一种多媒体资源推荐方法、装置及存储介质与流程

1.本公开涉及移动互联网技术领域，尤其涉及一种多媒体资源推荐方法、装置及存储介质。


背景技术：

2.随着时代的发展，电子设备已成为了生活中的一部分，为了满足用户的使用需求，通常在电子设备中下载安装各种应用软件。用户可以通过应用软件观看视频、收听音乐等。应用软件为了向用户推荐用户感兴趣的视频、音乐或者新闻等多媒体资源，通过推荐算法在资源库中筛选出用户感兴趣的多媒体资源。
3.然而现有的推荐算法把重心放在了关注行为上，即，用户观看了推荐的多媒体资源后关注该多媒体资源的发布者这一行为上。而忽略了产生的关注行为不一定会带来有效的状态变化，如，用户关注了发布者后却不再观看发布者的其他多媒体资源。因此，现有的推荐方法没有办法区分哪些行为属于有效引发状态变化的行为，从而降低了推荐多媒体资源的准确性。


技术实现要素：

4.本公开实施例提供一种多媒体资源推荐方法、装置及存储介质，以提高向用户推荐多媒体资源的准确性。
5.根据本公开实施例的第一方面，提供一种多媒体资源推荐方法，包括：
6.获取目标账户的候选多媒体资源集合；其中，所述候选多媒体资源集合中包括至少两个用于向所述目标账户推荐的候选多媒体资源；
7.生成所述候选多媒体资源对应的第一预测参数集合和第二预测参数集合，其中，所述第一预测参数集合用于记录所述目标账户对所述候选多媒体资源执行交互操作的各预测参数；所述第二预测参数集合用于记录在所述目标账户与所述候选多媒体资源的发布账户建立社交关系之后，所述目标账户对所述发布账户发布的其他多媒体资源执行交互操作的各预测参数；其中，所述目标账户与所述发布账户之间没有建立社交关系；
8.基于所述第一预测参数集合和所述第二预测参数集合，得到所述候选多媒体资源的筛选参数；
9.根据所述筛选参数，从所述候选多媒体资源集合中筛选多媒体资源向所述目标账户进行推荐。
10.在一种可能的实现方式中，所述基于所述第一预测参数集合和所述第二预测参数集合，得到所述候选多媒体资源的筛选参数，包括：
11.对所述第二预测参数集合中的各预测参数进行融合处理，得到修正参数；
12.根据所述修正参数对所述第一预测参数集合中的预测参数进行修正，得到所述候选多媒体资源的筛选参数。
13.在一种可能的实现方式中，所述根据所述修正参数对所述第一预测参数集合中的
预测参数进行修正，得到所述候选多媒体资源的筛选参数，包括：
14.将所述第一预测参数集合中与所述修正参数相关联的预测参数与所述修正参数相乘，得到修正后的预测参数；其中，与所述修正参数相关联的预测参数为所述目标账户通过所述候选多媒体资源对所述发布账户进行特定操作的预测参数，所述特定操作为所述交互操作中的一种；
15.将修正后的预测参数与所述第一预测参数集合中的其他预测参数根据预设的系数进行加权求和计算，得到所述候选多媒体资源的筛选参数。
16.在一种可能的实现方式中，所述根据所述修正参数对所述第一预测参数集合中的预测参数进行修正，得到所述候选多媒体资源的筛选参数，包括：
17.将所述第一预测参数集合中的各预测参数与所述修正参数根据预设的系数进行加权求和计算，得到所述候选多媒体资源的筛选参数。
18.在一种可能的实现方式中，所述根据所述修正参数对所述第一预测参数集合中的预测参数进行修正，得到所述候选多媒体资源的筛选参数，包括：
19.对所述修正参数进行特征提取，得到修正特征；以及；
20.将所述第一预测参数集合中的各预测参数进行特征提取，得到各预测参数的特征；
21.通过对各预测参数的特征以及所述修正特征进行线性计算，得到所述候选多媒体资源的筛选参数。
22.在一种可能的实现方式中，通过下列方法确定所述候选多媒体资源对应的第二预测参数集合：
23.对所述发布账户的账户信息进行特征提取，得到发布账户特征；以及；
24.对与所述发布账户具有关联关系的关联账户集合的账户信息进行特征提取，得到关联账户特征；其中，所述关联账户集合包括至少两个关联账户，关联账户集合的账户信息包括每个关联账户的账户信息、每个关联账户对所述发布账户的多媒体资源执行的交互操作；
25.根据所述发布账户特征和所述关联账户特征确定所述目标账户对所述发布账户执行的交互操作的所述第二预测参数集合。
26.在一种可能的实现方式中，所述根据所述筛选参数，从所述候选多媒体资源集合中筛选多媒体资源向所述目标账户进行推荐，包括：
27.根据所述筛选参数，从所述候选多媒体资源集合中确定待推荐的多媒体资源；
28.若确定的待推荐的多媒体资源中相同类型的多媒体资源的数量大于预设阈值，则根据所述筛选参数对数量大于预设阈值的相同类型中的多媒体资源进行筛选；其中，多媒体资源的类型是根据多媒体资源的内容分类得到的；
29.将筛选后的多媒体资源与其他待推荐的多媒体资源推荐给所述目标账户。
30.根据本公开实施例的第二方面，提供一种多媒体资源推荐装置，包括：
31.获取单元，被配置为执行获取目标账户的候选多媒体资源集合；其中，所述候选多媒体资源集合中包括至少两个用于向所述目标账户推荐的候选多媒体资源；
32.确定预测参数集合单元，被配置为执行生成所述候选多媒体资源对应的第一预测参数集合和第二预测参数集合，其中，所述第一预测参数集合用于记录所述目标账户对所
述候选多媒体资源执行交互操作的各预测参数；所述第二预测参数集合用于记录在所述目标账户与所述候选多媒体资源的发布账户建立社交关系之后，所述目标账户对所述发布账户发布的其他多媒体资源执行交互操作的各预测参数；其中，所述目标账户与所述发布账户之间没有建立社交关系；
33.确定筛选参数单元，被配置为执行基于所述第一预测参数集合和所述第二预测参数集合，得到所述候选多媒体资源的筛选参数；
34.推荐单元，被配置为执行根据所述筛选参数，从所述候选多媒体资源集合中筛选多媒体资源向所述目标账户进行推荐。
35.在一种可能的实现方式中，确定筛选参数单元包括：
36.融合子单元，被配置为执行对所述第二预测参数集合中的各预测参数进行融合处理，得到修正参数；
37.修正子单元，被配置为执行根据所述修正参数对所述第一预测参数集合中的预测参数进行修正，得到所述候选多媒体资源的筛选参数。
38.在一种可能的实现方式中，修正子单元包括：
39.第一修正子单元，被配置为执行将所述第一预测参数集合中与所述修正参数相关联的预测参数与所述修正参数相乘，得到修正后的预测参数；其中，与所述修正参数相关联的预测参数为所述目标账户通过所述候选多媒体资源对所述发布账户进行特定操作的预测参数，所述特定操作为所述交互操作中的一种；
40.确定筛选参数子单元，被配置为执行将修正后的预测参数与所述第一预测参数集合中的其他预测参数根据预设的系数进行加权求和计算，得到所述候选多媒体资源的筛选参数。
41.在一种可能的实现方式中，修正子单元包括：
42.第二修正子单元，被配置为执行将所述第一预测参数集合中的各预测参数与所述修正参数根据预设的系数进行加权求和计算，得到所述候选多媒体资源的筛选参数。
43.在一种可能的实现方式中，修正子单元包括：
44.第一特征提取子单元，被配置为执行对所述修正参数进行特征提取，得到修正特征；
45.第二特征提取子单元，被配置为执行将所述第一预测参数集合中的各预测参数进行特征提取，得到各预测参数的特征；
46.第三修正子单元，被配置为执行通过对各预测参数的特征以及所述修正特征进行线性计算，得到所述候选多媒体资源的筛选参数。
47.在一种可能的实现方式中，通过下列装置确定所述候选多媒体资源对应的第二预测参数集合：
48.第一特征提取单元，被配置为执行对所述发布账户的账户信息进行特征提取，得到发布账户特征；
49.第二特征提取单元，被配置为执行对与所述发布账户具有关联关系的关联账户集合的账户信息进行特征提取，得到关联账户特征；其中，所述关联账户集合包括至少两个关联账户，关联账户集合的账户信息包括每个关联账户的账户信息、每个关联账户对所述发布账户的多媒体资源执行的交互操作；
50.确定第二预测参数集合单元，被配置为执行根据所述发布账户特征和所述关联账户特征确定所述目标账户对所述发布账户执行的交互操作的所述第二预测参数集合。
51.在一种可能的实现方式中，推荐单元包括：
52.确定多媒体资源子单元，被配置为执行根据所述筛选参数，从所述候选多媒体资源集合中确定待推荐的多媒体资源；
53.筛选子单元，被配置为执行若确定的待推荐的多媒体资源中相同类型的多媒体资源的数量大于预设阈值，则根据所述筛选参数对数量大于预设阈值的相同类型中的多媒体资源进行筛选；其中，多媒体资源的类型是根据多媒体资源的内容分类得到的；
54.推荐子单元，被配置为执行将筛选后的多媒体资源与其他待推荐的多媒体资源推荐给所述目标账户。
55.根据本公开实施例的第三方面，提供一种电子设备，包括：
56.处理器；
57.用于存储所述处理器可执行指令的存储器；
58.其中，所述处理器被配置为执行所述指令，以实现一种多媒体资源推荐方法；
59.根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行一种多媒体资源推荐方法；
60.根据本公开实施例的第五方面，提供一种计算机程序产品，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开实施例提供的多媒体资源推荐方法。
61.本公开的实施例提供的技术方案至少带来以下有益效果：
62.通过对目标账户对候选多媒体资源的交互操作进行预测，获取候选多媒体资源的第一预测参数集合和第二预测参数集合，其中，第二预测参数集合用于记录在目标账户与候选多媒体资源的发布账户建立社交关系之后，目标账户对发布账户发布的其他多媒体资源执行交互操作的各预测参数；根据获取到的第一预测参数集合和第二预测参数集合确定筛选参数，并根据筛选参数向目标账户进行多媒体资源推荐。这样，通过获取第二预测参数集合，可以预测目标账户在关注了发布账户后对发布账户的其他多媒体资源执行交互操作的预测参数，从而根据第一预测参数集合和第二预测参数集合得到的筛选参数产生更精确的推荐结果，进一步提高向目标账户推荐多媒体资源的准确性。
63.本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开而了解。本公开的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
64.此处所说明的附图用来提供对本公开的进一步理解，构成本公开的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：
65.图1为本公开实施例中应用界面的示意图；
66.图2为本公开实施例中一种多媒体资源推荐方法的流程示意图；
67.图3为本公开实施例中一种多媒体资源推荐装置的结构示意图；
68.图4为本公开实施方式中终端设备结构示意图。
具体实施方式
69.为了提高向用户推荐多媒体资源的准确性，本公开实施例中提供一种多媒体资源推荐方法、装置及存储介质。为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
70.需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
71.下面结合附图介绍本公开实施例提供的技术方案。
72.现有的应用软件为了提高用户粘性，通常会在应用内提供两个页面，一个页面为向用户推荐多媒体资源的推荐页面，另一个页面为用户关注的作者发布的多媒体资源。以视频为例，用户既可以在推荐页面观看推荐的视频，也可以在关注页面观看关注的作者所发布的视频。如图1所示，其为应用界面的示意图。其中，在应用界面的上方有两个触摸选项，分别为推荐和关注，用户通过点击对应的触摸选项，进入到相应的页面中。如：用户点击了推荐页面，则应用则会显示推荐页面，用户点击推荐页面中的视频，播放推荐视频。
73.而应用希望用户在推荐页面浏览到自己喜欢的视频后，能够产生关注该视频作者的行为，进而转化到关注页面去浏览视频，这样，既可以提升用户的粘性，还可以提升作者的生产热情，使得整个内容生态形成良好的循环。
74.但是在现有的推荐方案中，仅仅是把用户通过浏览视频后进行关注这一行为作为参数为用户推荐视频，却忽略了用户在关注该视频的作者后，可能并不会去关注页面去浏览视频。例如：用户关注了喜爱视频的作者后，却发现并不喜欢该作者的其他视频。因此，在这种情况下用户可能并不会去关注页面去浏览该作者的视频，以及对该作者的视频进行操作。因此现有的推荐方案并没有对关注之后用户的行为进行关注，从而导致了用户从推荐页面浏览视频到从关注页面浏览视频的有效转化较低，降低了推荐多媒体资源的准确性。
75.有鉴于此，本公开为了解决以上问题，提供了一种多媒体资源推荐方法，在向用户推荐视频时，不仅需要考虑用户在浏览视频后，对该视频的交互操作(如点击、点赞、转发、关注等行为)，还需要考虑用户在关注了该视频的作者后，对该作者的其他视频的交互操作(如点击、点赞、转发等行为)。这样，通过预测目标账户对视频的第一参数集合以及目标账户对该视频作者的其他视频的第二参数集合，并根据第一参数集合和第二参数集合得到筛选参数产生更精确的推荐结果，进一步提高向目标账户推荐多媒体资源的准确性。
76.为便于理解，下面结合附图对本公开提供的技术方案做进一步说明。
77.图2是根据一示例性实施例示出的一种多媒体资源推荐方法的流程图，如图2所示，包括以下步骤。
78.在步骤s21中，获取目标账户的候选多媒体资源集合；其中，候选多媒体资源集合中包括至少两个用于向所述目标账户推荐的候选多媒体资源。
79.其中，多媒体资源包括音乐、视频、新闻等多媒体信息。
80.其中，候选多媒体资源集合是通过大数据，对所有视频进行粗排序得到的多媒体资源集合。例如：根据目标账户的账户信息(如用户性别、年龄、地域、浏览过的多媒体资源等信息)，从资源库中筛选出与目标账户的账户信息相似的关联账户，并从关联账户浏览过的多媒体资源中选取候选多媒体资源集合。
81.在步骤s22中，生成所述候选多媒体资源对应的第一预测参数集合和第二预测参数集合，其中，所述第一预测参数集合用于记录所述目标账户对所述候选多媒体资源执行交互操作的各预测参数；所述第二预测参数集合用于记录在所述目标账户与所述候选多媒体资源的发布账户建立社交关系之后，所述目标账户对所述发布账户发布的其他多媒体资源执行交互操作的各预测参数；其中，所述目标账户与所述发布账户之间没有建立社交关系。
82.在本公开实施例中，在获取了候选多媒体资源集合后，针对集合中的每一个多媒体资源，确定各多媒体资源的筛选参数。筛选参数由两部分组成，分别为第一预测参数集合和第二预测参数集合。
83.其中，第一预测参数集合包括目标账户对多媒体资源的交互操作的预测参数，例如：点击率、关注率、点赞率以及转发率等信息。第二预测参数集合包括目标账户在关注了该多媒体资源的发布账户后，对该发布账户发布的其他多媒体资源的交互操作的预测参数，例如：点击率、点赞率以及转发率等信息。
84.而在本公开实施例中，可建立两个预估模型来分别预测第一预测参数集合和第二预测参数集合。其中，预测第一预测参数集合的第一预估模型是以多媒体资源为输入对象，输出得到关于目标账户对该多媒体资源的各预测参数；而预测第二预测参数集合的第二预估模型是以发布账户为输入对象，输出得到关于目标账户对该发布账户的其他多媒体资源的各预测参数。下面对如何训练在这两个模型进行进一步的解释说明：
85.针对第一预估模型，在训练时采集多媒体资源样本，其中，多媒体资源样本包括用户侧特征以及内容侧特征。用户侧特征包括点击该多媒体资源的点击列表(点击列表中包含了点击该多媒体资源的账户信息，如：账户标识、用户性别、年龄等信息)、点赞列表(点赞列表中包含了向该多媒体资源点赞的账户信息)、关注列表(关注列表中包含了关注了该多媒体资源的发布账户的账户信息)以及转发列表(转发列表中包含了转发了该多媒体资源的账户信息)。内容侧特征包括：发布账户的账户信息、点击率、点赞率、关注率以及转发率等特征。且多媒体资源样本具有标签，标签为该多媒体资源样本是否被点击、是否被点赞、是否被关注、是否被转发等信息。例如：若该多媒体资源样本的标签为点击、没有点赞，没有关注、没有转发，则该标签为点击的正样本、点赞的负样本、关注的负样本以及转发的负样本。
86.根据多媒体资源样本以及多媒体资源样本的标签，对第一预估模型进行训练，通过调整预估模型内的参数，使输出结果与标签之间的误差在预设范围内。
87.针对第二预估模型，在训练时采集在关注页面上的多媒体资源样本。其中，多媒体样本包括用户侧特征和作者侧特征。用户侧特征包括点击作者发布的多媒体资源的点击列表、点赞列表、转发列表等信息；作者侧特征包括作者粉丝数、作者活跃度、作者性别、年龄等信息。
88.本公开实施例中，用户在推荐页面和关注页面进行的操作会被单独记录。例如：若用户对一个视频进行了点赞、转发等操作，且是在推荐页面进行了点赞，而在关注页面进行了转发，则在推荐页面中，只能在点赞列表中找到该用户的用户信息，而无法在转发列表中找到该用户。
89.且多媒体资源样本具有标签，标签为该多媒体资源样本是否被点击、是否被点赞、是否被转发等信息。例如：若该多媒体资源样本的标签为点击、没有点赞，没有关注、没有转发，则该标签为点击的正样本、点赞的负样本以及转发的负样本。
90.根据多媒体资源样本以及多媒体资源样本的标签，对第二预估模型进行训练，通过调整预估模型内的参数，使输出结果与标签之间的误差在预设范围内。
91.需要说明的是，第一预估模型和第二预估模型的区别在于训练样本的选取，以及特征的选取。第一预估模型是在推荐页面上选取的样本，选取的特征为用户侧特征和内容侧特征；第二预估模型是在关注页面上选取的样本，选取的特征为用户侧特征和作者侧特征。
92.在得到了训练好的第二预估模型后，对所述发布账户的账户信息进行特征提取，得到发布账户特征；以及，对与所述发布账户具有关联关系的关联账户集合的账户信息进行特征提取，得到关联账户特征。
93.其中，所述关联账户集合包括至少两个关联账户，关联账户集合的账户信息包括每个关联账户的账户信息、每个关联账户对所述发布账户的多媒体资源执行的交互操作。
94.根据所述发布账户特征和所述关联账户特征确定所述目标账户对所述发布账户执行的交互操作的所述第二预测参数集合。
95.在本公开实施例中，将用户侧特征和作者侧特征输入到第二预估模型中，通过矩阵计算，并将计算结果通过激活函数，得到第二预测参数集合。
96.在步骤s23中，基于所述第一预测参数集合和所述第二预测参数集合，得到所述候选多媒体资源的筛选参数。
97.通过两个预估模型获取得到各多媒体资源的第一预测参数集合和第二预测参数集合后，通过处理得到各多媒体资源的筛选参数。具体可实施为：
98.对所述第二预测参数集合中的各预测参数进行融合处理，得到修正参数。
99.在本公开实施例中，通过将各预测参数的数值以预设的加权系数进行加权求和，得到修正参数。
100.根据所述修正参数对所述第一预测参数集合中的预测参数进行修正，得到所述候选多媒体资源的筛选参数。
101.在本公开实施例中，可通过以下三种方法使用修正参数对第一预测参数集合中的预测参数进行修正。
102.第一种：
103.将所述第一预测参数集合中与所述修正参数相关联的预测参数与所述修正参数相乘，得到修正后的预测参数；其中，与所述修正参数相关联的预测参数为所述目标账户通过所述候选多媒体资源对所述发布账户进行特定操作的预测参数，所述特定操作为所述交互操作中的一种；
104.将修正后的预测参数与所述第一预测参数集合中的其他预测参数根据预设的系
数进行加权求和计算，得到所述候选多媒体资源的筛选参数。
105.在本公开实施例中，因为修正参数是针对目标账户在关注了发布账户后对发布账户其他多媒体资源执行交互操作的参数，因此在进行修正时，可以将修正参数对第一预测参数集合中的关注参数进行修正。使修正参数与关注参数相乘，得到关注修正参数，之后将关注修正参数和第一预测参数集合中的点击参数、点赞参数以及转发参数以预设的加权系数进行加权求和，得到筛选参数。如：筛选参数＝a*点击参数 b*点赞参数 c*转发参数 d*修正参数*关注参数。其中，a、b、c、d均为加权系数。
106.第二种：
107.将所述第一预测参数集合中的各预测参数与所述修正参数根据预设的系数进行加权求和计算，得到所述候选多媒体资源的筛选参数。
108.在本公开实施例中，可以直接将修正参数单独作为一项预测参数与其他预测参数进行加权求和计算，得到筛选参数。如：筛选参数＝a*点击参数 b*点赞参数 c*转发参数 d*修正参数 e*关注参数。其中，a、b、c、d、e均为加权系数。
109.第三种：
110.对所述修正参数进行特征提取，得到修正特征；以及，将所述第一预测参数集合中的各预测参数进行特征提取，得到各预测参数的特征；
111.通过对各预测参数的特征以及所述修正特征进行线性计算，得到所述候选多媒体资源的筛选参数。
112.在本技术实施例中，在获取了修正参数以及第一预测参数集合后，将个预测参数通过一个重排序模型进行排序，得到筛选参数。
113.这样，通过将第二预测参数集合融合得到的修正参数对第一预测参数集合进行修正，可以使最终的筛选评分也对目标账户关注发布账户后对发布账户的其他多媒体资源进行交互操作进行了关注，从而使得到的筛选评分更全面，根据筛选评分推荐的多媒体资源质量更高。
114.在步骤s24中，根据筛选参数，从候选多媒体资源集合中筛选多媒体资源向目标账户进行推荐。
115.在本公开实施例中，在获取了各多媒体资源的筛选参数后，根据筛选参数预设数量的多媒体资源进行推荐。
116.在一个实施例中，可以根据筛选参数从高到低的选取预设数量的多媒体资源。例如：候选多媒体资源库中共有10个多媒体资源，选取5个多媒体资源进行推荐，可根据各多媒体资源的筛选参数，将筛选参数的数值最高的前5个多媒体资源作为待推荐的多媒体资源。
117.在一个实施例中，对多媒体资源的筛选参数设定一个阈值，将筛选参数高于阈值的多媒体资源作为待推荐的多媒体资源。例如：候选多媒体资源库中共有10个多媒体资源，设定的阈值为85，若筛选参数高于85的多媒体资源共有4个，则将这4个多媒体资源作为待推荐的多媒体资源。
118.这样，通过预测目标账户对视频的第一参数集合以及目标账户对该视频作者的其他视频的第二参数集合，并根据第一参数集合和第二参数集合得到筛选参数，可以提高向目标账户推荐多媒体资源的质量，有效提升用户留存。
119.然而在向目标账户推荐多媒体资源时，由于待推荐的多媒体资源的类型一致而导致的用户观看体验较差，为了解决这一问题，需要对待推荐的多媒体资源进行进一步的筛选，具体可实施为：
120.根据所述筛选参数，从所述候选多媒体资源集合中确定待推荐的多媒体资源；
121.若确定的待推荐的多媒体资源中相同类型的多媒体资源的数量大于预设阈值，则根据所述筛选参数对数量大于预设阈值的相同类型中的多媒体资源进行筛选；其中，多媒体资源的类型是根据多媒体资源的内容分类得到的；
122.在一个实施例中，预设阈值设定为4，若确定的待推荐的多媒体资源有10个，其中有5个多媒体资源为同一类型，则将这5个多媒体资源进行进一步的筛选，最终得到4个多媒体资源，并将这4个多媒体资源与其他5个多媒体资源推荐给目标账户。
123.将筛选后的多媒体资源与其他待推荐的多媒体资源推荐给所述目标账户。
124.这样，通过根据多媒体资源类型对待推荐的多媒体资源进行进一步的筛选，可以提高用户的观看体验。
125.基于相同的发明构思，本公开还提供一种多媒体资源推荐装置。如图3所示，为本公开提供的一种多媒体资源推荐装置示意图。该装置包括：
126.获取单元301，被配置为执行获取目标账户的候选多媒体资源集合；其中，所述候选多媒体资源集合中包括至少两个用于向所述目标账户推荐的候选多媒体资源；
127.确定预测参数集合单元302，被配置为执行生成所述候选多媒体资源对应的第一预测参数集合和第二预测参数集合，其中，所述第一预测参数集合用于记录所述目标账户对所述候选多媒体资源执行交互操作的各预测参数；所述第二预测参数集合用于记录在所述目标账户与所述候选多媒体资源的发布账户建立社交关系之后，所述目标账户对所述发布账户发布的其他多媒体资源执行交互操作的各预测参数；其中，所述目标账户与所述发布账户之间没有建立社交关系；
128.确定筛选参数单元303，被配置为执行基于所述第一预测参数集合和所述第二预测参数集合，得到所述候选多媒体资源的筛选参数；
129.推荐单元304，被配置为执行根据所述筛选参数，从所述候选多媒体资源集合中筛选多媒体资源向所述目标账户进行推荐。
130.在一种可能的实现方式中，确定筛选参数单元303包括：
131.融合子单元，被配置为执行对所述第二预测参数集合中的各预测参数进行融合处理，得到修正参数；
132.修正子单元，被配置为执行根据所述修正参数对所述第一预测参数集合中的预测参数进行修正，得到所述候选多媒体资源的筛选参数。
133.在一种可能的实现方式中，修正子单元包括：
134.第一修正子单元，被配置为执行将所述第一预测参数集合中与所述修正参数相关联的预测参数与所述修正参数相乘，得到修正后的预测参数；其中，与所述修正参数相关联的预测参数为所述目标账户通过所述候选多媒体资源对所述发布账户进行特定操作的预测参数，所述特定操作为所述交互操作中的一种；
135.确定筛选参数子单元，被配置为执行将修正后的预测参数与所述第一预测参数集合中的其他预测参数根据预设的系数进行加权求和计算，得到所述候选多媒体资源的筛选
参数。
136.在一种可能的实现方式中，修正子单元包括：
137.第二修正子单元，被配置为执行将所述第一预测参数集合中的各预测参数与所述修正参数根据预设的系数进行加权求和计算，得到所述候选多媒体资源的筛选参数。
138.在一种可能的实现方式中，修正子单元包括：
139.第一特征提取子单元，被配置为执行对所述修正参数进行特征提取，得到修正特征；
140.第二特征提取子单元，被配置为执行将所述第一预测参数集合中的各预测参数进行特征提取，得到各预测参数的特征；
141.第三修正子单元，被配置为执行通过对各预测参数的特征以及所述修正特征进行线性计算，得到所述候选多媒体资源的筛选参数。
142.在一种可能的实现方式中，通过下列装置确定所述候选多媒体资源对应的第二预测参数集合：
143.第一特征提取单元，被配置为执行对所述发布账户的账户信息进行特征提取，得到发布账户特征；
144.第二特征提取单元，被配置为执行对与所述发布账户具有关联关系的关联账户集合的账户信息进行特征提取，得到关联账户特征；其中，所述关联账户集合包括至少两个关联账户，关联账户集合的账户信息包括每个关联账户的账户信息、每个关联账户对所述发布账户的多媒体资源执行的交互操作；
145.确定第二预测参数集合单元，被配置为执行根据所述发布账户特征和所述关联账户特征确定所述目标账户对所述发布账户执行的交互操作的所述第二预测参数集合。
146.在一种可能的实现方式中，推荐单元303包括：
147.确定多媒体资源子单元，被配置为执行根据所述筛选参数，从所述候选多媒体资源集合中确定待推荐的多媒体资源；
148.筛选子单元，被配置为执行若确定的待推荐的多媒体资源中相同类型的多媒体资源的数量大于预设阈值，则根据所述筛选参数对数量大于预设阈值的相同类型中的多媒体资源进行筛选；其中，多媒体资源的类型是根据多媒体资源的内容分类得到的；
149.推荐子单元，被配置为执行将筛选后的多媒体资源与其他待推荐的多媒体资源推荐给所述目标账户。
150.如图4所示，基于同一技术构思，本公开实施例还提供了一种电子设备40，可以包括存储器401和处理器402。
151.所述存储器401，用于存储处理器402执行的计算机程序。存储器401可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据任务管理装置的使用所创建的数据等。处理器402，可以是一个中央处理单元(central processing unit，cpu)，或者为数字处理单元等。本公开实施例中不限定上述存储器401和处理器402之间的具体连接介质。本公开实施例在图4中以存储器401和处理器402之间通过总线403连接，总线403在图4中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。所述总线403可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的
总线。
152.存储器401可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，ram)；存储器401也可以是非易失性存储器(non-volatile memory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)、或者存储器401是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器401可以是上述存储器的组合。
153.处理器402，用于调用所述存储器401中存储的计算机程序时执行如图1中所示的实施例中设备所执行的方法。
154.在一些可能的实施方式中，本公开提供的方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算机设备上运行时，所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本公开各种示例性实施方式的方法中的步骤，例如，所述计算机设备可以执行如图1～图2中所示的实施例中设备所执行的方法。
155.所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
156.尽管已描述了本公开的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本公开范围的所有变更和修改。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
157.应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。