资源推荐方法、装置、可读介质以及设备制造方法及图纸

本申请公开了一种资源推荐方法、装置、可读介质以及设备，该方法通过将目标用户当前的消费行为序列对应的向量以及目标资源的标识向量输入至多层感知器网络层中，将每一个行为资源对应的权重和消费行为序列对应的向量进行加权合并，得到并输出目标用户的喜好向量；将目标用户的喜好向量、目标资源的标识向量、以及与目标用户相关联的特征向量进行连接，得到输入向量；输入至多目标深度网络中，得到并输出每一个目标下的目标资源预测值，每一个目标下的目标资源预测值用于确定出是否向目标用户推荐目标资源。由于本申请中行为资源对应的权重说明了行为资源在预测目标用户对目标资源的喜好程度时的贡献度，因此对目标用户推荐的资源会更为准确。荐的资源会更为准确。荐的资源会更为准确。

【技术实现步骤摘要】
资源推荐方法、装置、可读介质以及设备


[0001]本申请涉及计算机
，尤其涉及一种资源推荐方法、装置、可读介质以及设备。

技术介绍

[0002]现有技术中，为了提高用户与平台间的粘滞性，许多平台会通过用户的历史行为去预测出用户所喜好的资源，然后将预测出的用户所喜好的资源推荐给用户。其中，资源可以是商品、文章、视频等等。
[0003]然而，平台在对用户的历史行为进行挖掘时，挖掘得并不充分，没有考虑到用户的历史行为与用户当前所喜好的资源之间的相关性的强弱。用户不同的历史行为与用户当前所喜好的资源之间的相关性是不同的，例如在收集用户的历史点击视频的行为时，距离当前时间越近的行为与用户当前所喜好的视频之间的相关性较强，而距离当前时间较远的行为与用户当前所喜好的视频之间的相关性较弱。由于现有的资源推荐方法中，在使用用户的历史行为去预测用户所喜好的资源时，没有考虑到用户不同的历史行为与用户当前所喜好的资源之间的相关性的差异，导致推荐资源的准确度不高，影响了用户对平台的体验。

技术实现思路

[0004]基于上述现有技术的不足，本申请提出了一种资源推荐方法、装置、可读介质以及设备，以实现在确定是否向目标用户推荐目标资源时，考虑不同行为资源在预测目标用户对所述目标资源的喜好程度时的贡献度，得到准确的用于说明目标用户对目标资源的喜好程度的目标用户的喜好向量。
[0005]本申请第一方面公开了一种资源推荐方法，包括：构建目标用户当前的消费行为序列；其中，所述目标用户当前的消费行为序列由所述目标用户最新的n个行为资源的标识按照交互时间顺序排列构成；n为正整数；所述行为资源为所述目标用户执行了交互行为的资源；将所述目标用户当前的消费行为序列对应的向量以及目标资源的标识向量输入至预构建的多层感知器网络层中，由所述预构建的多层感知器网络层得到每一个所述行为资源对应的权重，并对每一个所述行为资源对应的权重和所述目标用户当前的消费行为序列对应的向量进行加权合并计算，得到并输出所述目标用户的喜好向量和所述目标资源的标识向量；其中，所述目标用户的喜好向量用于说明所述目标用户对所述目标资源的喜好程度；所述行为资源对应的权重用于说明所述行为资源在预测所述目标用户对所述目标资源的喜好程度时的贡献度；将所述目标用户的喜好向量、所述目标资源的标识向量、以及每一个与目标用户相关联的特征向量进行连接，连接得到输入向量；将所述输入向量输入至预构建的多目标深度网络中，由预构建的每一个所述目标深度网络分别得到并输出所述目标深度网络对应的目标下的目标资源预测值；其中，所述
目标为用于反映对资源的喜好程度的业务指标；每一个所述目标下的目标资源预测值用于确定出是否向所述目标用户推荐所述目标资源。
[0006]可选地，在上述资源推荐方法中，所述与目标用户相关联的特征向量，包括：所述目标用户的特征向量、所述行为资源的特征向量、所述目标资源的特征向量以及所述目标用户与所述行为资源之间的交互特征向量；其中，所述与目标用户相关联的特征向量由目标用户画像、资源画像以及目标用户上下文行为画像生成得到；所述目标用户画像用于说明所述目标用户的基本信息以及所述目标用户对资源执行的交互行为信息；所述资源画像用于说明资源的基本信息；所述目标用户上下文行为画像用于说明所述目标用户对资源执行交互行为时的场景信息。
[0007]可选地，在上述资源推荐方法中，所述将所述目标用户的喜好向量、所述目标资源的标识向量、以及每一个与目标用户相关联的特征向量进行连接，连接得到输入向量之后，还包括：将所述输入向量输入至预构建的深度注意力网络共享层，由所述预构建的深度注意力网络共享层中的网络共享层输出多个维度相同的处理后向量，并由所述预构建的深度注意力网络共享层中的每一个注意力机制加权层分别对所述多个维度相同的处理后向量进行加权合并，由每一个所述注意力机制加权层得到并输出处理后的输入向量；其中，所述将所述输入向量输入至预构建的多目标深度网络中，由预构建的每一个所述目标深度网络分别得到并输出所述目标深度网络对应的目标下的目标资源预测值，包括：针对每一个所述注意力机制加权层输出的处理后的输入向量，将所述处理后的输入向量输入至预构建的与所述注意力机制加权层相对应的目标深度网络中，由预构建的与所述注意力机制加权层相对应的目标深度网络得到并输出所述目标深度网络对应的目标下的目标资源预测值。
[0008]可选地，在上述资源推荐方法中，所述预构建的多层感知器网络层、所述预构建的多目标深度网络以及所述预构建的深度注意力网络共享层的构建过程，包括：构建训练数据集；其中，所述训练数据集中，包括：多个用户的历史消费行为序列、以及所述用户的每一个目标下的训练资源实际值；其中，所述用户的历史消费行为序列由所述用户在历史时间段中的m个历史行为资源的标识按照交互时间顺序排列构成；m为正整数；针对所述训练数据集中的每一个所述用户，将所述用户的历史消费行为序列对应的向量以及所述训练资源的标识向量分别输入至待构建的多层感知器网络层中，由所述待构建的多层感知器网络层得到每一个所述历史行为资源对应的权重，并对每一个所述历史行为资源对应的权重和所述用户的历史消费行为序列对应的向量进行加权合并计算，得到并输出所述用户的喜好向量和所述训练资源的标识向量；其中，所述用户的喜好向量用于说明所述用户对所述训练资源的喜好程度；将所述用户的喜好向量、所述训练资源的标识向量、以及与每一个所述历史行为资源相关联的特征向量进行连接，得到历史输入向量；将所述历史输入向量输入至待构建的深度注意力网络共享层，由所述待构建的深度注意力网络共享层中的网络共享层输出多个维度相同的处理后历史向量，并由所述待构
建的深度注意力网络共享层中的每一个注意力机制加权层分别对所述多个维度相同的处理后历史向量进行加权合并，由每一个所述注意力机制加权层分别得到并输出处理后的历史输入向量；针对每一个所述注意力机制加权层输出的处理后的历史输入向量，将所述处理后的历史输入向量输入至与所述注意力机制加权层相对应的待构建目标深度网络中，由与所述注意力机制加权层相对应的待构建目标深度网络得到并输出所述待构建目标深度网络对应的目标下的训练资源预测值；根据每一个所述用户的每一个所述目标下的训练资源预测值与训练资源实际值之间的误差，对所述待构建的多层感知器网络层、所述待构建的深度注意力网络共享层、以及每一个所述待构建目标深度网络中的权值不断调整，直至调整后的每一个所述待构建目标深度网络所输出的所述待构建目标深度网络对应的目标下的训练资源预测值与训练资源实际值之间的误差满足预设的收敛条件，将所述调整后的所述待构建的多层感知器网络层确定为预构建的多层感知器网络层、将所述调整后的所述待构建的深度注意力网络共享层确定为预构建的深度注意力网络共享层以及将调整后的每一个待构建目标深度网络确定为每一个预构建的目标深度网络。
[0009]可选地，在上述资源推荐方法中，所述将所述输入向量输入至预构建的多目标深度网络中，由预构建的每一个所述目标深度网络分别得到并输出所述目标深度网络对应的目标下的目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种资源推荐方法，其特征在于，包括：构建目标用户当前的消费行为序列；其中，所述目标用户当前的消费行为序列由所述目标用户最新的n个行为资源的标识按照交互时间顺序排列构成；n为正整数；所述行为资源为所述目标用户执行了交互行为的资源；将所述目标用户当前的消费行为序列对应的向量以及目标资源的标识向量输入至预构建的多层感知器网络层中，由所述预构建的多层感知器网络层得到每一个所述行为资源对应的权重，并对每一个所述行为资源对应的权重和所述目标用户当前的消费行为序列对应的向量进行加权合并计算，得到并输出所述目标用户的喜好向量和所述目标资源的标识向量；其中，所述目标用户的喜好向量用于说明所述目标用户对所述目标资源的喜好程度；所述行为资源对应的权重用于说明所述行为资源在预测所述目标用户对所述目标资源的喜好程度时的贡献度；将所述目标用户的喜好向量、所述目标资源的标识向量、以及每一个与目标用户相关联的特征向量进行连接，连接得到输入向量；将所述输入向量输入至预构建的多目标深度网络中，由预构建的每一个所述目标深度网络分别得到并输出所述目标深度网络对应的目标下的目标资源预测值；其中，所述目标为用于反映对资源的喜好程度的业务指标；每一个所述目标下的目标资源预测值用于确定出是否向所述目标用户推荐所述目标资源。2.根据权利要求1所述的方法，其特征在于，所述与目标用户相关联的特征向量，包括：所述目标用户的特征向量、所述行为资源的特征向量、所述目标资源的特征向量以及所述目标用户与所述行为资源之间的交互特征向量；其中，所述与目标用户相关联的特征向量由目标用户画像、资源画像以及目标用户上下文行为画像生成得到；所述目标用户画像用于说明所述目标用户的基本信息以及所述目标用户对资源执行的交互行为信息；所述资源画像用于说明资源的基本信息；所述目标用户上下文行为画像用于说明所述目标用户对资源执行交互行为时的场景信息。3.根据权利要求1所述的方法，其特征在于，所述将所述目标用户的喜好向量、所述目标资源的标识向量、以及每一个与目标用户相关联的特征向量进行连接，连接得到输入向量之后，还包括：将所述输入向量输入至预构建的深度注意力网络共享层，由所述预构建的深度注意力网络共享层中的网络共享层输出多个维度相同的处理后向量，并由所述预构建的深度注意力网络共享层中的每一个注意力机制加权层分别对所述多个维度相同的处理后向量进行加权合并，由每一个所述注意力机制加权层得到并输出处理后的输入向量；其中，所述将所述输入向量输入至预构建的多目标深度网络中，由预构建的每一个所述目标深度网络分别得到并输出所述目标深度网络对应的目标下的目标资源预测值，包括：针对每一个所述注意力机制加权层输出的处理后的输入向量，将所述处理后的输入向量输入至预构建的与所述注意力机制加权层相对应的目标深度网络中，由预构建的与所述注意力机制加权层相对应的目标深度网络得到并输出所述目标深度网络对应的目标下的目标资源预测值。4.根据权利要求3所述的方法，其特征在于，所述预构建的多层感知器网络层、所述预
构建的多目标深度网络以及所述预构建的深度注意力网络共享层的构建过程，包括：构建训练数据集；其中，所述训练数据集中，包括：多个用户的历史消费行为序列、以及所述用户的每一个目标下的训练资源实际值；其中，所述用户的历史消费行为序列由所述用户在历史时间段中的m个历史行为资源的标识按照交互时间顺序排列构成；m为正整数；针对所述训练数据集中的每一个所述用户，将所述用户的历史消费行为序列对应的向量以及所述训练资源的标识向量分别输入至待构建的多层感知器网络层中，由所述待构建的多层感知器网络层得到每一个所述历史行为资源对应的权重，并对每一个所述历史行为资源对应的权重和所述用户的历史消费行为序列对应的向量进行加权合并计算，得到并输出所述用户的喜好向量和所述训练资源的标识向量；其中，所述用户的喜好向量用于说明所述用户对所述训练资源的喜好程度；将所述用户的喜好向量、所述训练资源的标识向量、以及与每一个所述历史行为资源相关联的特征向量进行连接，得到历史输入向量；将所述历史输入向量输入至待构建的深度注意力网络共享层，由所述待构建的深度注意力网络共享层中的网络共享层输出多个维度相同的处理后历史向量，并由所述待构建的深度注意力网络共享层中的每一个注意力机制加权层分别对所述多个维度相同的处理后历史向量进行加权合并，由每一个所述注意力机制加权层分别得到并输出处理后的历史输入向量；针对每一个所述注意力机制加权层输出的处理后的历史输入向量，将所述处理后的历史输入向量输入至与所述注意力机制加权层相对应的待构建目标深度网络中，由与所述注意力机制加权层相对应的待构建目标深度网络得到并输出所述待构建目标深度网络对应的目标下的训练资源预测值；根据每一个所述用户的每一个所述目标下的训练资源预测值与训练资源实际值之间的误差，对所述待构建的多层感知器网...

【专利技术属性】
技术研发人员：刘庆标，
申请(专利权)人：北京搜狐新动力信息技术有限公司，
类型：发明
国别省市：