资源推荐方法、装置、设备、存储介质及程序产品与流程

本技术涉及计算机，特别涉及一种资源推荐方法、装置、设备、存储介质及程序产品。

背景技术：

1、在游戏平台生态中，消费券推荐是提升用户活跃度和商业转化的重要环节。用户领取消费券的场景呈现高度多样性，包括多种游戏的微社区生活福利专区。

2、相关技术中，通过统一模型处理用户数据和消费券特征，在模型输出用户-消费券匹配度评分后，基于排序结果针对不同游戏的福利专区进行统一推荐投放。

3、然而，由于统一式的推荐投放难以适应用户在不同场景下的不同需求，针对差异化场景预测准确性较低，导致推荐效率较低，模型针对不同场景的适用性较差。

技术实现思路

1、本技术实施例提供了一种资源推荐方法、装置、设备、存储介质及程序产品，能够提高针对差异化场景的预测准确性，提高推荐效率。所述技术方案如下。

2、一方面，提供了一种资源推荐方法，所述方法包括：

3、获取预测数据，所述预测数据用于预测第一账号与候选资源的交互概率，所述预测数据包括属性特征数据和场景特征数据，所述属性特征数据用于指示所述第一账号和所述候选资源的属性特征，所述场景特征数据用于指示所述第一账号与所述候选资源交互的场景特征；

4、基于所述场景特征数据确定路由权重，所述路由权重用于指示所述属性特征数据对所述交互概率的影响程度；

5、通过概率预测模型基于所述属性特征数据和所述路由权重预测所述第一账号与所述候选资源的所述交互概率，所述概率预测模型是预先训练得到的用于预测指定事件发生概率的机器学习模型；

6、在所述交互概率符合推荐要求的情况下，基于所述交互概率向所述第一账号推荐所述候选资源。

7、另一方面，提供了一种资源推荐装置，所述装置包括：

8、获取模块，用于获取预测数据，所述预测数据用于预测第一账号与候选资源的交互概率，所述预测数据包括属性特征数据和场景特征数据，所述属性特征数据用于指示所述第一账号和所述候选资源的属性特征，所述场景特征数据用于指示所述第一账号与所述候选资源交互的场景特征；

9、处理模块，用于基于所述场景特征数据确定路由权重，所述路由权重用于指示所述属性特征数据对所述交互概率的影响程度；

10、所述处理模块，还用于通过概率预测模型基于所述属性特征数据和所述路由权重预测所述第一账号与所述候选资源的所述交互概率，所述概率预测模型是预先训练得到的用于预测指定事件发生概率的机器学习模型；

11、所述处理模块，还用于在所述交互概率符合推荐要求的情况下，基于所述交互概率向所述第一账号推荐所述候选资源。

12、在一些实施例中，所述概率预测模型中包括至少两个特征交叉网络，所述至少两个特征交叉网络分别对应所述路由权重，所述路由权重用于指示所述特征交叉网络的输出权重；

13、所述处理模块，还用于：

14、通过所述概率预测模型中的至少两个特征交叉网络分别从所述属性特征数据中抽取信息特征，得到至少两个特征交叉结果；

15、基于所述至少两个特征交叉结果中第i个特征交叉结果与第i个特征交叉网络对应的所述路由权重，确定第i个网络输出结果，i为正整数；

16、通过所述概率预测模型中的预测网络基于所述至少两个特征交叉结果分别对应的所述网络输出结果预测得到所述交互概率。

17、在一些实施例中，所述至少两个特征交叉网络包括低阶特征交叉网络和高阶特征交叉网络；

18、所述处理模块，还用于：

19、通过所述低阶特征交叉网络从所述属性特征数据中抽取低阶信息特征，得到低阶特征交叉结果；

20、通过所述高阶特征交叉网络从所述属性特征数据中抽取高阶信息特征，得到高阶特征交叉结果；

21、基于所述低阶特征交叉结果和所述低阶特征交叉网络对应的低阶路由权重，确定低阶网络输出结果，所述低阶路由权重是基于所述低阶特征交叉网络的网络参数和所述场景特征数据确定的；

22、基于所述高阶特征交叉结果和所述高阶特征交叉网络对应的高阶路由权重，确定高阶网络输出结果，所述高阶路由权重是基于所述高阶特征交叉网络的网络参数和所述场景特征数据确定的。

23、在一些实施例中，所述处理模块，还用于：

24、通过所述低阶特征交叉网络对应的动态权重层基于所述场景特征数据，生成所述低阶路由权重；

25、拼接所述场景特征数据和所述属性特征数据，得到高阶路由输入数据；

26、通过所述高阶特征交叉网络对应的动态权重层基于所述高阶路由输入数据，生成所述高阶路由权重。

27、在一些实施例中，所述处理模块，还用于特征向量化所述属性特征数据，得到属性特征向量，所述属性特征向量中包括稠密特征向量、稀疏特征向量和时序特征向量中的至少一种，所述稠密特征向量用于指示所述属性特征数据中连续性的数值特征，所述稀疏特征向量用于指示所述属性特征数据中的类别特征，所述时序特征向量用于指示所述属性特征数据中的时序特征。

28、在一些实施例中，所述低阶特征交叉网络包括低阶交叉子网络和高阶交叉子网络；

29、所述处理模块，还用于：

30、通过所述低阶交叉子网络基于所述稠密特征向量和所述稀疏特征向量抽取信息特征，得到低阶交叉子结果，其中，所述低阶交叉子网络包括一阶特征交叉网络和二阶特征交叉网络，所述一阶特征交叉网络用于量化所述稠密特征向量和所述稀疏特征向量对所述交互概率的独立影响程度，所述二阶特征交叉网络用于量化至少两个稠密特征向量对所述交互概率的联合影响程度；

31、拼接所述属性特征向量中的至少两种，得到高阶交叉输入特征；

32、通过所述高阶交叉子网络逐层显示交叉处理所述高阶交叉输入特征，得到高阶交叉子结果；

33、融合所述低阶交叉子结果和所述高阶交叉子结果，得到所述低阶特征交叉结果。

34、在一些实施例中，所述高阶特征交叉网络包括多专家交叉网络；

35、所述处理模块，还用于：

36、拼接所述稠密特征向量、所述稀疏特征向量和所述时序特征向量，得到专家网络输入特征；

37、通过所述多专家交叉网络中的共享专家子网络基于所述专家网络输入特征提取通用特征表示；

38、通过所述多专家交叉网络中的任务专家子网络基于所述专家网络输入特征提取任务特征表示；

39、融合所述通用特征表示和所述任务特征表示，得到所述高阶特征交叉结果。

40、在一些实施例中，所述处理模块，还用于：

41、拼接所述至少两个特征交叉结果分别对应的所述网络输出结果，得到融合特征；

42、通过所述预测网络基于所述融合特征预测得到所述交互概率。

43、在一些实施例中，所述获取模块，还用于：

44、获取账号属性数据、资源属性数据、上下文数据作为所述属性特征数据，所述账号属性数据用于指示所述第一账号的账号数据，所述资源属性数据用于指示所述候选资源的资源属性，所述上下文数据用于指示所述第一账号的环境状态；

45、获取程序特征数据和时间特征数据作为所述场景特征数据，所述程序特征数据用于指示向所述第一账号推荐所述候选资源的程序类型，所述时间特征数据用于指示向所述第一账号推荐所述候选资源的推荐时刻。

46、在一些实施例中，所述获取模块，还用于获取样本预测数据，所述样本预测数据用于预测样本账号对样本资源的样本交互概率，所述样本预测数据中包括样本属性数据和样本场景数据，所述样本预测数据对应有参考标签；

47、所述处理模块，还用于基于所述样本场景数据确定样本路由权重，所述样本路由权重用于指示所述样本属性数据对所述样本交互概率的影响程度；

48、所述处理模块，还用于通过候选概率预测模型基于所述样本属性数据和所述样本路由权重预测所述样本账号针对所述样本资源的所述样本交互概率；

49、所述处理模块，还用于基于所述样本交互概率和所述参考标签之间的差异训练所述候选概率预测模型，直至符合训练要求，得到所述概率预测模型。

50、在一些实施例中，所述处理模块，还用于：

51、从所述候选资源中获取所述交互概率符合所述推荐要求的第一候选资源；

52、按照所述交互概率从高到低的顺序向所述第一账号推荐所述第一候选资源，其中，所述第一候选资源对应的所述交互概率与所述第一候选资源在所述第一账号所在客户端的推荐显示优先级呈正相关关系，所述推荐显示优先级用于指示所述第一候选资源在所述第一账号所在客户端中的显示顺序和视觉显著程度。

53、另一方面，提供了一种计算机设备，所述计算机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、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述本技术实施例中任一所述的资源推荐方法。

54、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、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述本技术实施例中任一所述的资源推荐方法。

55、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，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中任一所述的资源推荐方法。

56、本技术实施例提供的技术方案带来的有益效果至少包括：

57、通过使用第一账号与候选资源交互的场景特征参与预测交互概率，能够根据场景特征数据确定路由权重，从而根据场景特征调整属性特征数据在不同场景下对交互概率的影响程度，提高概率预测模型基于属性特征数据预测得到的交互概率与交互场景的贴合程度，提高交互概率的预测准确性，从而基于交互概率向第一账号推荐候选资源的推荐效率较高，能够适应差异化推荐场景。