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，用户可以通过多种游戏进入福利专区领取消费券。

2、相关技术中，通过特征交叉网络挖掘特征之间的高阶非线性关系，提升模型最终对于最终点击率预测的准确性。针对多种预测场景采用多场景联合建模，即通过包括特定特征交叉网络的深度模型统一处理多种游戏场景的数据。

3、然而，上述统一式的建模处理方式受限于单一特征交叉模式，特征利用不充分，针对差异化场景预测准确性较低，导致推荐效率较低。

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。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、通过至少两种特征交叉维度分别对所述属性特征数据进行特征交叉处理，得到至少两个特征交叉结果；

5、基于所述至少两个特征交叉结果和所述场景特征数据预测所述第一账号与所述候选资源的所述交互概率；

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，用于通过至少两种特征交叉维度分别对所述属性特征数据进行特征交叉处理，得到至少两个特征交叉结果；

10、所述处理模块，还用于基于所述至少两个特征交叉结果和所述场景特征数据预测所述第一账号与所述候选资源的所述交互概率；

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，所述获取模块，还用于基于所述属性特征数据获取至少两种特征交叉网络分别对应的网络输入向量，所述至少两种特征交叉网络中包括低阶特征交叉网络和高阶特征交叉网络，所述低阶特征交叉网络对应低阶输入向量，所述高阶特征交叉网络对应高阶输入向量；

13、所述处理模块，还用于通过低阶特征交叉网络对所述低阶输入向量进行低阶特征交叉处理，得到低阶特征交叉结果；

14、所述处理模块，还用于通过高阶特征交叉网络对所述高阶输入向量进行高阶特征交叉处理，得到高阶特征交叉结果。

15、在一些实施例中，所述处理模块，还用于：

16、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；

17、基于所述稠密特征向量和所述稀疏特征向量中的至少一种得到所述低阶特征交叉网络对应的所述低阶输入向量；

18、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，得到所述高阶特征交叉网络对应的所述高阶输入向量。

19、在一些实施例中，所述低阶特征交叉网络包括一阶特征交叉网络和二阶特征交叉网络；

20、所述获取模块，还用于：

21、基于所述稠密特征向量和所述稀疏特征向量获取所述一阶特征交叉网络对应的第一输入向量；

22、基于至少两个稠密特征向量获取所述二阶特征交叉网络对应的第二输入向量。

23、在一些实施例中，所述处理模块，还用于：

24、通过所述一阶特征交叉网络对第一输入向量进行特征交叉处理，得到一阶特征交叉结果；

25、通过所述二阶特征交叉网络对所述第二输入向量进行特征交叉处理，得到二阶特征交叉结果；

26、融合所述一阶特征交叉结果和所述二阶特征交叉结果，得到所述低阶特征交叉结果。

27、在一些实施例中，所述处理模块，还用于：

28、通过维度重塑将所述第一输入向量展开得到一维输入向量，所述第一输入向量是基于所述稠密特征向量和所述稀疏特征向量得到的二维特征向量；

29、通过所述一阶特征交叉网络对所述一维输入向量进行特征交叉处理，得到所述一阶特征交叉结果。

30、在一些实施例中，所述处理模块，还用于：

31、将所述二阶特征交叉网络中的网络权重矩阵分解为第一低维矩阵和第二低维矩阵，其中，所述第一低维矩阵的列数等于所述第二低维矩阵的行数，所述第一低维矩阵和所述第二低维矩阵的维度低于所述权重矩阵的维度；

32、通过所述第一低维矩阵对所述第二输入向量进行线性变换，得到中间特征向量；

33、通过所述第二低维矩阵对所述中间特征向量进行线性变换，得到变换后的输入向量；

34、通过所述二阶特征交叉网络对所述变换后的输入向量和所述第二输入向量进行特征交叉处理，得到所述二阶特征交叉结果。

35、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；

36、所述处理模块，还用于：

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高阶输入向量提取通用特征表示；

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高阶输入向量提取任务特征表示；

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、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；

42、基于所述路由权重对所述至少两个特征交叉结果进行加权融合，得到融合特征；

43、通过概率预测模型中的预测网络基于所述融合特征预测得到所述交互概率，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。

44、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；

45、所述处理模块，还用于通过候选概率预测模型中的至少两种特征交叉网络对所述样本预测数据进行特征交叉处理，得到至少两个样本特征交叉结果；

46、所述处理模块，还用于通过所述候选概率预测模型中的预测网络基于所述至少两个样本特征交叉结果和所述样本场景数据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；

47、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预测模型，直至符合训练要求，得到所述概率预测模型。

48、在一些实施例中，所述获取模块，还用于：

49、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；

50、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。

51、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。

52、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。

53、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。

54、本技术实施例提供的技术方案带来的有益效果至少包括：

55、通过至少两种特征交叉维度的特征交叉处理，分别基于属性特征数据得到至少两个特征交叉结果，能够从多维度充分挖掘特征之间的高阶非线性关系，兼顾各种特征对交互概率的独立影响和联合影响，从而使用至少两个特征交叉结果参与预测得到的交互概率更加准确，提高基于账号与资源交互概率进行资源推荐的推荐效率。