【技术实现步骤摘要】
本公开涉及人工智能，尤其涉及一种资源推荐方法、装置、电子设备及存储介质。
技术介绍
1、资源推荐系统是一种信息过滤系统，通过对用户关联的信息进行分析来预测用户的偏好，进而可以给用户推荐更加符合其偏好的资源。具体推荐的资源可以包括：app、资讯、电影、音乐、新闻、书籍或学术论文等。
2、用户的资源标签预测是资源推荐系统中重要的基础部分，可以预测用户对哪些资源标签感兴趣，可用于召回、排序等环节。目前，通常用词向量生成模型、多标签分类等方法学习用户偏好。具体的，可以将用户历史点击资源的标签当成词，利用词向量生成模型学习这些标签的词向量，然后通过多标签分类器，学习用户下一个点击偏好标签。但是，上述方法没有利用到标签与标签之间的语义关联性，导致资源推荐的准确度较低。
技术实现思路
1、有鉴于上述存在的技术问题，本公开提出了一种资源推荐方法、装置、电子设备及存储介质。
2、根据本公开实施例的一方面，提供一种资源推荐方法，包括：
3、获取目标对象对应的目标历史标签句子；所述目标历史标签句子为基于所述目标对象对应的至少一个目标历史标签构建的句子，所述至少一个目标历史标签为所述目标对象对应的至少一个历史点击资源的资源标签；
4、基于目标句子预测模型，对所述目标历史标签句子进行关联语义预测，得到所述目标对象对应的目标预测标签句子；所述目标预测标签句子对应的句子语义特征与所述目标历史标签句子对应的句子语义特征相关联；
5、对所述目标预测标签句子
6、基于所述至少一个目标预测标签，确定目标推荐资源，以向所述目标对象推荐所述目标推荐资源。
7、根据本公开实施例的另一方面，提供一种资源推荐装置，包括：
8、句子获取模块，用于获取目标对象对应的目标历史标签句子；所述目标历史标签句子为基于所述目标对象对应的至少一个目标历史标签构建的句子，所述至少一个目标历史标签为所述目标对象对应的至少一个历史点击资源的资源标签；
9、关联语义预测模块，用于基于目标句子预测模型，对所述目标历史标签句子进行关联语义预测，得到所述目标对象对应的目标预测标签句子；所述目标预测标签句子对应的句子语义特征与所述目标历史标签句子对应的句子语义特征相关联；
10、标签提取处理模块，用于对所述目标预测标签句子进行标签提取处理，得到所述目标对象对应的至少一个目标预测标签；
11、目标资源确定模块，用于基于所述至少一个目标预测标签，确定目标推荐资源，以向所述目标对象推荐所述目标推荐资源。
12、可选的，所述装置还包括：
13、对象特征获取模块，用于获取所述目标对象对应的目标对象特征信息；
14、相应的，所述关联语义预测模块包括：
15、第一语义预测模块，用于将所述目标对象特征信息和所述目标历史标签句子输入至所述目标句子预测模型进行关联语义预测，得到所述目标预测标签句子。
16、可选的，所述第一语义预测模块包括：
17、第一语义提取模块，用于将所述目标历史标签句子输入至所述目标语义提取模块进行语义特征提取处理，得到目标历史特征信息；
18、第一特征融合模块，用于将所述目标历史特征信息和所述目标对象特征信息输入至所述目标特征处理模块进行特征融合处理，得到所述目标对象对应的第一偏好特征信息；
19、第一句子预测模块，用于基于所述目标关联预测模块，对所述第一偏好特征信息进行关联句子预测，得到所述目标预测标签句子。
20、可选的，所述对象特征获取模块包括：
21、对象属性获取模块，用于获取所述目标对象在多个对象属性维度下各自对应的目标对象属性信息；
22、编码处理模块，用于将每个目标对象属性信息进行编码处理，得到多个目标属性编码信息；
23、对象特征生成模块，用于基于所述多个目标属性编码信息，生成所述目标对象特征信息。
24、可选的，所述对象特征生成模块包括：
25、第二特征融合模块，用于将所述多个目标属性编码信息输入至预设特征融合模块进行特征融合处理，得到所述目标对象特征信息。
26、可选的，所述装置包括：
27、数据集获取模块，用于获取训练样本数据集；
28、微调处理模块，用于基于所述训练样本数据集，对预设机器学习模型进行微调处理，得到所述目标句子预测模型，所述预设机器学习模型为已学习预设业务领域知识的模型。
29、可选的，所述微调处理模块包括：
30、第二语义预测模块，用于基于所述预设机器学习模型，对每个样本对象对应的样本历史标签句子进行关联语义预测，得到所述每个样本对象对应的样本预测标签句子中多个标签句子分词位置各自对应的样本分词分布信息；任一标签句子分词位置对应的样本分词分布信息表征多个预设分词中每个预设分词属于所述任一标签句子分词位置的概率；
31、损失确定模块，用于基于所述每个样本对象对应的样本预测标签句子中多个标签句子分词位置各自对应的样本分词分布信息和所述每个样本对象对应的样本参考标签句子，确定目标损失信息；
32、训练模块，用于基于所述目标损失信息，对所述预设机器学习模型进行训练，得到所述目标句子预测模型。
33、可选的，所述关联语义预测模块包括：
34、第二语义提取模块，用于将所述目标历史标签句子输入至所述目标语义提取模块进行语义特征提取处理，得到目标历史特征信息；
35、第三特征融合模块，用于基于所述目标特征处理模块，对所述目标历史特征信息进行特征处理，得到所述目标对象对应的第二偏好特征信息；
36、第二句子预测模块，用于基于所述目标关联预测模块，对所述第二偏好特征信息进行关联句子预测，得到所述目标预测标签句子。
37、可选的，所述第二句子预测模块包括：
38、分词预测分析模块，用于将预设起始分词的第一分词编码信息和所述第二偏好特征信息输入至所述目标关联预测模块进行分词预测分析，得到关联分词位置对应的目标分词分布信息；所述预设起始分词为多个预设分词中表征句子起始含义的预设分词，所述关联分词位置为所述预设起始分词对应的标签句子分词位置的下一分词位置；
39、编码确定模块，用于基于所述关联分词位置对应的目标分词分布信息，确定所述关联分词位置对应的目标分词的第二分词编码信息；
40、执行模块，用于基于所述第二分词编码信息，更新所述第一分词编码信息，并基于更新后的第一分词编码信息，重复所述将预设起始分词的第一分词编码信息和所述第二偏好特征信息输入至所述目标关联预测模块进行分词预测分析，得到关联分词位置对应的目标分词分布信息，至所述基于所述关联分词位置对应的目标分词分布信息，确定所述关联分词位置对应的目标分词的第二分词编码信息，直至所述第二分本文档来自技高网...
【技术保护点】
1.一种资源推荐方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述目标句子预测模型包括目标语义提取模块、目标特征处理模块和目标关联预测模块；所述将所述目标对象特征信息和所述目标历史标签句子输入至所述目标句子预测模型进行关联语义预测，得到所述目标预测标签句子，包括：
4.根据权利要求2所述的方法，其特征在于，所述目标对象特征信息包括以下方式获取：
5.根据权利要求4所述的方法，其特征在于，所述基于所述多个目标属性编码信息，生成所述目标对象特征信息，包括：
6.根据权利要求1所述的方法，其特征在于，所述目标句子预测模型包括以下方式获取：
7.根据权利要求6所述的方法，其特征在于，所述训练样本数据集包括至少一个样本对象各自对应的样本历史标签句子和所述至少一个样本对象各自对应的样本参考标签句子；所述基于所述训练样本数据集，对预设机器学习模型进行微调处理，得到所述目标句子预测模型，包括：
8.根据权利要求1所述的方法，
9.根据权利要求8所述的方法，其特征在于，所述目标预测标签句子包括多个标签句子分词位置各自对应的标签句子分词；所述基于所述目标关联预测模块，对所述第二偏好特征信息进行关联句子预测，得到所述目标预测标签句子，包括：
10.一种资源推荐装置，其特征在于，所述装置包括：
11.一种电子设备，其特征在于，包括：
12.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的资源推荐方法。
13.一种计算机程序产品，包括计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1至9中任意一项所述的资源推荐方法。
...【技术特征摘要】
1.一种资源推荐方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述目标句子预测模型包括目标语义提取模块、目标特征处理模块和目标关联预测模块；所述将所述目标对象特征信息和所述目标历史标签句子输入至所述目标句子预测模型进行关联语义预测，得到所述目标预测标签句子，包括：
4.根据权利要求2所述的方法，其特征在于，所述目标对象特征信息包括以下方式获取：
5.根据权利要求4所述的方法，其特征在于，所述基于所述多个目标属性编码信息，生成所述目标对象特征信息，包括：
6.根据权利要求1所述的方法，其特征在于，所述目标句子预测模型包括以下方式获取：
7.根据权利要求6所述的方法，其特征在于，所述训练样本数据集包括至少一个样本对象各自对应的样本历史标签句子和所述至少一个样本对象各自对应的样本参考标签句子；所述基于所述训练样本数据集，对预设机器学习模型进行微调处理，得到所述...
【专利技术属性】
技术研发人员：骆顺昌，
申请(专利权)人：腾讯科技深圳有限公司，
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。