资源数据筛选方法、装置、电子设备和存储介质制造方法及图纸

本申请提供了一种资源数据筛选方法、装置、电子设备和存储介质，涉及人工智能技术领域，可以应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景，方法包括获取目标对象的目标活跃类别；获取目标对象的对象属性特征和关联的多个候选资源数据各自的资源特征，以及多个候选资源数据各自的融合特征；对每一候选资源数据，基于资源特征和融合特征进行与目标活跃类别匹配的多网络特征提取，得到资源特征对应的共享资源特征和融合特征对应的多个候选特征；基于共享资源特征、多个候选特征和融合特征，对每一候选资源数据进行与目标活跃类别匹配的多任务预测处理，得到多个任务指标，进而对多个候选资源数据进行数据筛选，有效提高数据筛选准确性。数据筛选准确性。数据筛选准确性。

【技术实现步骤摘要】
资源数据筛选方法、装置、电子设备和存储介质


[0001]本申请涉及人工智能
，尤其涉及一种资源数据筛选方法、装置、电子设备和存储介质。

技术介绍

[0002]内容推荐系统中，推荐的主要流程为召回、粗排、精排和重排，在重排阶段确定出多个候选资源数据，进而从其中筛选出于当前对象匹配的资源数据，以下发推送。相关技术中，通常基于策略对不同的类别对象进行资源数据评估，或者通过算法模型结合对象的特征进行资源评估，然而前一种方法的推荐效果有限且效果难以离线验证，只能通过线上小流量方法验证改动策略的有效性，后者的算法模型虽然能够提升推荐效果，但针对不同类别的对象执行相同的预测评估操作，对于活跃度较低的对象，数据评估准确性较差。

技术实现思路

[0003]本申请提供了一种资源数据筛选方法、装置、设备和存储介质，可以显著提高资源数据筛选的准确率和可靠性。
[0004]一方面，本申请提供了一种资源数据筛选方法，基于目标预测模型实现，所述目标预测模型包括特征嵌入模块、多特征提取模块和多任务预测模块，所述方法包括：
[0005]获取目标对象的目标活跃类别；
[0006]基于所述特征嵌入模块，获取所述目标对象的对象属性特征和所述目标对象关联的多个候选资源数据各自的资源特征；
[0007]将所述资源特征与所述对象属性特征融合，得到所述多个候选资源数据各自的融合特征；
[0008]对所述多个候选资源数据中的每一候选资源数据，将所述资源特征和所述融合特征输入所述多特征提取模块，进行与所述目标活跃类别匹配的多网络特征提取，得到所述资源特征对应的共享资源特征和所述融合特征对应的多个候选特征；
[0009]将所述共享资源特征、所述多个候选特征和所述融合特征输入所述多任务预测模块，对所述每一候选资源数据进行与所述目标活跃类别匹配的多任务预测处理，得到所述多个候选资源数据各自对应的多个任务指标；
[0010]基于所述多个任务指标，对所述多个候选资源数据进行数据筛选，得到所述目标对象对应的目标资源数据。
[0011]另一方面提供了一种资源数据筛选装置，基于目标预测模型实现，所述目标预测模型包括特征嵌入模块、多特征提取模块和多任务预测模块，所述装置包括：
[0012]类别获取模块：用于获取目标对象的目标活跃类别；
[0013]特征获取模块：用于基于所述特征嵌入模块，获取所述目标对象的对象属性特征和所述目标对象关联的多个候选资源数据各自的资源特征；
[0014]特征融合模块：用于将所述资源特征与所述对象属性特征融合，得到所述多个候
选资源数据各自的融合特征；
[0015]特征提取模块：用于对所述多个候选资源数据中的每一候选资源数据，将所述资源特征和所述融合特征输入所述多特征提取模块，进行与所述目标活跃类别匹配的多网络特征提取，得到所述资源特征对应的共享资源特征和所述融合特征对应的多个候选特征；
[0016]预测模块：用于将所述共享资源特征、所述多个候选特征和所述融合特征输入所述多任务预测模块，对所述每一候选资源数据进行与所述目标活跃类别匹配的多任务预测处理，得到所述多个候选资源数据各自对应的多个任务指标；
[0017]数据筛选模块：用于基于所述多个任务指标，对所述多个候选资源数据进行数据筛选，得到所述目标对象对应的目标资源数据。
[0018]另一方面提供了一种计算机设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的资源数据筛选方法。
[0019]另一方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的资源数据筛选方法。
[0020]另一方面提供了一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的资源数据筛选方法。
[0021]另一方面提供了一种终端，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的资源数据筛选方法。
[0022]另一方面提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令被处理器执行时实现如上述的资源数据筛选方法。
[0023]本申请提供的资源数据筛选方法、装置、设备、存储介质、服务器、终端、计算机程序和计算机程序产品，具有如下技术效果：
[0024]本申请的技术方案结合目标对象的对象属性特征、关联的多个候选资源数据各自的资源特征和多个候选资源数据各自的融合特征，在目标预测模型中执行目标对象所属目标活跃类别所对应的多网络特征提取操作，进而得到该活跃类别匹配的共享资源特征和多个候选特征，然后，再对共享资源特征、多个候选特征和融合特征进行目标活跃类别匹配的多任务预测操作，得到每一候选资源数据的多个任务指标，以实现该目标活跃类别相应的资源数据的评估，在确保高活跃对象的资源评估和内容推荐效果的前提下，显著提升低活跃对象的相关评估和推荐效果；此外，对候选资源的资源特征进行单独的特征提取，得到共享资源特征，并结合对象属性特征、资源特征进行融合和进一步特征提取，得到候选特征，在充分学习资源信息、资源与对象间的相关性信息的前提下，实现资源评估，提升评估的输入信息维度和全面性，优化资源数据筛选准确性和推荐效果。
附图说明
[0025]为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅
仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0026]图1是本申请实施例提供的一种应用环境的示意图；
[0027]图2是本申请实施例提供的一种资源数据筛选方法的流程示意图；
[0028]图3是本申请实施例提供的一种推荐系统的框架示意图；
[0029]图4是本申请实施例提供的一种资源数据筛选方法的原理示意图；
[0030]图5是本申请实施例提供的一种资源数据筛选方法的流程示意图；
[0031]图6是本申请实施例提供的另一种目标预测模型的模型框架示意图；
[0032]图7是本申请实施例提供的另一种目标预测模型的模型框架示意图；
[0033]图8是本申请实施例提供的一种目标预测模型的训练方法的流程示意图；
[0034]图9是本申请实施例提供一种资源数据筛选装置的框架示意图；
[0035]图10是本申请实施例提供的一种资源数据筛选方法的电子设备的硬件结构框图。
具体实施方式
[0036]下面将结合本申请实施例中的附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种资源数据筛选方法，其特征在于，基于目标预测模型实现，所述目标预测模型包括特征嵌入模块、多特征提取模块和多任务预测模块，所述方法包括：获取目标对象的目标活跃类别；基于所述特征嵌入模块，获取所述目标对象的对象属性特征和所述目标对象关联的多个候选资源数据各自的资源特征；将所述资源特征与所述对象属性特征融合，得到所述多个候选资源数据各自的融合特征；对所述多个候选资源数据中的每一候选资源数据，将所述资源特征和所述融合特征输入所述多特征提取模块，进行与所述目标活跃类别匹配的多网络特征提取，得到所述资源特征对应的共享资源特征和所述融合特征对应的多个候选特征；将所述共享资源特征、所述多个候选特征和所述融合特征输入所述多任务预测模块，对所述每一候选资源数据进行与所述目标活跃类别匹配的多任务预测处理，得到所述多个候选资源数据各自对应的多个任务指标；基于所述多个任务指标，对所述多个候选资源数据进行数据筛选，得到所述目标对象对应的目标资源数据。2.根据权利要求1所述的方法，其特征在于，所述多特征提取模块包括资源专家模块和融合专家模块，所述融合专家模块包括至少两种活跃类别各自对应的特征提取分支，所述活跃类别是基于对象的交互活跃度划分的；所述对所述多个候选资源数据中的每一候选资源数据，将所述资源特征和所述融合特征输入所述多特征提取模块，进行与所述目标活跃类别匹配的多网络特征提取，得到所述资源特征对应的共享资源特征和所述融合特征对应的多个候选特征包括：将所述候选资源数据的资源特征输入所述资源专家模块，进行资源特征提取，得到所述共享资源特征；将所述候选资源数据的融合特征，输入所述融合专家模块中与所述目标活跃类别匹配的特征提取分支，进行多网络特征提取，得到所述融合特征对应的多个候选特征。3.根据权利要求2所述的方法，其特征在于，所述融合专家模块包括共享专家网络和多个独有专家网络，所述共享专家网络和所述独有专家网络均包括至少两种活跃类别各自对应的特征映射塔，所述共享专家网络和所述多个独有专家网络的同种特征映射塔形成相关活跃类别对应的特征提取分支，所述多个候选特征包括共享融合特征和多个独有特征；所述将所述候选资源数据的融合特征，输入所述融合专家模块中与所述目标活跃类别匹配的特征提取分支，进行多网络特征提取，得到所述融合特征对应的多个候选特征包括：将所述融合特征输入所述共享专家网络中与所述目标活跃类别匹配的特征映射塔，以进行特征提取，得到所述共享融合特征；将所述候选资源数据的融合特征，分别输入所述多个独有专家网络中与所述目标活跃类别匹配的特征映射塔，进行多网络特征提取，得到所述融合特征对应的多个独有特征。4.根据权利要求3所述的方法，其特征在于，所述多任务预测模块包括多个权重生成网络和多个预测网络，所述权重生成网络、所述预测网络和所述任务指标一一对应，所述权重生成网络包括至少两种活跃类别各自对应的权重映射塔，所述预测网络包括至少两种活跃类别各自对应的预测塔；
所述将所述共享资源特征、所述多个候选特征和所述融合特征输入所述多任务预测模块，对所述每一候选资源数据进行与所述目标活跃类别匹配的多任务预测处理，得到所述多个候选资源数据各自对应的多个任务指标包括：针对所述每一候选资源数据，基于多个权重生成网络各自与所述目标活跃类别匹配的权重映射塔，分别对所述候选资源数据的融合特征进行权重映射，得到所述多个任务指标中每一任务指标对应的融合权重参数；基于所述融合权重参数，将所述共享资源特征和所述共享融合特征，分别与所述每一任务指标对应的目标独有特征加权融合，得到所述每一任务指标对应的目标特征，所述目标独有特征为所述多个独有特征中与所述任务指标关联的至少一个独有特征；将所述目标特征输入相关任务指标对应的预测网络中，以基于所述目标活跃类别对应的预测塔进行所述相关任务指标对应的指标预测处理，得到所述每一候选资源数据对应的多个任务指标。5.根据权利要求1
‑
4中任一项所述的方法，其特征在于，基于所述多个任务指标，对所述多个候选资源数据进行数据筛选，得到所述目标对象对应的目标资源数据包括：将所述候选资源数据对应的多个任务指标中，与预设下发任务关联的任务指标确定为目标任务指标；基于所述目标任务指标进行所述每一候选资源数据的指标融合处理，得到所述多个候选资源数据各自的目标指标，所述目标指标表征所述候选资源数据，与所述目标对象和所述预设下发任务间的综合关联程度；基于所述目标指标从所述多个候选资源数据中确定出所述目标资源数据。6.根据权利要求5所述的方法，其特征在于，所述候选资源数据包括基于预设顺序排序的多个资源元素，每一所述目标任务指标包括所述多个资源元素各自的指标值；所述基于所述目标任务指标进行所述每一候选资源数据的指标融合处理，得到所述多个候选资源数据各自的目标指标包括：将所述候选资源数据对应的各目标任务指标中，同一资源元素的各个指标值进行融合计算，得到所述多个资源元素各自的融合指标值；将所述多个信息元素各自的融合指标值进行加和处理，得到所述候选资源数据的目标指标。7.根据权利要求1
‑
4中任一项所述的方法，其特征在于，所述基于所述特征嵌入模块，获取所述目标对象的对象属性特征和所述目标对象关联的多个候选资源数据各自的资源特征包括：获取所述目标对象的对象属性数据和所述多个候选资源数据；将所述对象属性数据和所述多个候选资源数据输入所述特征嵌入模块，分别对所述对象属性数据和所述多个候选资源数据进行特征嵌入，得到所述对象属性特征和所述多个候选资源数据各自的资源特征。8.根据权利要求1
‑
4中任一项所述的方法，其特征在于，所述方法还包括：获取样本训练集，所述样本训练集包括至少两种活跃类别的样本对象对应的对象属性数据，所述样本对象关联的样本资源数据，以及所述样本资源数据对应的多个任务标签，所述任务标签与所述任务指标一一对应，所述至少两种活跃类别包括第一活跃类别和至少一
个第二活跃类别，所述第一活跃类别表征的交互活跃度高于所述第二活跃类别；将所述第一活跃类别的样本对象的对象属性数据和所述关联的样本资源数据输入所述初始预测模型，联合进行所述至少两种活跃类别各自对应的多任务指标的预测，得到所述第一活跃类别下，所述样本资源数据对应的多个...

【专利技术属性】
技术研发人员：郭由添，张新宇，李冠一，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：