值。
其中，第三相似度用于表示历史推荐特征与第一类特征的相似程度，第四相似度用于表示历史推荐特征与第二类特征的相似程度。第三相似度和第四相似度均能够以任意的方式获取，例如，采用欧式距离的方式来获取第三相似度和第四相似度。
在本公开实施例中，历史搜索特征、第三类特征及第四类特征均是基于推荐预测模型得到，第三类特征和第四类特征是从历史推荐特征中的子特征进行分类得到，第三类特征与历史推荐特征的相似度不小于第二相似度阈值，第四类特征与历史推荐特征的相似度小于第二相似度阈值，基于第三相似度和第四相似度，对待训练的推荐预测模型进行训练，以使第三相似度增大且第四相似度减小，也即是，以使基于推荐预测模型获取到的历史搜索特征与第三类特征更相似，且历史搜索特征与第四类特征更不相似，使得基于推荐预测模型获取到的历史搜索特征更能反映出样本对象的兴趣，进而提升推荐预测模型的准确性。
在一些实施例中，第二种方式包括：基于样本概率及预测推荐概率，确定第一损失值，基于第三相似度和第四相似度，确定第三损失值，基于第一损失值及第三损失值，对待训练的推荐预测模型进行训练。
在本公开实施例中，采用交叉熵损失方式和对比学习的训练方式，通过构造第三类特征及第四类特征作为历史搜索特征的相似实例和不相似实例，利用相似实例和不相似实例对推荐预测模型进行训练，以拉近历史搜索特征与相似实例在特征空间中的距离，推远历史搜索特征与不相似实例在特征空间中距离，实现了一种自监督训练方式，提升了推荐预测模型的准确性。
第三种方式，历史搜索特征由样本历史搜索信息中每个历史搜索文本对应的融合特征构成，历史搜索文本对应的融合特征由历史搜索文本的文本特征及对应的历史搜索资源的特征融合得到：确定历史搜索文本的文本特征与对应的历史搜索资源的特征的第五相似度；基于样本推荐概率、预测推荐概率、第三相似度、第四相似度及第五相似度，对待训练的推荐预测模型进行训练，以使第三相似度增大、第四相似度减小且第五相似度增大，得到目标推荐预测模型。
在本公开实施例中，历史搜索文本对应的历史搜索资源是基于该历史搜索文本搜索到的，则反映出历史搜索文本与对应的历史搜索资源相似。而第五相似度为历史搜索文本的文本特征与对应的历史搜索资源的特征，且文本特征及历史搜索资源的特征均是基于推荐预测模型得到，则第五相似度能够反映出基于推荐预测模型得到的文本特征及历史搜索资源的特征的准确性，进而反映出推荐预测模型的准确性，则基于第五相似度，对推荐预测模型进行训练，以使第五相似度增大，以提升推荐预测模型的准确性。
在一些实施例中，第三种方式包括：基于样本概率及预测推荐概率，确定第一损失值，基于第三相似度和第四相似度，确定第三损失值，基于第五相似度确定第四损失值，基于第一损失值、第三损失值及第四损失值，对推荐预测模型进行训练。
在本公开实施例中，考虑到同一历史搜索文本与对应的历史搜索资源之间的相似性，利用历史搜索文本的文本特征与对应的历史搜索资源的特征的第五相似度，对推荐预测模型进行训练，以使基于推荐预测模型得到的历史搜索文本的文本特征与对应的历史搜索资源的特征之间相似，进而提升推荐预测模型的准确性。
在一些实施例中，第三种方式包括：从样本历史搜索信息中，确定历史搜索文本的负样本资源、历史搜索文本对应的历史搜索资源的负样本文本，负样本资源为样本历史搜索信息中除历史搜索文本对应的历史搜索资源之外的任一历史搜索资源，负样本文本为样本历史搜索信息中除历史搜索文本之外的任一历史搜索文本；确定历史搜索文本与负样本资源的第六相似度，以及历史搜索文本对应的历史搜索资源与负样本文本的第七相似度；基于样本推荐概率、预测推荐概率、第三相似度、第四相似度、第六相似度及第七相似度，对待训练的推荐预测模型进行训练，以使第三相似度增大、第四相似度减小、第六相似度及第七相似度减小，得到目标推荐预测模型。
在本公开实施例中，样本历史搜索信息能够反映出历史搜索文本与历史搜索资源之间的对应关系，具有对应关系的历史搜索文本及历史搜索资源相似，而不具有对应关系的历史搜索文本与历史搜索资源不相似。将具有对应关系的历史搜索文本作为历史搜索资源的正样本文本，将样本历史搜索信息中与历史搜索资源不具有对应关系的历史搜索文本作为历史搜索资源的负样本，同理，确定历史搜索文本的正样本资源和负样本资源。
其中，第六相似度为基于推荐预测模型得到的历史搜索文本的文本特征与负样本资源的特征之间的相似度，第七相似度为基于推荐预测模型得到的历史搜索资源的资源特征与负样本文本的特征之间的相似度。第六相似度和第七相似度均能够反映出推荐预测模型提取到的特征的准确性，进而反映出推荐预测模型的准确性。
在本公开实施例中，通过将历史搜索文本及对应的历史搜索资源分别作为对应的正样本，并为历史搜索文本及对应的历史搜索资源确定负样本，利用正样本对应的相似度及负样本对应的相似度对推荐预测模型进行训练，以拉近历史搜索文本与正样本资源、历史搜索资源与正样本文本在特征空间中的距离，推远历史搜索文本与负样本资源、历史搜索资源与负样本文本在特征空间中距离，实现了一种自监督训练方式，提升了推荐预测模型的准确性。
在一些实施例中，对推荐预测模型进行训练的过程，包括：基于样本概率及预测推荐概率，确定第一损失值，基于第三相似度和第四相似度，确定第三损失值，基于第五相似度、第六相似度及第七相似度确定第四损失值，基于第一损失值、第三损失值及第四损失值，对待训练的推荐预测模型进行训练。
在本公开实施例中，能够采用对比学习损失(InfoNCE loss)，对历史搜索文本和历史搜搜资源的特征进行对齐，基于第五相似度、第六相似度及第七相似度确定第四损失值，以便利用正样本对应的相似度及负样本对应的相似度对推荐预测模型进行训练，以拉近历史搜索文本与正样本资源、历史搜索资源与正样本文本在特征空间中的距离，推远历史搜索文本与负样本资源、历史搜索资源与负样本文本在特征空间中距离。
在本公开实施例中，考虑到同一历史搜索文本与对应的历史搜索资源之间的相似性，利用历史搜索文本的文本特征与对应的历史搜索资源的特征的第五相似度，对推荐预测模型进行训练，以使基于推荐预测模型得到的历史搜索文本的文本特征与对应的历史搜索资源的特征之间相似，进而提升推荐预测模型的准确性。
需要说明的是，上述仅是以三种方式任一种为例进行说明，而在另一实施例中，上述三种方式能够任意结合，例如，将上述三种方式结合，利用上述三种方式对推荐预测模型进行训练。
本公开实施例提供的方案中，考虑到历史推荐信息和历史搜索信息能够分别表示出对象在推荐场景和搜索场景下对哪些资源感兴趣，以历史搜索信息作为推荐场景下的辅助信息，结合历史推荐信息和历史搜索信息，能够模拟出在推荐场景和搜索场景下对象对待推荐的资源的感兴趣程度，结合样本对象、样本资源、样本资源的样本推荐概率、样本对象的样本历史推荐信息及样本历史搜索信息，对推荐预测模型进行训练，以提升推荐预测模型的准确性，以便能够利用训练后推荐预测模型来获取在将任一资源推荐给任一对象的情况下，对象对资源执行互动操作的推荐概率，进而保证资源推荐效果。
并且，在本公开实施例中，资源的资源特征用于表征资源，历史推荐特征能够反映出在推荐场景下对象感兴趣的历史推荐资源，而第一类特征符合对象在推荐场景和搜索场景下的兴趣，而第二类特征仅符合对象在推荐场景下的兴趣，通过对资源的资源特征、历史推荐特征、第一类特征及第二类特征进行融合，不仅考虑到在推荐场景下待推荐的资源与推荐场景下对象感兴趣的历史推荐资源之间的相似性，还考虑到在搜索场景的影响下对象对哪些历史推荐资源更感兴趣，进而能够模拟出在推荐场景下对象对待推荐的资源的感兴趣程度，进而保证确定出的推荐兴趣特征的准确性。
在本公开实施例中，资源的资源特征用于表征资源，历史搜索特征能够反映出在搜索场景下对象感兴趣的历史搜索资源，而第三类特征符合对象在推荐场景和搜索场景下的兴趣，而第四类特征仅符合对象在搜索场景下的兴趣，通过对资源的资源特征、历史搜索特征、第三类特征及第四类特征进行融合，不仅考虑到在搜索场景下待推荐的资源与搜索场景下对象感兴趣的历史推荐资源之间的相似性，还考虑到在推荐场景的影响下对象对哪些历史搜索资源更感兴趣，进而能够模拟出在搜索场景下对象对待推荐的资源的感兴趣程度，进而保证确定出的搜索兴趣特征的准确性。
需要说明的是，上述图5或图6仅是对待训练的推荐预测模型进行一次迭代训练为例进行说明，而在另一实施例中，还能够按照上述图6所示的实施例，对待训练的推荐预测模型进行多次迭代训练，在迭代次数达到第一阈值或者当前迭代轮次中样本推荐概率及预测推荐概率之间的差值小于第二阈值的情况下，停止训练推荐预测模型，将此时的推荐预测模型确定为目标推荐预测模型。
基于上述图5至图6所示的实施例，本公开还提供了一种推荐预测模型训练方法的流程图，如图7所示，该方法包括：
步骤1、获取样本对象、样本资源、样本资源的样本推荐概率、样本对象的样本历史推荐信息及样本历史搜索信息。
步骤2、调用待训练的推荐预测模型，对样本历史推荐信息中的历史推荐资源进行特征提取，得到推荐资源特征矩阵，该推荐特征矩阵包括每个历史推荐资源的资源特征；对样本历史搜索信息中的历史搜索文本进行特征提取，得到文本特征矩阵，文本特征矩阵包括每个历史搜索文本的文本特征；对样本历史搜索信息中的历史搜索资源进行特征提取，得到搜索资源特征矩阵，该搜索特征矩阵包括每个历史搜索资源的资源特征。
步骤3、调用待训练的推荐预测模型，采用偏差编码，将推荐资源特征矩阵中每个资源特征与对应的第一位置特征进行融合，得到更新后的推荐资源特征矩阵。
步骤4、调用待训练的推荐预测模型，基于每个历史搜索文本对应的历史搜索资源，确定文本特征矩阵中每个文本特征在搜索资源特征矩阵中对应的资源特征，采用偏差编码，将文本特征矩阵中每个文本特征与对应的资源特征、资源特征对应的第二位置特征和搜索类型特征进行融合，得到更新后的文本特征矩阵。
步骤5、调用待训练的推荐预测模型中的第一注意力子模型，基于更新后的推荐资源特征矩阵中多个子特征，对每个子特征进行更新，得到推荐特征矩阵；调用推荐预测模型中的第二注意力子模型，基于更新后的文本特征矩阵中多个子特征，对每个子特征进行更新，得到搜索特征矩阵。
其中，推荐特征矩阵即为上述实施例中的历史推荐特征，搜索特征矩阵即为上述实施例中的历史搜索特征。第一注意力子模型和第二注意力子模型均为任意的网络模型，例如，第一注意力子模型和第二注意力子模型均为Transformer(一种网络模型)、RNN(Recurrent Neural Network，循环神经网络)模型、GRU unit(序列推荐模型)等，但第一注意力子模型和第二注意力子模型中的模型参数不同。
步骤6、调用待训练的推荐预测模型中的共同注意力子模型，对推荐特征矩阵及搜索特征矩阵进行对比，得到第一相似度信息及第二相似度信息；基于第一相似度信息，对推荐特征矩阵进行分割，得到推荐特征矩阵包含的第一类特征及第二类特征；基于第二相似度信息，对搜索特征矩阵进行分割，得到搜索特征矩阵包含的第三类特征及第四类特征。
其中，共同注意力子模型为任意的网络模型，例如，共同注意力子模型为Co-Attention。
步骤7、调用待训练的推荐预测模型中的多头注意力子模型，采取多头注意力机制，将历史推荐特征、第一类特征及第二类特征分别与资源的资源特征进行融合，得到资源的资源特征分别与历史推荐特征、第一类特征及第二类特征之间的相似度，确定历史推荐特征与对应的相似度的乘积、第一类特征与对应的相似度的乘积及第二类特征与对应的相似度的乘积，将历史推荐特征与对应的相似度的乘积、第一类特征与对应的相似度的乘积及第二类特征与对应的相似度的乘积进行拼接，得到推荐兴趣特征矩阵。
其中，多头注意力子模型为任意的网络模型，例如，多头注意力子模型为Multi-interest Extraction(多头兴趣提取模型)。
步骤8、调用推荐预测模型中的多头注意力子模型，采取多头注意力机制，将历史搜索特征、第三类特征及第四类特征分别与资源的资源特征进行融合，得到资源的资源特征分别与历史搜索特征、第三类特征及第四类特征之间的相似度，确定历史搜索特征与对应的相似度的乘积、第三类特征与对应的相似度的乘积及第四类特征与对应的相似度的乘积，将历史搜索特征与对应的相似度的乘积、第三类特征与对应的相似度的乘积及第四类特征与对应的相似度的乘积进行拼接，得到搜索兴趣特征矩阵。
步骤9、调用待训练的推荐预测模型，对样本对象的对象特征、样本资源的资源特征、推荐兴趣特征矩阵及搜索兴趣特征矩阵进行拼接，得到样本拼接特征；调用推荐预测模型中的特征转换子模型，对样本拼接特征进行降维处理，得到样本资源的预测推荐概率。
其中，特征转换子模型为任意的网络模型，例如，特征转换子模型为多层感知机(MLP，Multilayer Perceptron)
步骤10、从样本历史搜索信息中，确定历史搜索文本的负样本资源、历史搜索文本对应的历史搜索资源的负样本文本；调用待训练的推荐预测模型，获取负样本资源的特征及负样本文本的特征；确定历史搜索文本的文本特征与对应的历史搜索资源的特征的第五相似度；确定历史搜索文本与负样本资源的第六相似度，以及历史搜索文本对应的历史搜索资源与负样本文本的第七相似度，基于第五相似度、第六相似度及第七相似度，确定第四损失值；确定历史推荐特征与第一类特征的第一相似度、历史推荐特征与第二类特征的第二相似度，基于第一相似度及第二相似度，确定第二损失值；确定历史搜索特征与第三类特征的第三相似度、历史搜索特征与第三类特征的第四相似度，基于第三相似度和第四相似度，确定第三损失值；基于样本概率及预测推荐概率，确定第一损失值；基于第一损失值、第二损失值、第三损失值及第四损失值，对待训练的推荐预测模型进行训练，得到目标推荐预测模型。
基于上述实施例提供的推荐预测模型训练方法，在对推荐预测模型进行训练后，得到的目标推荐预测模型的性能得到提升。例如，对于性能指标NDCG(NormalizedDiscounted Cumulative Gain，归一化折损累计增益)，在考虑测试资源中的前5个资源的情况下，NDCG@5提升了4.97％，在考虑测试资源中的前10个资源的情况下，NDCG@10提升了7.05％；对于性能指标HIT(命中率)，在考虑测试资源中的前1个资源的情况下，HIT@1提升了6.20％；在考虑测试资源中的前5个资源的情况下，HIT@5提升了4.23％；在考虑测试资源中的前10个资源的情况下，HIT@10提升了7.48％，MRR(Mean Reciprocal Rank，平均倒数排名)提升了6.49％。
需要说明的是，上述所有的技术方案，均能够采用任意结合形成本公开的可选实施例，在此不再一一赘述。
图8是根据一示例性实施例示出的一种资源推荐装置框图，如图8所示，该装置包括：
获取单元801，被配置为执行获取对象的历史推荐信息及历史搜索信息，历史推荐信息指示对象执行过互动操作的历史推荐资源，历史搜索信息指示对象输入的历史搜索文本以及基于历史搜索文本搜索到、且对象执行过互动操作的历史搜索资源；
获取单元801，还被配置为执行基于待推荐的资源、历史推荐信息及历史搜索信息，获取对象的推荐兴趣特征及搜索兴趣特征，推荐兴趣特征指示在推荐场景下对象对资源的感兴趣程度，搜索兴趣特征指示在搜索场景下对象对资源的感兴趣程度；
处理单元802，被配置为执行对对象的对象特征、资源的资源特征、推荐兴趣特征及搜索兴趣特征进行降维处理，得到资源的推荐概率，推荐概率指示在将资源推荐给对象的情况下，对象对资源执行互动操作的可能性；
推荐单元803，被配置为执行基于待推荐的多个资源的推荐概率，向对象推荐多个资源中的目标资源。
在一些实施例中，获取单元801，被配置为执行分别对历史推荐信息及历史搜索信息进行特征提取，得到历史推荐特征及历史搜索特征，历史推荐特征包括用于表征历史推荐资源的子特征，历史搜索特征包括用于表征历史搜索文本及历史搜索文本对应的历史搜索资源的子特征；分别对历史推荐特征中的子特征及历史搜索特征中的子特征进行分类，得到历史推荐特征包含的第一类特征及第二类特征以及历史搜索特征包含的第三类特征及第四类特征，第一类特征与历史搜索特征的相似度不小于第一相似度阈值，第二类特征与历史搜索特征的相似度小于第一相似度阈值，第三类特征与历史推荐特征的相似度不小于第二相似度阈值，第四类特征与历史推荐特征的相似度小于第二相似度阈值；基于资源的资源特征分别与历史推荐特征、第一类特征及第二类特征之间的相似度，对历史推荐特征、第一类特征及第二类特征进行融合，得到推荐兴趣特征；基于资源的资源特征分别与历史搜索特征、第三类特征及第四类特征之间的相似度，对历史搜索特征、第三类特征及第四类特征进行融合，得到搜索兴趣特征。
在一些实施例中，获取单元801，被配置为执行对历史推荐信息中的每个历史推荐资源进行特征提取，得到每个历史推荐资源的资源特征，将每个历史推荐资源的资源特征构成历史推荐特征；分别对历史搜索信息中的历史搜索文本及历史搜索资源进行特征提取，得到每个历史搜索文本的文本特征及每个历史搜索资源的资源特征；对每个历史搜索文本的文本特征及对应的历史搜索资源的资源特征进行融合，得到每个历史搜索文本对应的第一融合特征，将每个历史搜索文本对应的第一融合特征构成历史搜索特征。
在一些实施例中，获取单元801，被配置为执行获取每个历史推荐资源的第一位置特征，第一位置特征指示历史推荐资源与历史推荐信息中其他历史推荐资源之间的相对时间顺序；对每个历史推荐资源的资源特征与第一位置特征进行融合，得到每个历史推荐资源对应的融合特征；基于多个历史推荐资源对应的融合特征，分别对每个历史推荐资源对应的融合特征进行更新，将多个历史推荐资源更新后的特征，构成历史推荐特征。
在一些实施例中，获取单元801，被配置为执行获取每个历史搜索文本的第二位置特征及搜索类型特征，第二位置特征指示历史搜索文本与历史搜索信息中其他历史搜索文本之间的相对时间顺序，搜索类型特征指示基于历史搜索文本进行搜索时采用的搜索类型；对每个历史搜索文本对应的第一融合特征、第二位置特征及搜索类型特征进行融合，得到每个历史搜索文本对应的第二融合特征；基于多个历史搜索文本对应的第二融合特征，分别对每个历史搜索文本对应的第二融合特征进行更新，将多个历史搜索文本更新后的特征构成历史搜索特征。
在一些实施例中，获取单元801，被配置为执行对历史推荐特征及历史搜索特征进行对比，得到第一相似度信息及第二相似度信息，第一相似度信息指示历史推荐特征中每个子特征与历史搜索特征之间的相似度，第二相似度信息指示历史搜索特征中每个子特征与历史推荐特征之间的相似度；基于第一相似度信息，对历史推荐特征中的子特征进行分类，得到第一类特征及第二类特征；基于第二相似度信息，对历史搜索特征中的子特征进行分类，得到第三类特征及第四类特征。
在一些实施例中，处理单元802，被配置为执行对对象的对象特征、资源的资源特征、推荐兴趣特征及搜索兴趣特征进行拼接，得到拼接特征；对拼接特征进行降维处理，得到推荐概率。
需要说明的是，上述实施例提供的装置，仅以上述各功能单元的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元完成，即将电子设备的内部结构划分成不同的功能单元，以完成以上描述的全部或者部分功能。另外，上述实施例提供的推荐预测模型训练装置与推荐预测模型训练方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
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9是根据一示例性实施例示出的一种推荐预测模型训练装置框图，如图9所示，该装置包括：
获取单元901，被配置为执行获取样本对象、样本资源、样本资源的样本推荐概率、样本对象的样本历史推荐信息及样本历史搜索信息，样本历史推荐信息指示样本对象执行过互动操作的历史推荐资源，样本历史搜索信息指示样本对象输入的历史搜索文本以及基于历史搜索文本搜索到、且样本对象执行过互动操作的历史搜索资源；
获取单元901，还被配置为执行调用待训练的推荐预测模型，基于样本资源、样本历史推荐信息及样本历史搜索信息，获取样本对象的推荐兴趣特征及搜索兴趣特征，推荐兴趣特征指示在推荐场景下样本对象对样本资源的感兴趣程度，搜索兴趣特征指示在搜索场景下样本对象对样本资源的感兴趣程度；
处理单元902，被配置为执行调用待训练的推荐预测模型，对样本对象的对象特征、样本资源的资源特征、推荐兴趣特征及搜索兴趣特征进行降维处理，得到样本资源的预测推荐概率，预测推荐概率指示在将样本资源推荐给样本对象的情况下，样本对象对样本资源执行互动操作的可能性；
训练单元903，被配置为执行基于样本推荐概率及预测推荐概率，对待训练的推荐预测模型进行训练，得到目标推荐预测模型。
在一些实施例中，样本对象的推荐兴趣特征是基于资源特征、样本历史推荐信息的历史推荐特征、历史推荐特征包含的第一类特征及第二类特征进行融合得到，第一类特征与样本历史搜索信息的历史搜索特征的相似度不小于第一相似度阈值，第二类特征与历史搜索特征的相似度小于第一相似度阈值，第一类特征及第二类特征是对历史推荐特征中的子特征进行分类得到，历史推荐特征中的子特征用于表征历史推荐资源；如图10所示，装置还包括：
确定单元904，被配置为执行确定历史推荐特征与第一类特征的第一相似度，以及历史推荐特征与第二类特征的第二相似度；
训练单元903，被配置为执行基于样本推荐概率、预测推荐概率、第一相似度及第二相似度，对待训练的推荐预测模型进行训练，以使第一相似度增大且第二相似度减小，得到目标推荐预测模型。
在一些实施例中，样本对象的搜索兴趣特征是基于资源特征、样本历史搜索信息的历史搜索特征、历史搜索特征包含的第三类特征及第四类特征进行融合得到，第三类特征与样本历史推荐信息的历史推荐特征的相似度不小于第二相似度阈值，第四类特征与历史推荐特征的相似度小于第二相似度阈值，第三类特征及第四类特征是对历史搜索特征中的子特征进行分类得到，历史搜索特征中的子特征用于表征历史搜索文本及历史搜索文本对应的历史搜索资源；如图10所示，装置还包括：
确定单元904，被配置为执行确定历史搜索特征与第三类特征的第三相似度、历史搜索特征与第四类特征的第四相似度；
训练单元903，被配置为执行基于样本推荐概率、预测推荐概率、第三相似度及第四相似度，对待训练的推荐预测模型进行训练，以使第三相似度增大且第四相似度减小，得到目标推荐预测模型。
在一些实施例中，历史搜索特征由样本历史搜索信息中每个历史搜索文本对应的融合特征构成，历史搜索文本对应的融合特征由历史搜索文本的文本特征及对应的历史搜索资源的特征融合得到；如图10所示，装置还包括：
确定单元904，被配置为执行确定历史搜索文本的文本特征与对应的历史搜索资源的特征的第五相似度；
训练单元903，被配置为执行基于样本推荐概率、预测推荐概率、第三相似度、第四相似度及第五相似度，对待训练的推荐预测模型进行训练，以使第三相似度增大、第四相似度减小且第五相似度增大，得到目标推荐预测模型。
在一些实施例中，如图10所示，装置还包括：
确定单元904，被配置为执行从样本历史搜索信息中，确定历史搜索文本的负样本资源、历史搜索文本对应的历史搜索资源的负样本文本，负样本资源为样本历史搜索信息中除历史搜索文本对应的历史搜索资源之外的任一历史搜索资源，负样本文本为样本历史搜索信息中除历史搜索文本之外的任一历史搜索文本；
确定单元904，还被配置为执行确定历史搜索文本与负样本资源的第六相似度，以及所历史搜索文本对应的历史搜索资源与负样本文本的第七相似度；
训练单元903，被配置为执行基于样本推荐概率、预测推荐概率、第三相似度、第四相似度、第六相似度及第七相似度，对待训练的推荐预测模型进行训练，以使第三相似度增大、第四相似度减小、第六相似度及第七相似度减小，得到目标推荐预测模型。
需要说明的是，上述实施例提供的装置，仅以上述各功能单元的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元完成，即将电子设备的内部结构划分成不同的功能单元，以完成以上描述的全部或者部分功能。另外，上述实施例提供的推荐预测模型训练装置与推荐预测模型训练方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
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。
电子设备被提供为终端时，图11是根据一示例性实施例示出的一种终端1100的框图。该终端图11示出了本公开一个示例性实施例提供的终端1100的结构框图。通常，终端1100包括有：处理器1101和存储器1102。
处理器1101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1101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1101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1101可以在集成有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1101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1102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1102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1102中的非暂态的计算机可读存储介质用于存储至少一个程序代码，该至少一个程序代码用于被处理器1101所执行以实现本公开中方法实施例提供的资源推荐方法或推荐预测模型训练方法。
在一些实施例中，终端1100还可选包括有：***设备接口1103和至少一个***设备。处理器1101、存储器1102和***设备接口1103之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口1103相连。具体地，***设备包括：射频电路1104、显示屏1105、摄像头组件1106、音频电路1107和电源1108中的至少一种。
***设备接口1103可被用于将I/O(Input/Output，输入/输出)相关的至少一个***设备连接到处理器1101和存储器1102。在一些实施例中，处理器1101、存储器1102和***设备接口1103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1101、存储器1102和***设备接口1103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1104用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路1104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1104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1104包括：天线***、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1104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：城域网、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1104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1105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1105是触摸显示屏时，显示屏1105还具有采集在显示屏1105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1101进行处理。此时，显示屏1105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1105可以为一个，设置终端1100的前面板；在另一些实施例中，显示屏1105可以为至少两个，分别设置在终端1100的不同表面或呈折叠设计；在再一些实施例中，显示屏1105可以是柔性显示屏，设置在终端1100的弯曲表面上或折叠面上。甚至，显示屏1105还可以设置成非矩形的不规则图形，也即异形屏。显示屏1105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1106用于采集图像或视频。可选地，摄像头组件1106包括前置摄像头和后置摄像头。通常，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1106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1107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1101进行处理，或者输入至射频电路1104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1100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1101或射频电路1104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1107还可以包括耳机插孔。
电源1108用于为终端1100中的各个组件进行供电。电源1108可以是交流电、直流电、一次性电池或可充电电池。当电源1108包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解，图11中示出的结构并不构成对终端1100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。
电子设备被提供为服务器时，图12是根据一示例性实施例示出的一种服务器1200的框图，该服务器1200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)1201和一个或一个以上的存储器1202，其中，该存储器1202中存储有至少一条程序代码，该至少一条程序代码由该处理器1201加载并执行以实现上述各个方法实施例提供的资源推荐方法或推荐预测模型训练方法。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1200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上述实施例中的资源推荐方法或推荐预测模型训练方法。
在示例性实施例中，还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述实施例中的资源推荐方法或推荐预测模型训练方法。
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 (16)

1.一种资源推荐方法，其特征在于，所述方法包括：
获取对象的历史推荐信息及历史搜索信息，所述历史推荐信息指示所述对象执行过互动操作的历史推荐资源，所述历史搜索信息指示所述对象输入的历史搜索文本以及基于所述历史搜索文本搜索到、且所述对象执行过互动操作的历史搜索资源；
基于待推荐的资源、所述历史推荐信息及所述历史搜索信息，获取所述对象的推荐兴趣特征及搜索兴趣特征，所述推荐兴趣特征指示在推荐场景下所述对象对所述资源的感兴趣程度，所述搜索兴趣特征指示在搜索场景下所述对象对所述资源的感兴趣程度；
对所述对象的对象特征、所述资源的资源特征、所述推荐兴趣特征及所述搜索兴趣特征进行降维处理，得到所述资源的推荐概率，所述推荐概率指示在将所述资源推荐给所述对象的情况下，所述对象对所述资源执行互动操作的可能性；
基于待推荐的多个所述资源的推荐概率，向所述对象推荐多个所述资源中的目标资源。
2.根据权利要求1所述的方法，其特征在于，所述基于待推荐的资源、所述历史推荐信息及所述历史搜索信息，获取所述对象的推荐兴趣特征及搜索兴趣特征，包括：
分别对所述历史推荐信息及所述历史搜索信息进行特征提取，得到历史推荐特征及历史搜索特征，所述历史推荐特征包括用于表征所述历史推荐资源的子特征，所述历史搜索特征包括用于表征所述历史搜索文本及所述历史搜索文本对应的历史搜索资源的子特征；
分别对所述历史推荐特征中的子特征及所述历史搜索特征中的子特征进行分类，得到所述历史推荐特征包含的第一类特征及第二类特征以及所述历史搜索特征包含的第三类特征及第四类特征，所述第一类特征与所述历史搜索特征的相似度不小于第一相似度阈值，所述第二类特征与所述历史搜索特征的相似度小于所述第一相似度阈值，所述第三类特征与所述历史推荐特征的相似度不小于第二相似度阈值，所述第四类特征与所述历史推荐特征的相似度小于所述第二相似度阈值；
基于所述资源的资源特征分别与所述历史推荐特征、所述第一类特征及所述第二类特征之间的相似度，对所述历史推荐特征、所述第一类特征及所述第二类特征进行融合，得到所述推荐兴趣特征；
基于所述资源的资源特征分别与所述历史搜索特征、所述第三类特征及所述第四类特征之间的相似度，对所述历史搜索特征、所述第三类特征及所述第四类特征进行融合，得到所述搜索兴趣特征。
3.根据权利要求2所述的方法，其特征在于，所述分别对所述历史推荐信息及所述历史搜索信息进行特征提取，得到历史推荐特征及历史搜索特征，包括：
对所述历史推荐信息中的每个历史推荐资源进行特征提取，得到所述每个历史推荐资源的资源特征，将所述每个历史推荐资源的资源特征构成所述历史推荐特征；
分别对所述历史搜索信息中的历史搜索文本及历史搜索资源进行特征提取，得到每个历史搜索文本的文本特征及每个历史搜索资源的资源特征；
对所述每个历史搜索文本的文本特征及对应的历史搜索资源的资源特征进行融合，得到所述每个历史搜索文本对应的第一融合特征，将所述每个历史搜索文本对应的第一融合特征构成所述历史搜索特征。
4.根据权利要求3所述的方法，其特征在于，所述将所述每个历史推荐资源的资源特征构成所述历史推荐特征，包括：
获取所述每个历史推荐资源的第一位置特征，所述第一位置特征指示所述历史推荐资源与所述历史推荐信息中其他历史推荐资源之间的相对时间顺序；
对所述每个历史推荐资源的资源特征与所述第一位置特征进行融合，得到所述每个历史推荐资源对应的融合特征；
基于多个历史推荐资源对应的融合特征，分别对所述每个历史推荐资源对应的融合特征进行更新，将所述多个历史推荐资源更新后的特征，构成所述历史推荐特征。
5.根据权利要求3所述的方法，其特征在于，所述将所述每个历史搜索文本对应的第一融合特征构成所述历史搜索特征，包括：
获取所述每个历史搜索文本的第二位置特征及搜索类型特征，所述第二位置特征指示所述历史搜索文本与所述历史搜索信息中其他历史搜索文本之间的相对时间顺序，所述搜索类型特征指示基于所述历史搜索文本进行搜索时采用的搜索类型；
对所述每个历史搜索文本对应的第一融合特征、所述第二位置特征及所述搜索类型特征进行融合，得到所述每个历史搜索文本对应的第二融合特征；
基于多个历史搜索文本对应的第二融合特征，分别对所述每个历史搜索文本对应的第二融合特征进行更新，将所述多个历史搜索文本更新后的特征构成所述历史搜索特征。
6.根据权利要求2所述的方法，其特征在于，所述分别对所述历史推荐特征中的子特征及所述历史搜索特征中的子特征进行分类，得到所述历史推荐特征包含的第一类特征及第二类特征以及所述历史搜索特征包含的第三类特征及第四类特征，包括：
对所述历史推荐特征及所述历史搜索特征进行对比，得到第一相似度信息及第二相似度信息，所述第一相似度信息指示所述历史推荐特征中每个子特征与历史搜索特征之间的相似度，所述第二相似度信息指示所述历史搜索特征中每个子特征与所述历史推荐特征之间的相似度；
基于所述第一相似度信息，对所述历史推荐特征中的子特征进行分类，得到所述第一类特征及所述第二类特征；
基于所述第二相似度信息，对所述历史搜索特征中的子特征进行分类，得到所述第三类特征及所述第四类特征。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述对所述对象的对象特征、所述资源的资源特征、所述推荐兴趣特征及所述搜索兴趣特征进行降维处理，得到所述资源的推荐概率，包括：
对所述对象的对象特征、所述资源的资源特征、所述推荐兴趣特征及所述搜索兴趣特征进行拼接，得到拼接特征；
对所述拼接特征进行降维处理，得到所述推荐概率。
8.一种推荐预测模型训练方法，其特征在于，所述方法还包括：
获取样本对象、样本资源、所述样本资源的样本推荐概率、所述样本对象的样本历史推荐信息及样本历史搜索信息，所述样本历史推荐信息指示所述样本对象执行过互动操作的历史推荐资源，所述样本历史搜索信息指示所述样本对象输入的历史搜索文本以及基于所述历史搜索文本搜索到、且所述样本对象执行过互动操作的历史搜索资源；
调用待训练的推荐预测模型，基于所述样本资源、所述样本历史推荐信息及所述样本历史搜索信息，获取所述样本对象的推荐兴趣特征及搜索兴趣特征，所述推荐兴趣特征指示在推荐场景下所述样本对象对所述样本资源的感兴趣程度，所述搜索兴趣特征指示在搜索场景下所述样本对象对所述样本资源的感兴趣程度；
调用所述待训练的推荐预测模型，对所述样本对象的对象特征、所述样本资源的资源特征、所述推荐兴趣特征及所述搜索兴趣特征进行降维处理，得到所述样本资源的预测推荐概率，所述预测推荐概率指示在将所述样本资源推荐给所述样本对象的情况下，所述样本对象对所述样本资源执行互动操作的可能性；
基于所述样本推荐概率及所述预测推荐概率，对所述待训练的推荐预测模型进行训练，得到目标推荐预测模型。
9.根据权利要求8所述的方法，其特征在于，所述样本对象的推荐兴趣特征是基于所述资源特征、所述样本历史推荐信息的历史推荐特征、所述历史推荐特征包含的第一类特征及第二类特征进行融合得到，所述第一类特征与所述样本历史搜索信息的历史搜索特征的相似度不小于第一相似度阈值，所述第二类特征与所述历史搜索特征的相似度小于第一相似度阈值，所述第一类特征及所述第二类特征是对所述历史推荐特征中的子特征进行分类得到，所述历史推荐特征中的子特征用于表征所述历史推荐资源；所述基于所述样本推荐概率及所述预测推荐概率，对所述待训练的推荐预测模型进行训练，得到目标推荐预测模型之前，所述方法还包括：
确定所述历史推荐特征与所述第一类特征的第一相似度，以及所述历史推荐特征与所述第二类特征的第二相似度；
所述基于所述样本推荐概率及所述预测推荐概率，对所述待训练的推荐预测模型进行训练，得到目标推荐预测模型，包括：
基于所述样本推荐概率、所述预测推荐概率、所述第一相似度及所述第二相似度，对所述待训练的推荐预测模型进行训练，以使所述第一相似度增大且所述第二相似度减小，得到所述目标推荐预测模型。
10.根据权利要求8所述的方法，其特征在于，所述样本对象的搜索兴趣特征是基于所述资源特征、所述样本历史搜索信息的历史搜索特征、所述历史搜索特征包含的第三类特征及第四类特征进行融合得到，所述第三类特征与所述样本历史推荐信息的历史推荐特征的相似度不小于第二相似度阈值，所述第四类特征与所述历史推荐特征的相似度小于第二相似度阈值，所述第三类特征及所述第四类特征是对所述历史搜索特征中的子特征进行分类得到，所述历史搜索特征中的子特征用于表征所述历史搜索文本及所述历史搜索文本对应的历史搜索资源；所述基于所述样本推荐概率及所述预测推荐概率，对所述待训练的推荐预测模型进行训练，得到目标推荐预测模型之前，所述方法还包括：
确定所述历史搜索特征与所述第三类特征的第三相似度、所述历史搜索特征与所述第四类特征的第四相似度；
所述基于所述样本推荐概率及所述预测推荐概率，对所述待训练的推荐预测模型进行训练，得到目标推荐预测模型，包括：
基于所述样本推荐概率、所述预测推荐概率、所述第三相似度及所述第四相似度，对所述待训练的推荐预测模型进行训练，以使所述第三相似度增大且所述第四相似度减小，得到所述目标推荐预测模型。
11.根据权利要求10所述的方法，其特征在于，所述历史搜索特征由所述样本历史搜索信息中每个历史搜索文本对应的融合特征构成，所述历史搜索文本对应的融合特征由所述历史搜索文本的文本特征及对应的历史搜索资源的特征融合得到；所述基于所述样本推荐概率、所述预测推荐概率、所述第三相似度及所述第四相似度，对所述待训练的推荐预测模型进行训练之前，所述方法还包括：
确定所述历史搜索文本的文本特征与对应的历史搜索资源的特征的第五相似度；
所述基于所述样本推荐概率、所述预测推荐概率、所述第三相似度及所述第四相似度，对所述待训练的推荐预测模型进行训练，以使所述第三相似度增大且所述第四相似度减小，得到所述目标推荐预测模型，包括：
基于所述样本推荐概率、所述预测推荐概率、所述第三相似度、所述第四相似度及所述第五相似度，对所述待训练的推荐预测模型进行训练，以使所述第三相似度增大、所述第四相似度减小且所述第五相似度增大，得到所述目标推荐预测模型。
12.根据权利要求10所述的方法，其特征在于，所述基于所述样本推荐概率、所述预测推荐概率、所述第三相似度及所述第四相似度，对所述待训练的推荐预测模型进行训练之前，所述方法还包括：
从所述样本历史搜索信息中，确定所述历史搜索文本的负样本资源、所述历史搜索文本对应的历史搜索资源的负样本文本，所述负样本资源为所述样本历史搜索信息中除所述历史搜索文本对应的历史搜索资源之外的任一历史搜索资源，所述负样本文本为所述样本历史搜索信息中除所述历史搜索文本之外的任一历史搜索文本；
确定所述历史搜索文本与所述负样本资源的第六相似度，以及所历史搜索文本对应的历史搜索资源与所述负样本文本的第七相似度；
所述基于所述样本推荐概率、所述预测推荐概率、所述第三相似度及所述第四相似度，对所述待训练的推荐预测模型进行训练，以使所述第三相似度增大且所述第四相似度减小，得到所述目标推荐预测模型，包括：
基于所述样本推荐概率、所述预测推荐概率、所述第三相似度、所述第四相似度、所述第六相似度及所述第七相似度，对所述待训练的推荐预测模型进行训练，以使所述第三相似度增大、所述第四相似度减小、所述第六相似度及所述第七相似度减小，得到所述目标推荐预测模型。
13.一种资源推荐装置，其特征在于，所述装置包括：
获取单元，被配置为执行获取对象的历史推荐信息及历史搜索信息，所述历史推荐信息指示所述对象执行过互动操作的历史推荐资源，所述历史搜索信息指示所述对象输入的历史搜索文本以及基于所述历史搜索文本搜索到、且所述对象执行过互动操作的历史搜索资源；
所述获取单元，还被配置为执行基于待推荐的资源、所述历史推荐信息及所述历史搜索信息，获取所述对象的推荐兴趣特征及搜索兴趣特征，所述推荐兴趣特征指示在推荐场景下所述对象对所述资源的感兴趣程度，所述搜索兴趣特征指示在搜索场景下所述对象对所述资源的感兴趣程度；
处理单元，被配置为执行对所述对象的对象特征、所述资源的资源特征、所述推荐兴趣特征及所述搜索兴趣特征进行降维处理，得到所述资源的推荐概率，所述推荐概率指示在将所述资源推荐给所述对象的情况下，所述对象对所述资源执行互动操作的可能性；
推荐单元，被配置为执行基于待推荐的多个所述资源的推荐概率，向所述对象推荐多个所述资源中的目标资源。
14.一种推荐预测模型训练装置，其特征在于，所述装置还包括：
获取单元，被配置为执行获取样本对象、样本资源、所述样本资源的样本推荐概率、所述样本对象的样本历史推荐信息及样本历史搜索信息，所述样本历史推荐信息指示所述样本对象执行过互动操作的历史推荐资源，所述样本历史搜索信息指示所述样本对象输入的历史搜索文本以及基于所述历史搜索文本搜索到、且所述样本对象执行过互动操作的历史搜索资源；
所述获取单元，还被配置为执行调用待训练的推荐预测模型，基于所述样本资源、所述样本历史推荐信息及所述样本历史搜索信息，获取所述样本对象的推荐兴趣特征及搜索兴趣特征，所述推荐兴趣特征指示在推荐场景下所述样本对象对所述样本资源的感兴趣程度，所述搜索兴趣特征指示在搜索场景下所述样本对象对所述样本资源的感兴趣程度；
处理单元，被配置为执行调用所述待训练的推荐预测模型，对所述样本对象的对象特征、所述样本资源的资源特征、所述推荐兴趣特征及所述搜索兴趣特征进行降维处理，得到所述样本资源的预测推荐概率，所述预测推荐概率指示在将所述样本资源推荐给所述样本对象的情况下，所述样本对象对所述样本资源执行互动操作的可能性；
训练单元，被配置为执行基于所述样本推荐概率及所述预测推荐概率，对所述待训练的推荐预测模型进行训练，得到目标推荐预测模型。
15.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
用于存储所述处理器可执行程序代码的存储器；
其中，所述处理器被配置为执行所述程序代码，以实现如权利要求1至7任一项所述的资源推荐方法；或者，以实现如权利要求8至12任一项所述的推荐预测模型训练方法。
16.一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7任一项所述的资源推荐方法；或者，以实现如权利要求8至12任一项所述的推荐预测模型训练方法。
CN202310781584.XA 2023-06-28 2023-06-28 资源推荐方法、推荐预测模型训练方法、装置及设备 Pending CN116775915A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310781584.XA CN116775915A (zh) 2023-06-28 2023-06-28 资源推荐方法、推荐预测模型训练方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310781584.XA CN116775915A (zh) 2023-06-28 2023-06-28 资源推荐方法、推荐预测模型训练方法、装置及设备

Publications (1)

Publication Number Publication Date
CN116775915A true CN116775915A (zh) 2023-09-19

Family

ID=87985735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310781584.XA Pending CN116775915A (zh) 2023-06-28 2023-06-28 资源推荐方法、推荐预测模型训练方法、装置及设备

Country Status (1)

Country Link
CN (1) CN116775915A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117725304A (zh) * 2023-09-25 2024-03-19 书行科技(北京)有限公司 信息检索方法、装置、预测模型训练方法及设备
CN118035566A (zh) * 2024-04-11 2024-05-14 中国科学技术大学 交互行为预测模型的训练方法、交互行为预测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117725304A (zh) * 2023-09-25 2024-03-19 书行科技(北京)有限公司 信息检索方法、装置、预测模型训练方法及设备
CN118035566A (zh) * 2024-04-11 2024-05-14 中国科学技术大学 交互行为预测模型的训练方法、交互行为预测方法及装置

Similar Documents

Publication Publication Date Title
CN110363346B (zh) 点击率预测方法、预测模型的训练方法、装置及设备
CN109918669B (zh) 实体确定方法、装置及存储介质
CN111897996B (zh) 话题标签推荐方法、装置、设备及存储介质
CN110263131B (zh) 回复信息生成方法、装置及存储介质
CN110209784B (zh) 消息交互方法、计算机设备及存储介质
CN111552888A (zh) 内容推荐方法、装置、设备及存储介质
CN110162604B (zh) 语句生成方法、装置、设备及存储介质
CN116775915A (zh) 资源推荐方法、推荐预测模型训练方法、装置及设备
CN110147532B (zh) 编码方法、装置、设备及存储介质
CN113515942A (zh) 文本处理方法、装置、计算机设备及存储介质
CN112163428A (zh) 语义标签的获取方法、装置、节点设备及存储介质
CN114547428A (zh) 推荐模型处理方法、装置、电子设备及存储介质
CN114117206B (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
CN114281936A (zh) 分类方法、装置、计算机设备及存储介质
CN111626035B (zh) 一种版面分析方法及电子设备
CN111368205B (zh) 数据推荐方法、装置、计算机设备及存储介质
CN114328815A (zh) 文本映射模型的处理方法、装置、计算机设备及存储介质
CN111597823A (zh) 中心词提取方法、装置、设备及存储介质
CN113569052B (zh) 知识图谱的表示学习方法及装置
US20240112480A1 (en) Method for publishing image and electronic device
CN110263171B (zh) 文档分类方法、装置及终端
CN116467601A (zh) 特征提取模型训练方法、装置、电子设备及存储介质
CN116361551A (zh) 一种内容项推荐模型的训练方法、内容项推荐方法及装置
CN118152879A (zh) 推荐模型的训练方法、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