本公开关于一种资源推荐方法、装置及电子设备，属于计算机技术领域。其中，该方法包括：获取各待推荐资源的信息和用户的第一历史状态信息；根据每个待推荐资源的信息和第一历史状态信息，确定每个待推荐资源对应的预估展示时长；根据每个待推荐资源对应的预估展示时长，确定目标推荐资源；将目标推荐资源发送给用户客户端，以使用户客户端展示目标推荐资源。由此，通过根据各待推荐资源的信息和用户的历史状态信息，获取各待推荐资源的预估展示时长，基于各待推荐资源的预估展示时长，确定向用户推荐的资源，提高了推荐的精准性。提高了推荐的精准性。提高了推荐的精准性。
【技术实现步骤摘要】
资源推荐方法、装置及电子设备
[0001]本公开涉及计算机
，尤其涉及一种资源推荐方法、装置及电子设备。
技术介绍
[0002]视频消费信息流平台会有海量的视频内容，其中，直播是其中的一个新兴的视频表达载体。为了便于用户观看，平台可向用户进行推荐直播间。
[0003]相关技术中，通常是利用多个单一目标的预估结果，以一个多项式加权的方式融合多个单一目标，确定资源(如动图、视频、直播等)最终的单次展现收益，基于各个资源的单次展现收益，向用户推荐资源。但是，这种融合方式只是简单利用单一目标结果进行融合，从而会导致资源推荐的准确性降低。
技术实现思路
[0004]本公开提供一种资源推荐方法、装置及电子设备，以至少解决相关技术中资源推荐的准确性低问题。本公开的技术方案如下：
[0005]根据本公开实施例的第一方面，提供一种资源推荐方法，包括：
[0006]获取各待推荐资源的信息和用户的第一历史状态信息；
[0007]根据每个所述待推荐资源的信息和所述第一历史状态信息，确定每个所述待推荐资源对应的预估展示时长；
[0008]根据每个所述待推荐资源对应的预估展示时长，确定目标推荐资源；
[0009]将所述目标推荐资源发送给用户客户端，以使所述用户客户端展示所述目标推荐资源。
[0010]在本公开第一方面实施例的一种实现方式中，所述根据每个所述待推荐资源的信息和所述第一历史状态信息，确定每个所述待推荐资源对应的预估展示时长，包括：
[0011]利用第一神经网络模型，对每个所述待推荐资源的信息和所述第一历史状态信息进行处理，以获取每个所述待推荐资源对应的第一点击概率；
[0012]利用第二神经网络模型，对每个所述待推荐资源的信息和所述第一历史状态信息进行处理，以获取每个所述待推荐资源对应的第二点击概率；
[0013]根据所述第一点击概率和所述第二点击概率，确定每个所述待推荐资源对应的预估展示时长。
[0014]在本公开第一方面实施例的一种实现方式中，该方法还可包括：
[0015]获取训练样本集；其中，所述训练样本集包括多个资源的信息、每个所述资源对应的所述用户的第二历史状态信息及每个所述资源对应的多个标签；
[0016]根据每个所述资源对应的多个标签，确定所述用户对每个所述资源的实际点击概率；
[0017]将每个所述资源的信息及对应的第二历史状态信息输入第一初始神经网络模型，以获取每个所述资源对应的第一预测点击概率；
[0018]根据每个所述资源对应的第一预测点击概率和所述实际点击概率之间的差异，对所述第一初始神经网络模型进行修正，以生成所述第一神经网络模型。
[0019]在本公开第一方面实施例的一种实现方式中，在所述根据每个所述资源对应的多个标签，确定所述用户对每个所述资源的实际点击概率之后，还包括：
[0020]将每个所述资源的信息及对应的第二历史状态信息输入第二初始神经网络模型，以获取每个所述资源对应的第二预测点击概率；
[0021]根据每个所述资源对应的第二预测点击概率和所述实际点击概率之间的差异，确定初始损失值；
[0022]响应于任一资源对应的实际点击概率为目标值，根据所述任一资源对应的多个标签，确定所述任一资源对应的综合展示时长；
[0023]根据所述任一资源对应的初始损失值与所述综合展示时长，确定所述目标损失值；
[0024]根据所述目标损失值，对所述第二初始神经网络模型进行修正，以生成所述第二神经网络模型。
[0025]在本公开第一方面实施例的一种实现方式中，所述多个标签各对应一个子目标行为，所述根据所述任一资源对应的多个标签，确定所述任一资源对应的综合展示时长，包括：
[0026]获取每个所述子目标行为对应的展示时长和溢价系数；
[0027]根据每个所述子目标行为、每个所述子目标行为对应的展示时长及所述溢价系数，确定所述综合展示时长。
[0028]在本公开第一方面实施例的一种实现方式中，所述获取每个所述子目标行为对应的展示时长，包括：
[0029]获取所述任一资源的多个历史行为数据；
[0030]根据所述多个历史行为数据中的每个所述子目标行为，获取每个所述子目标行为对应的展示时长。
[0031]根据本公开实施例的第二方面，提供一种资源推荐装置，包括：
[0032]第一获取模块，被配置为获取各待推荐资源的信息和用户的第一历史状态信息；
[0033]第一确定模块，被配置为根据每个所述待推荐资源的信息和所述第一历史状态信息，确定每个所述待推荐资源对应的预估展示时长；
[0034]第二确定模块，被配置为根据每个所述待推荐资源对应的预估展示时长，确定目标推荐资源；
[0035]发送模块，被配置为将所述目标推荐资源发送给用户客户端，以使所述用户客户端展示所述目标推荐资源。
[0036]在本公开第二方面实施例的一种实现方式中，所述第一确定模块，包括：
[0037]第一获取单元，被配置为利用第一神经网络模型，对每个所述待推荐资源的信息和所述第一历史状态信息进行处理，以获取每个所述待推荐资源对应的第一点击概率；
[0038]第二获取单元，被配置为利用第二神经网络模型，对每个所述待推荐资源的信息和所述第一历史状态信息进行处理，以获取每个所述待推荐资源对应的第二点击概率；
[0039]第一确定单元，被配置为根据所述第一点击概率和所述第二点击概率，确定每个
所述待推荐资源对应的预估展示时长。
[0040]在本公开第二方面实施例的一种实现方式中，所述装置还可包括：
[0041]第二获取模块，被配置为获取训练样本集；其中，所述训练样本集包括多个资源的信息、每个所述资源对应的所述用户的第二历史状态信息及每个所述资源对应的多个标签；
[0042]第三确定模块，被配置为根据每个所述资源对应的多个标签，确定所述用户对每个所述资源的实际点击概率；
[0043]第三获取模块，被配置为将每个所述资源的信息及对应的第二历史状态信息输入第一初始神经网络模型，以获取每个所述资源对应的第一预测点击概率；
[0044]第一训练模块，被配置为据每个所述资源对应的第一预测点击概率和所述实际点击概率之间的差异，对所述第一初始神经网络模型进行修正，以生成所述第一神经网络模型。
[0045]在本公开第二方面实施例的一种实现方式中，第四获取模块，被配置为将每个所述资源的信息及对应的第二历史状态信息输入第二初始神经网络模型，以获取每个所述资源对应的第二预测点击概率；
[0046]第四确定模块，被配置为根据每个所述资源对应的第二预测点击概率和所述实际点击概率之间的差异，确定初始损失值；
[0047]第五确定模块，被配置为响应于任一资源对应的实际点击概率为目标值，根据所述任一资源对应的多个标签，确定所述任一资源对应的综合展示时长；
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：获取各待推荐资源的信息和用户的第一历史状态信息；根据每个所述待推荐资源的信息和所述第一历史状态信息，确定每个所述待推荐资源对应的预估展示时长；根据每个所述待推荐资源对应的预估展示时长，确定目标推荐资源；将所述目标推荐资源发送给用户客户端，以使所述用户客户端展示所述目标推荐资源。2.如权利要求1所述的方法，其特征在于，所述根据每个所述待推荐资源的信息和所述第一历史状态信息，确定每个所述待推荐资源对应的预估展示时长，包括：利用第一神经网络模型，对每个所述待推荐资源的信息和所述第一历史状态信息进行处理，以获取每个所述待推荐资源对应的第一点击概率；利用第二神经网络模型，对每个所述待推荐资源的信息和所述第一历史状态信息进行处理，以获取每个所述待推荐资源对应的第二点击概率；根据所述第一点击概率和所述第二点击概率，确定每个所述待推荐资源对应的预估展示时长。3.如权利要求2所述的方法，其特征在于，还包括：获取训练样本集；其中，所述训练样本集包括多个资源的信息、每个所述资源对应的所述用户的第二历史状态信息及每个所述资源对应的多个标签；根据每个所述资源对应的多个标签，确定所述用户对每个所述资源的实际点击概率；将每个所述资源的信息及对应的第二历史状态信息输入第一初始神经网络模型，以获取每个所述资源对应的第一预测点击概率；根据每个所述资源对应的第一预测点击概率和所述实际点击概率之间的差异，对所述第一初始神经网络模型进行修正，以生成所述第一神经网络模型。4.如权利要求3所述的方法，其特征在于，在所述根据每个所述资源对应的多个标签，确定所述用户对每个所述资源的实际点击概率之后，还包括：将每个所述资源的信息及对应的第二历史状态信息输入第二初始神经网络模型，以获取每个所述资源对应的第二预测点击概率；根据每个所述资源对应的第二预测点击概率和所述实际点击概率之间的差异，确定初始损失值；响应于任一资源对...
【专利技术属性】
技术研发人员：白彦冰，黄帅帅，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。