一种资源处理方法技术

本申请公开了一种资源处理方法

【技术实现步骤摘要】
一种资源处理方法、装置、电子设备和存储介质


[0001]本申请涉及计算机
，尤其涉及一种资源处理方法
、
装置
、
电子设备和存储介质
。

技术介绍

[0002]随着互联网信息的爆炸性增长，流式推荐系统可以实时根据新增的数据进行训练并更新的能力，更适用于大数据场景中
。
在实际应用时，流式推荐系统同样包括粗排召回阶段和精排召回阶段，通过粗排召回阶段缩小待推荐资源的范围，再通过精排召回阶段进行更精确的资源召回
。
[0003]现有技术中，流式推荐系统的粗排召回阶段受限与粗排召回策略和模型架构，很难引入待推荐资源和目标对象间的关联信息，因此较难发现用户隐含兴趣，导致粗排召回的准确性低
。

技术实现思路

[0004]本申请提供了一种资源处理方法
、
装置
、
电子设备和存储介质，可以提高了粗排召回的准确性
。
[0005]一方面，本申请提供了一种资源处理方法，所述方法包括：
[0006]将待推荐资源的资源信息和目标对象的对象信息输入到第一流式特征提取模型中进行特征提取，得到所述待推荐资源的第一资源特征和所述目标对象的第一对象特征；所述第一流式特征提取模型基于样本对象对样本资源的操作数据进行模型训练得到；
[0007]将所述资源信息和所述对象信息输入到第二流式特征提取模型中进行特征提取，得到所述待推荐资源的第二资源特征和所述目标对象的第二对象特征；所述第二流式特征提取模型为基于样本关联特征进行模型训练得到的；所述样本关联特征表征所述样本对象与所述样本资源的关联信息；
[0008]基于所述第一资源特征
、
所述第二资源特征
、
所述第一对象特征以及所述第二对象特征，确定所述待推荐资源与所述目标对象的推送指标数据；
[0009]向所述目标对象推送目标推荐资源；所述目标推荐资源基于所述推送指标数据从所述待推荐资源中确定
。
[0010]另一方面提供了一种资源处理装置，所述装置包括：
[0011]第一特征提取模块，用于将待推荐资源的资源信息和目标对象的对象信息输入到第一流式特征提取模型中进行特征提取，得到所述待推荐资源的第一资源特征和所述目标对象的第一对象特征；所述第一流式特征提取模型基于样本对象对样本资源的操作数据进行模型训练得到；
[0012]第二特征提取模块，用于将所述资源信息和所述对象信息输入到第二流式特征提取模型中进行特征提取，得到所述待推荐资源的第二资源特征和所述目标对象的第二对象特征；所述第二流式特征提取模型为基于样本关联特征进行模型训练得到的；所述样本关
联特征表征所述样本对象与所述样本资源的关联信息；
[0013]推送指标确定模块，用于基于所述第一资源特征
、
所述第二资源特征
、
所述第一对象特征以及所述第二对象特征，确定所述待推荐资源与所述目标对象的推送指标数据；
[0014]目标推荐资源确定模块，用于向所述目标对象推送目标推荐资源；所述目标推荐资源基于所述推送指标数据从所述待推荐资源中确定
。
[0015]另一方面提供了一种电子设备，所述电子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所述的一种资源处理方法
。
[0016]另一方面提供了一种计算机可读存储介质，所述存储介质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所述的一种资源处理方法
。
[0017]另一方面提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述所述的资源处理方法
。
[0018]本申请提供的一种资源处理方法
、
装置
、
电子设备和存储介质，所述方法包括：将待推荐资源的资源信息和目标对象的对象信息输入到第一流式特征提取模型中进行特征提取，得到第一资源特征和第一对象特征，将资源信息和对象信息输入到第二流式特征提取模型中进行特征提取，得到第二资源特征和第二对象特征，第二流式特征提取模型为基于样本关联特征进行模型训练得到的，样本关联特征表征样本对象与样本资源的关联信息
。
基于第一资源特征
、
第二资源特征
、
第一对象特征以及第二对象特征，确定待推荐资源与目标对象的推送指标数据，基于推送指标数据进行资源推荐
。
该方法可以在线上实时训练得到第二流式特征提取模型，且直接使用样本关联特征进行模型训练，使得第二流式特征提取模型可以直接学习到样本关联特征，从而提高了模型学习关联特征的有效性，并在线上应用时，使得第二流式特征提取模型可以识别到待推荐资源和目标对象间的潜在关联信息，从而提高了粗排召回的准确性
。
附图说明
[0019]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，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地介绍，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他的附图
。
[0020]图1为本申请实施例提供的一种资源处理方法的应用场景示意图；
[0021]图2为本申请实施例提供的一种资源处理方法的流程图；
[0022]图3为本申请实施例提供的一种资源处理方法中基于多个关联特征提取模型进行特征提取的方法流程图；
[0023]图4为本申请实施例提供的一种资源处理方法中第一流式特征提取模型与一个关联特征提取模型的连接结构示意图；
[0024]图5为本申请实施例提供的一种资源处理方法中第一流式特征提取模型与多个关联特征提取模型的连接结构示意图；
[0025]图6为本申请实施例提供的一种资源处理方法中多层资源特征提取层和多层对象
特征提取层的结构示意图；
[0026]图7为本申请实施例提供的一种资源处理方法中确定推送指标数据的方法流程图；
[0027]图8为本申请实施例提供的一种资源处理方法中对第二流式特征提取模型进行模型训练的方法流程图；
[0028]图9为本申请实施例提供的一种资源处理方法中基于第一样本关联子特征进行模型训练的方法流程图；
[0029]图
10
为本申请实施例提供的一种资源处理方法中基于第二样本关联子特征进行模型训练的方法流程图；
[0030]图
11
为本申请实施例提供的精排模型离线打分与双塔模型基于在线打分进行特征蒸馏的示意图；
[0031]图
12
为本申请实施例提供的精排模型在线打分与双塔模型基于在线打分进行特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种资源处理方法，其特征在于，所述方法包括：将待推荐资源的资源信息和目标对象的对象信息输入到第一流式特征提取模型中进行特征提取，得到所述待推荐资源的第一资源特征和所述目标对象的第一对象特征；所述第一流式特征提取模型基于样本对象对样本资源的操作数据进行模型训练得到；将所述资源信息和所述对象信息输入到第二流式特征提取模型中进行特征提取，得到所述待推荐资源的第二资源特征和所述目标对象的第二对象特征；所述第二流式特征提取模型为基于样本关联特征进行模型训练得到的；所述样本关联特征表征所述样本对象与所述样本资源的关联信息；基于所述第一资源特征
、
所述第二资源特征
、
所述第一对象特征以及所述第二对象特征，确定所述待推荐资源与所述目标对象的推送指标数据；向所述目标对象推送目标推荐资源；所述目标推荐资源基于所述推送指标数据从所述待推荐资源中确定
。2.
根据权利要求1所述的资源处理方法，其特征在于，所述样本关联特征包括多种样本关联子特征，所述第二流式特征提取模型包括与所述多种样本关联子特征各自对应的关联特征提取模型；所述将所述资源信息和所述对象信息输入到第二流式特征提取模型中进行特征提取，得到所述待推荐资源的第二资源特征和所述目标对象的第二对象特征，包括：将所述资源信息和所述对象信息分别输入到各个关联特征提取模型中进行特征提取，得到所述待推荐资源的多个关联资源特征和所述目标对象的多个关联对象特征；对所述多个关联资源特征进行特征拼接处理，得到所述第二资源特征；对所述多个对象资源特征进行特征拼接处理，得到所述第二对象特征
。3.
根据权利要求1所述的资源处理方法，其特征在于，所述第二流式特征提取模型包括多层资源特征提取层以及多层对象特征提取层；所述多层资源特征提取层的层数和所述多层对象特征提取层的层数一致；所述将所述资源信息和所述对象信息输入到第二流式特征提取模型中进行特征提取，得到所述待推荐资源的第二资源特征和所述目标对象的第二对象特征，包括：基于所述多层资源特征提取层与所述资源信息进行特征提取，得到所述第二资源特征；基于所述多层对象特征提取层与所述对象信息进行特征提取，得到所述第二对象特征
。4.
根据权利要求1所述的资源处理方法，其特征在于，所述基于所述第一资源特征
、
所述第二资源特征
、
所述第一对象特征以及所述第二对象特征，确定所述待推荐资源与所述目标对象的推送指标数据包括：对所述第一资源特征和所述第二资源特征进行特征拼接处理，得到目标资源特征；对所述第一对象特征和所述第二对象特征进行特征拼接处理，得到目标对象特征；基于所述目标资源特征和所述目标对象特征进行特征交叉处理，确定所述推送指标数据
。5.
根据权利要求1所述的资源处理方法，其特征在于，所述方法还包括：基于预设资源推荐模型，确定所述样本关联特征；所述预设资源推荐模型为基于样本
资源的样本资源信息
、
样本对象的样本对象信息和所述样本对象与所述样本资源间的关联信息进行模型训练得到的；将所述样本资源信息和所述样本对象信息输入到待训练模型中进行特征提取，得到所述样本资源对应的训练资源特征和所述样本对象对应的训练对象特征；对所述训练资源特征和所述训练对象特征间进行特征关联处理，得到训练关联特征；基于所...

【专利技术属性】
技术研发人员：邱志勇，伍江龙，胡聪，高瀚，贺鹏，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：