【技术实现步骤摘要】
本申请涉及计算机应用，尤其涉及资源召回方法。
技术介绍
1、随着计算技术的快速发展，在各种社交应用、搜索场景中为用户推荐资源(如资源召回)成为一大研究的热点。目前，针对目标用户进行资源召回，通常是通过目标用户的交互行为计算目标用户和资源的匹配度来确定召回资源。实际应用中，如果用户的长期行为较多，那么传统的推荐召回算法无法对用户的实时兴趣的迁移做出及时的响应。同样的，在用户的短期行为较多时，长期兴趣会很快被遗忘。因此，传统的推荐召回算法无法平衡用户的长短期兴趣表达，也就无法准确地挖掘用户在不同时间段的兴趣偏好，从而导致资源召回的准确性较低。
技术实现思路
1、本申请实施例提供了资源召回方法，能够更好地平衡对象的长短期兴趣表达，以准确地挖掘对象在不同时间段的兴趣偏好，从而提高资源召回的准确性。
2、一方面，本申请实施例提供一种资源召回方法，该方法包括：
3、基于目标对象的长期行为序列，生成所述目标对象的长期行为兴趣表征；其中，所述长期行为序列包括所述目标对象在第一预设时间段内的至少一个长期行为特征；
4、基于所述目标对象的短期行为序列，生成所述目标对象的短期行为兴趣表征；其中，所述短期行为序列包括所述目标对象在第二预设时间段内的至少一个短期行为特征，所述第一预设时间段指示的时长大于所述第二预设时间段指示的时长；
5、对所述目标对象的长期行为兴趣表征和短期行为兴趣表征进行融合，得到所述目标对象的兴趣表征向量；
6、基于所述目标对
7、在一个实施例中，所述基于目标对象的长期行为序列，生成所述目标对象的长期行为兴趣表征，包括：
8、获取各个长期行为特征的权重；
9、基于所述各个长期行为特征的权重，对所述至少一个长期行为特征进行多层感知机运算，得到所述长期行为兴趣表征。
10、在一个实施例中，所述基于所述各个长期行为特征的权重，对所述至少一个长期行为特征进行多层感知机运算，得到所述长期行为兴趣表征，包括：
11、使用所述目标对象的身份特征，对所述至少一个长期行为特征进行注意力计算，得到处理后的至少一个长期行为特征；
12、基于所述各个长期行为特征的权重，对所述处理后的至少一个长期行为特征进行多层感知机运算，得到所述长期行为兴趣表征。
13、在一个实施例中，所述基于所述目标对象的短期行为序列，生成所述目标对象的短期行为兴趣表征，包括：
14、使用所述目标对象的身份特征，对所述至少一个短期行为特征进行注意力计算，得到所述短期行为兴趣表征。
15、在一个实施例中，所述方法还包括：
16、调用长短期记忆网络lstm，对所述至少一个短期行为特征进行特征筛选，得到筛选后的短期行为特征；
17、通过多头自注意力机制，对所述筛选后的短期行为特征进行注意力计算，得到高阶的短期行为特征；
18、所述使用所述目标对象的身份特征，对所述至少一个短期行为特征进行注意力计算，得到所述短期行为兴趣表征，包括：
19、使用所述目标对象的身份特征，对所述高阶的短期行为特征进行注意力计算，得到所述短期行为兴趣表征。
20、在一个实施例中，所述对所述目标对象的长期行为兴趣表征和短期行为兴趣表征进行融合，得到所述目标对象的兴趣表征向量，包括：
21、通过门控网络生成身长期行为兴趣表征和短期行为兴趣表征的权重；
22、基于所述长期行为兴趣表征和短期行为兴趣表征的权重，对所述长期行为兴趣表征和短期行为兴趣表征进行加权运算，得到所述目标对象的兴趣表征向量。
23、在一个实施例中，所述基于所述目标对象的兴趣表征向量，确定所述目标对象的召回资源，包括：
24、基于兴趣表征向量和资源的对应关系，获取所述兴趣表征向量对应的资源；
25、将获取到的资源作为所述目标对象的召回资源。
26、在一个实施例中，所述方法还包括：
27、获取候选集合，所述候选集合包括多个资源；
28、对所述候选集合中的各个资源进行特征提取，得到各个资源的资源特征向量；
29、基于所述兴趣表征向量和所述各个资源的资源特征向量的空间距离，建立兴趣表征向量和资源的对应关系。
30、在一个实施例中，所述兴趣表征向量是基于兴趣表征模型得到的，所述方法还包括：
31、获取训练样本；其中，所述训练样本包括正样本和负样本，所述正样本包括在历史时间段内被推送至训练对象，且被所述训练对象点击的第一训练资源，所述负样本包括在所述历史时间段内未被推送至所述训练对象的第二训练资源；
32、获取所述训练对象关于所述第一训练资源的长期行为序列和短期行为序列；
33、调用初始兴趣表征模型，基于所述训练对象的长期行为序列，生成所述训练对象的长期行为兴趣表征，以及基于所述训练对象的短期行为序列，生成所述训练对象的短期行为兴趣表征；
34、对所述训练对象的长期行为兴趣表征和短期行为兴趣表征进行融合，得到所述训练对象的兴趣表征向量；
35、以减小所述训练对象的兴趣表征向量和所述第一训练资源的空间距离，且增大所述训练对象的兴趣表征向量和所述第二训练资源的空间距离为训练目标，对所述初始兴趣表征模型进行训练，得到所述兴趣表征模型。
36、在一个实施例中，所述方法还包括：
37、每间隔第三预设时间段对上一次优化得到的兴趣表征模型的稠密参数和稀疏参数进行优化，得到所述兴趣表征模型；
38、每间隔第四预设时间段对上一次优化得到的兴趣表征模型的稀疏参数进行优化，得到所述兴趣表征模型，所述第三预设时间段指示的时长大于所述第四预设时间段指示的时长。
39、另一方面，本申请实施例提供了一种资源召回装置，该资源召回装置包括：
40、第一生成单元，用于基于目标对象的长期行为序列，生成所述目标对象的长期行为兴趣表征；其中，所述长期行为序列包括所述目标对象在第一预设时间段内的至少一个长期行为特征；
41、第二生成单元，用于基于所述目标对象的短期行为序列，生成所述目标对象的短期行为兴趣表征；其中，所述短期行为序列包括所述目标对象在第二预设时间段内的至少一个短期行为特征，所述第一预设时间段指示的时长大于所述第二预设时间段指示的时长；
42、融合单元，用于对所述目标对象的长期行为兴趣表征和短期行为兴趣表征进行融合，得到所述目标对象的兴趣表征向量；
43、确定单元，用于基于所述目标对象的兴趣表征向量，确定所述目标对象的召回资源。
44、另一方面，本申请实施例提供一种计算机设备，包括处理器、存储装置和通信接口，处理器、存储装置和通信接口相互连接，其中，存储装置用于存储支持计算机设备执行上述方法的计算机程序，计算机程序包括程序指令本文档来自技高网...
【技术保护点】
1.一种资源召回方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于目标对象的长期行为序列，生成所述目标对象的长期行为兴趣表征，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述各个长期行为特征的权重，对所述至少一个长期行为特征进行多层感知机运算，得到所述长期行为兴趣表征，包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所述目标对象的短期行为序列，生成所述目标对象的短期行为兴趣表征，包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述对所述目标对象的长期行为兴趣表征和短期行为兴趣表征进行融合，得到所述目标对象的兴趣表征向量，包括：
7.根据权利要求1所述的方法，其特征在于，所述基于所述目标对象的兴趣表征向量，确定所述目标对象的召回资源，包括：
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
9.根据权利要求1所述的方法，其特征在于，所述兴趣表征向量是基于兴趣表征模型得
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
...【技术特征摘要】
1.一种资源召回方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于目标对象的长期行为序列，生成所述目标对象的长期行为兴趣表征，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述各个长期行为特征的权重，对所述至少一个长期行为特征进行多层感知机运算，得到所述长期行为兴趣表征，包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所述目标对象的短期行为序列，生成所述目标对象的短期行为兴趣表征，包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：...
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。