资源召回方法、装置、设备及存储介质与流程

1.本公开涉及人工智能技术领域，尤其涉及一种资源召回方法、装置、设备及存储介质。


背景技术：

2.在机器学习领域，为了提高机器学习的学习效果，表征学习的应用越来越广泛。具体地，表征学习是一种将原始数据转换成为更容易被机器学习应用的数据的过程。例如，通过表征学习将媒体资源的原始数据映射到一个向量空间，使得媒体资源特征被压缩成该向量空间中一个较低维度的特征向量，该较低维度的特征向量能够被后续的模型应用。
3.然而，相关技术中的表征学习，往往不注重特征向量的多样性表达能力，导致得到的较低维度的特征向量只能表达媒体资源的一种含义。例如，对“苹果”进行表征学习时，得到的特征向量只能表达“苹果手机”这一种含义，这就导致该特征向量后续用于搜索系统或推荐系统的召回阶段时，无法为搜索系统或推荐系统召回多样性的资源，例如，无法召回除特征向量所表达的含义之外的其他资源，比如无法召回与“食用的苹果”相关的资源等，严重限制了搜索系统或推荐系统的丰富度，用户体验比较差。


技术实现要素：

4.本公开提供一种资源召回方法、装置、设备及存储介质，以至少解决相关技术中无法为搜索系统或推荐系统提供多样性的召回资源，严重限制了系统的丰富度的问题。本公开的技术方案如下：
5.根据本公开实施例的第一方面，提供一种资源召回方法，包括：基于预训练的特征提取模型的第一子模型，获取目标资源的目标特征向量；其中，目标特征向量用于指示目标资源的第一含义和第二含义，第一含义不同于第二含义；预训练的特征提取模型使用目标资源的特征向量中与正样本匹配的特征值进行预训练；基于预训练的特征提取模型的第二子模型，获取候选资源的候选特征向量；基于目标特征向量与候选特征向量的匹配度，确定与目标资源对应的至少两个类别的召回资源；其中，一个类别的召回资源与第一含义匹配，另一个类别的召回资源与第二含义匹配。
6.在一种可能的实施方式中，方法还包括：基于第二子模型，对召回资源的特征向量进行第一预设处理，得到召回特征向量；第一预设处理为将特征向量中部分维度的特征值设置为1、其他维度的特征值设置为0，部分维度的特征值大于其他维度的特征值；基于召回特征向量中特征值为1的部分维度，确定召回资源的类别标识，类别标识用于确定召回资源的显示排序。
7.另一种可能的实施方式中，特征提取模型的训练过程包括：获取目标资源的训练样本，训练样本包括第一正样本和负样本；基于目标资源、第一正样本和负样本对特征提取模型进行第一训练任务的训练；第一训练任务用于使得目标资源的特征向量中与第一正样本的特征向量匹配的特征值参与第一训练任务的训练；基于第一训练任务的第一损失函
数，更新特征提取模型的参数；迭代执行上述步骤，在第一训练任务的第一损失函数收敛的情况下，确定特征提取模型收敛。
8.另一种可能的实施方式中，训练样本还包括第二正样本，第一正样本和第二正样本属于不同的类别；特征提取模型的训练过程还包括：基于目标资源、第一正样本和第二正样本对特征提取模型进行第二训练任务的训练；第二训练任务用于使得目标资源与不同类别的正样本的匹配度的差值小于第一预设阈值；基于第一训练任务的第一损失函数，更新特征提取模型的参数，包括：基于第一训练任务的第一损失函数和第二训练任务的第二损失函数，更新特征提取模型的参数；在第一训练任务的第一损失函数收敛的情况下，确定特征提取模型收敛，包括：在第一训练任务的第一损失函数和第二训练任务的第二损失函数损失收敛的情况下，确定特征提取模型收敛。
9.另一种可能的实施方式中，基于目标资源、第一正样本和负样本对特征提取模型进行第一训练任务的训练，包括：基于第一子模型确定目标资源的第一特征向量，并基于第二子模型确定第一正样本的第二特征向量和负样本的第三特征向量；分别对第一特征向量、第二特征向量和第三特征向量进行第二预设处理，对应得到第一目标特征向量、第二目标特征向量和第三特征向量；第二预设处理为将特征向量中第一部分维度的特征值设置为0；确定第一目标特征向量与第二目标特征向量的第一相似度向量，以及第一目标特征向量与第三目标特征向量的第二相似度向量；分别对第一相似度向量和第二特性相似度向量进行第三预设处理，对应得到第一目标相似度向量和第二目标相似度向量；第三预设处理为将向量中的第二部分维度的特征值设置为0，第二部分维度的特征值小于其他维度的特征值；基于第一目标相似度向量和第二目标相似度向量的差值，确定第一训练任务的第一损失函数。
10.另一种可能的实施方式中，基于第一目标相似度向量和第二目标相似度向量的差值，确定第一损失函数，包括：在第一目标相似度向量和第二目标相似度向量的差值大于第二预设阈值的情况下，确定差值为第一损失函数；在差值小于或等于第二预设阈值的情况下，确定第一损失函数为0值。
11.另一种可能的实施方式中，基于目标资源、第一正样本和第二正样本对特征提取模型进行第二训练任务的训练，包括：基于第二子模型确定第二正样本的第四特征向量；确定第一特征向量与第二特征向量的第三相似度向量，以及第一特征向量与第四特征向量的第四相似度向量；基于第三相似度向量和第四相似度向量的差值，确定第二训练任务的第二损失函数。
12.另一种可能的实施方式中，确定第一特征向量的信息包括目标资源的图像信息、文本信息以及语音信息中的至少一项；和/或确定第二特征向量的信息包括第一正样本的图像信息、文本信息以及语音信息中的至少一项；和/或确定第三特征向量的信息包括第二正样本的图像信息、文本信息以及语音信息中的至少一项；和/或确定第四特征向量的信息包括负样本的图像信息、文本信息以及语音信息中的至少一项。
13.另一种可能的实施方式中，确定候选特征向量的信息包括候选资源的图像信息、文本信息以及语音信息中的至少一项；和/或确定目标特征向量的信息包括目标资源的图像信息、文本信息以及语音信息中的至少一项。
14.根据本公开实施例的第二方面，提供一种资源召回装置，包括：第一特征模块，被
配置为基于预训练的特征提取模型的第一子模型，获取目标资源的目标特征向量；其中，目标特征向量用于指示目标资源的第一含义和第二含义，第一含义不同于第二含义；预训练的特征提取模型使用目标资源的特征向量中与正样本匹配的特征值进行预训练；第二特征模块，被配置为基于预训练的特征提取模型的第二子模型，获取候选资源的候选特征向量；资源确定模块，被配置为基于目标特征向量与候选特征向量的匹配度，确定与目标资源对应的至少两个类别的召回资源；其中，一个类别的召回资源与第一含义匹配，另一个类别的召回资源与第二含义匹配。
15.在一种可能的实施方式中，第二特征模块还被配置为执行：基于第二子模型，对召回资源的特征向量进行第一预设处理，得到召回特征向量；第一预设处理为将特征向量中部分维度的特征值设置为1、其他维度的特征值设置为0，部分维度的特征值大于其他维度的特征值；基于召回特征向量中特征值为1的部分维度，确定召回资源的类别标识，类别标识用于确定召回资源的显示排序。
16.另一种可能的实施方式中，装置还包括训练模块，被配置为执行：获取目标资源的训练样本，训练样本包括第一正样本和负样本；基于目标资源、第一正样本和负样本对特征提取模型进行第一训练任务的训练；第一训练任务用于使得目标资源的特征向量中与第一正样本的特征向量匹配的特征值参与第一训练任务的训练；基于第一训练任务的第一损失函数，更新特征提取模型的参数；迭代执行上述步骤，在第一训练任务的第一损失函数收敛的情况下，确定特征提取模型收敛。
17.另一种可能的实施方式中，训练样本还包括第二正样本，第一正样本和第二正样本属于不同的类别；训练模块还被配置为执行：基于目标资源、第一正样本和第二正样本对特征提取模型进行第二训练任务的训练；第二训练任务用于使得目标资源与不同类别的正样本的匹配度的差值小于第一预设阈值；训练模块具体被配置为执行：基于第一训练任务的第一损失函数和第二训练任务的第二损失函数，更新特征提取模型的参数；训练模块具体被配置为执行：在第一训练任务的第一损失函数和第二训练任务的第二损失函数损失收敛的情况下，确定特征提取模型收敛。
18.另一种可能的实施方式中，训练模块具体被配置为执行：基于第一子模型确定目标资源的第一特征向量，并基于第二子模型确定第一正样本的第二特征向量和负样本的第三特征向量；分别对第一特征向量、第二特征向量和第三特征向量进行第二预设处理，对应得到第一目标特征向量、第二目标特征向量和第三特征向量；第二预设处理为将特征向量中第一部分维度的特征值设置为0；确定第一目标特征向量与第二目标特征向量的第一相似度向量，以及第一目标特征向量与第三目标特征向量的第二相似度向量；分别对第一相似度向量和第二特性相似度向量进行第三预设处理，对应得到第一目标相似度向量和第二目标相似度向量；第三预设处理为将向量中的第二部分维度的特征值设置为0，第二部分维度的特征值小于其他维度的特征值；基于第一目标相似度向量和第二目标相似度向量的差值，确定第一训练任务的第一损失函数。
19.另一种可能的实施方式中，训练模块具体被配置为执行：在第一目标相似度向量和第二目标相似度向量的差值大于第二预设阈值的情况下，确定差值为第一损失函数；在差值小于或等于第二预设阈值的情况下，确定第一损失函数为0值。
20.另一种可能的实施方式中，训练模块具体被配置为执行：基于第二子模型确定第
二正样本的第四特征向量；确定第一特征向量与第二特征向量的第三相似度向量，以及第一特征向量与第四特征向量的第四相似度向量；基于第三相似度向量和第四相似度向量的差值，确定第二训练任务的第二损失函数。
21.另一种可能的实施方式中，确定第一特征向量的信息包括目标资源的图像信息、文本信息以及语音信息中的至少一项；和/或确定第二特征向量的信息包括第一正样本的图像信息、文本信息以及语音信息中的至少一项；和/或确定第三特征向量的信息包括第二正样本的图像信息、文本信息以及语音信息中的至少一项；和/或确定第四特征向量的信息包括负样本的图像信息、文本信息以及语音信息中的至少一项。
22.另一种可能的实施方式中，确定候选特征向量的信息包括候选资源的图像信息、文本信息以及语音信息中的至少一项；和/或确定目标特征向量的信息包括目标资源的图像信息、文本信息以及语音信息中的至少一项。
23.根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为执行指令，以实现上述第一方面及其任一种可能的实施方式的方法。
24.根据本公开实施例的第四方面，提供一种计算机可读存储介质，当计算机可读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上述第一方面中及其任一种可能的实施方式的方法。
25.根据本公开实施例的第五方面，提供一种计算机程序产品，计算机程序产品包括计算机指令，当计算机指令在电子设备上运行时，使得电子设备执行上述第一方面及其任一种可能的实施方式的方法。
26.本公开的实施例提供的技术方案至少带来以下有益效果：通过预训练的第一子模型提取目标资源的目标特征向量，从而获得可以表征目标资源的多种含义的特征向量，提高了目标特征向量的多样性表达能力，进而在通过目标特征向量与候选资源的匹配度确定召回资源时，通过表达多种含义的特征向量匹配确定多种类别的候选资源作为召回资源，实现了提高了召回资源的类别多样性的目的，提高了使用该召回资源的搜索系统或推荐系统的丰富度，提高了对象账户的使用体验感。
27.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
28.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
29.图1是根据一示例性实施例示出的现有技术中召回的资源的示意图；
30.图2是根据一示例性实施例示出的现有技术中的特征向量的示意图；
31.图3是根据一示例性实施例示出的一种资源召回方法的流程图；
32.图4是根据一示例性实施例示出的一种召回的资源的示意图；
33.图5是根据一示例性实施例示出的另一种资源召回方法的流程图；
34.图6是根据一示例性实施例示出的特征向量的示意图；
35.图7是根据一示例性实施例示出的另一种资源召回方法的流程图；
36.图8是根据一示例性实施例示出的一种特征提取模型的训练原理图；
37.图9是根据一示例性实施例示出的一种资源召回装置的框图；
38.图10是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
39.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。
40.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。
41.在对本公开提供的信息处理方法进行详细介绍之前，先对本公开涉及的应用场景和实施环境进行简单介绍。
42.首先，对本公开涉及的应用场景进行简单介绍。
43.随着短视频应用的日益普及，对象账户每天拍摄、上传的新视频，多达以千万计量。如此庞大的数据规模，势必导致严重的数据稀疏。因此，就需要特别精细复杂的特征工程，才能将视频进行很好地表达。于是，表征学习被越来越广泛地应用于特征工程中。
44.表征学习将内容(即媒体资源)映射到一个向量空间，使得内容的特征向量被压缩成向量空间中的一个较低维度的特征向量，该较低维度的特征向量能够被后续的模型应用。最常见的应用方式，便是用在推荐系统、搜索系统的召回阶段，通过最近邻检索，利用该较低维度的特征向量在数以亿计的物料池中，检索出千级别的相关结果。其中，触发检索的一方称为“检索对象(query)”，被检索的一方称为“内容(doc)”。其中，内容用于表征媒体资源的集合中的任一个媒体资源。
45.然而，相关技术中的表征学习，往往不注重特征向量的多样性表达能力，导致得到的较低维度的特征向量只能表达媒体资源的一种含义。例如，对“苹果”进行表征学习时，得到的特征向量只能表达“苹果(手机)”这一种含义，这就导致该特征向量后续用于搜索系统或推荐系统的召回阶段时，无法为搜索系统或推荐系统召回多样性的资源(即多种类别的资源)，例如，无法召回除特征向量所表达的含义之外的其他资源，比如无法召回与“苹果(植物)”相关的资源等，严重限制了搜索系统或推荐系统的丰富度，用户体验比较差。
46.具体来说，如图1所示，其中，横轴表征特征向量的维度，纵轴表征特征向量的特征值，每个矩形表征特征向量的一个维度。如图1中的(a)所示，苹果的特征向量原本能够包括表征第一含义的维度(例如，第一含义是苹果(植物))，以及表征第二含义的维度(例如，第二含义是苹果(手机))。然而，在经过表征学习后，神经网络模型输出的低维度的特征向量中，表征第一含义的维度对应的特征值被压缩，这就使得，该低维度的特征向量无法再表达苹果(植物)这一含义，如果将该低维度的特征用于搜索系统或推荐系统的召回阶段，则只能召回如图2所示的，与苹果(手机)相关的资源，无法为搜索系统或推荐系统召回与苹果(植物)相关的资源。如图1中的(b)所示，苹果(手机)的特征向量原本表征含义的部分维度，
在经过表征学习后，神经网络模型输出的低维度的特征向量中，该部分维度对应的特征值未被压缩，仍然能够表达苹果(手机)这含义。
47.在一个示例中，召回模型(embedding based retrieval，ebr)是当前内容特征向量(embedding)技术的标杆之一。该召回模型在训练过程中利用搜索日志中的对象行为(检索对象-内容组合，query-doc pair)构造训练样本。其中，对象在预设时间段内操作的内容作为正样本，负样本则是在全体内容中随机选择。初始特征提取模型是双塔模型，一侧为检索对象塔(即query塔)，将检索对象映射为n维空间向量(例如，该n维空间向量为embedding1)，另一侧为内容塔(即doc塔)，将内容也映射为n维空间向量(例如，该n维空间向量为embedding2)，通过余弦相似度算法计算两个embedding(即embedding1和embedding2)的相关性，若为正样本，则该组合的相关性应尽可能高，若为负样本则该组合的相关性尽可能低。query塔输出的即为query的表征，doc塔输出的即为内容的表征，可以直接应用到人工智能相似性检索(aisimilarity search，faiss)等大规模向量检索框架。
48.在该方案的模型训练过程中，更关心负样本的处理，如使用各种困难负样本挖掘(semi-hard negative mining)方法，把较难区分的负样本挖出来强化训练，在苹果(手机)为正样本时，与苹果相关的其他内容被定义为困难负样本，例如，苹果(植物)。并且，由于训练过程中，经常使用交叉熵(info-nce)损失函数，在多个训练样本(即batch内)中将一个正样本与其它所有的负样本配对，计算损失，导致较难区分的负样本被进一步强化训练。
49.然而，训练样本中的正样本往往是不均衡的，比如最近有苹果发布会，对象行为中“苹果”的正样本很可能绝大多数都是“苹果(手机)”相关的，与“苹果(植物)”相关的正样本可能只占少数。那么，在困难样本挖掘时，“检索对象:苹果-内容:苹果(植物)”很可能就会成为“检索对象:苹果-内容:苹果(手机)”的负样本，从而被强化训练，从而导致“检索对象:苹果”与“内容:苹果(植物)”的距离就会远远地比“检索对象:苹果”与“内容:苹果(手机)”的距离大。在最近邻检索时，结果就会全部都是“检索对象:苹果手机”。而info-nce损失函数提高了负样本比例，又会增大错误负样本“检索对象:苹果(植物)”被匹配上的概率，加剧了这种不均衡性。
50.针对上述问题，本公开提供了一种资源召回方法，通过预训练的第一子模型提取目标资源的目标特征向量，从而获得可以表征目标资源的多种含义的特征向量，提高了目标特征向量的多样性表达能力，进而在通过目标特征向量与候选资源的匹配度确定召回资源时，通过表达多种含义的特征向量匹配确定多种类别的候选资源作为召回资源，实现了提高了召回资源的类别多样性的目的，提高了使用该召回资源的搜索系统或推荐系统的丰富度，提高了对象账户的使用体验感。
51.其次，下面对本公开涉及的实施环境(实施架构)进行简单介绍。
52.本公开实施例提供的资源召回方法可以应用于电子设备。电子设备可以是终端设备或服务器。其中，终端设备可以是智能手机、平板电脑、掌上电脑、车载终端、台式电脑以及笔记本电脑等。服务器可以是任意一个服务器或服务器集群，本公开对此不做限定。
53.为了便于理解，以下结合附图对本公开提供的资源召回方法进行具体介绍。
54.图3是根据一示例性实施例示出的一种资源召回方法的流程图，用于电子设备。如图3所示，资源召回方法包括以下步骤：
55.s301：基于预训练的特征提取模型的第一子模型，获取目标资源的目标特征向量；
目标特征向量用于指示目标资源的第一含义和第二含义，第一含义不同于第二含义。
56.其中，预训练的特征提取模型使用目标资源的特征向量中与正样本匹配的特征值进行训练。由于使用目标资源的特征向量中与正样本匹配的特征值进行训练，使得目标资源的特征向量中与不同类别的正样本匹配的特征值都参与训练，从而使得目标资源的特征向量中表达不同含义的特征值被保留下来，进而实现目标资源的特征向量可以表达目标资源的不同含义。
57.可选地，目标资源可以是文字资源、视频资源或图像资源中的任一项。
58.在一种实施方式中，预训练的特征提取模型是双塔模型。其中，第一子模型和第二子模型分别对应双塔模型的一个塔。例如，第一子模型对应双塔模型的检索对象塔，用于输出触发检索的一方的特征向量，例如，搜索词的特征向量。第二子模型为双塔模型的内容塔，用于输出被检索的一方的特征向量，例如，内容的特征向量。
59.可选地，确定目标特征向量的信息包括目标资源的图像信息、文本信息以及语音信息中的至少一项。
60.在一种实施方式中，在目标资源为视频资源的情况下，确定目标特征向量的信息包括目标资源的图像信息、文本信息以及语音信息。
61.上述实施例中，通过多模态信息(即图像信息、文本信息和语音信息)确定目标资源的特征向量，能够提高特征向量的表达能力，进而使得目标特征向量能够更加准确的表达目标资源的含义。
62.在一种实施方式中，如图4所示，目标资源是“苹果”，也即，触发检索的一方需要检索与苹果相关的内容，其中，横轴表征特征向量的维度，纵轴表征特征向量的特征值，每个矩形表征特征向量的一个维度。此时，第一子模型输出苹果的特征向量。如图4中的(a)所示，苹果的特征向量原本能够包括表征第一含义的维度(例如，第一含义是苹果(植物))，以及表征第二含义的维度(例如，第二含义是苹果(手机))。在经过表征学后，第一子模型输出的低维度的目标特征向量中，表征第一含义的维度对应的特征值未被压缩，从而使得目标特征向量表征第一含义的维度和表征第二含义的维度均被保留，进而使得目标特征向量能够用于指示目标资源的第一含义和第二含义，也即，能够指示苹果(手机)和苹果(植物)两种含义。
63.s302：基于预训练的特征提取模型的第二子模型，获取候选资源的候选特征向量。
64.在一种实施方式中，目标资源为“苹果”时，候选资源至少包括“苹果(手机)”。如图4中的(b)所示，“苹果(手机)”的特征向量原本表征含义的部分维度，在经过表征学习后，第二子模型输出的低维度的候选特征向量中，该部分维度对应的特征值未被压缩，仍然能够表达苹果(手机)这含义。
65.需要说明的，候选资源可以从包括多个媒体资源的集合中获取。例如，应用程序的内容池中获取，内容池中包括应用程序的对象账户上传的资源。
66.可选地，候选资源可以是文字资源、视频资源或图像资源中的任一项。
67.可选地，确定候选特征向量的信息包括候选资源的图像信息、文本信息以及语音信息中的至少一项。
68.在一种实施方式中，在候选资源为视频资源的情况下，确定候选特征向量的信息包括候选资源的图像信息、文本信息以及语音信息。
69.上述实施例中，通过多模态信息(即图像信息、文本信息和语音信息)确定候选资源的特征向量，能够提高特征向量的表达能力，进而使得候选特征向量能够更加准确的表达候选资源的含义。
70.s303：基于目标特征向量与候选特征向量的匹配度，确定与目标资源对应的至少两个类别的召回资源。
71.其中，一个类别的召回资源与第一含义匹配，另一个类别的召回资源与第二含义匹配。
72.在一种实施方式中，例如，目标资源是“苹果”，目标特征向量表达“苹果(手机)”和“苹果(植物)”两种含义。那么，在目标特征向量与表达“苹果(手机)”的候选特征向量进行匹配时会得到较好的匹配结果，并且，在目标特征向量与表达“苹果(植物)”的候选特征向量进行匹配时也会得到较好的匹配结果。因此，基于目标特征向量与候选特征向量的匹配度，确定与目标资源对应的召回资源时，会得到两个类别的召回资源，例如如图5所示的召回结果，其中，一种是“苹果(手机)”，另一种是“苹果(植物)”，该两种类别的召回资源分别与目标特征向量指示的两种含义对应。
73.上述实施例中，通过预训练的第一子模型提取目标资源的目标特征向量，从而获得可以表征目标资源的多种含义的特征向量，提高了目标特征向量的多样性表达能力，进而在通过目标特征向量与候选资源的匹配度确定召回资源时，通过表达多种含义的特征向量匹配确定多种类别的候选资源作为召回资源，实现了提高了召回资源的类别多样性的目的，提高了使用该召回资源的搜索系统或推荐系统的丰富度，提高了对象账户的使用体验感。
74.在一种可能的实施方式中，资源召回方法还包括：
75.步骤一：基于第二子模型，对召回资源的特征向量进行第一预设处理，得到召回特征向量。第一预设处理为将特征向量中部分维度的特征值设置为1、其他维度的特征值设置为0，部分维度的特征值大于其他维度的特征值。
76.需要说明的，其他维度为召回资源的特征向量中除部分维度之外的维度。另外，第一预设处理相当于是将召回资源的特征向量哈希化处理。
77.可选地，部分维度可以是6个维度、7个维度或8个维度，视为不同的哈希函数。
78.在一种实施方式中，如图4中的(b)所示，候选特征向量表征候选资源含义的特征值集中于少数几个维度，该少数几个维度的特征值大于其他维度的特征值。在该候选特征向量对应的候选资源被确定为召回资源后，对该召回资源的特征向量进行第一预设处理，也即，将该少数几个维度的特征值设置为1，其他维度的特征值设置为0。例如，候选特征向量的维度是128维度，如此，便得到128位的二进制数。可以理解的，相同类别的候选资源的特征向量，表征候选资源含义的特征值(即特征向量的有效值)的维度通常是相同，例如，表征“苹果(手机)”的特征向量通常是通过特征向量的57-64维度的特征值进行表征，表征“苹果(植物)”的特征向量通常是通过特征向量的1-8维度的特征值进行表征。因此，在对召回资源的特征向量进行哈希化处理后，相同类别的召回资源通常具有相同的召回特征向量。
79.步骤二：基于召回特征向量中特征值为1的部分维度，确定召回资源的类别标识，类别标识用于确定召回资源的显示排序。
80.在一种实施方式中，如图5所示，id用于表征类别标识。其中，苹果(手机)的类别标
识为57，苹果(植物)的类别标识为8568，对象账户的电子设备通过类别标识确定召回资源的排序时，间隔显示两个类别的召回资源，提高显示的召回资源的多样性。
81.上述实施例中，由于相同类别的召回资源的特征向量的有效值通常集中在相同的维度，因此，将召回资源的特征向量进行哈希化处理后，相同类别的召回资源会具有相同的召回特征向量，从而在基于召回特征向量确定召回资源的类别标识时，使得相同类别的召回资源具有相同的类别标识，进而能够更好的解释召回资源的类别。进一步地，搜索系统或推荐系统在基于类别标识确定召回资源的显示排序，可以保证不同类别的召回资源都能够被显示，进而提高搜索系统或推荐系统的丰富度。
82.在一种可能的实施方式中，如图6所示，特征提取模型的训练过程包括：
83.s601:获取目标资源的训练样本，训练样本包括第一正样本和负样本。
84.在一种实施方式中，获取最近预设时间段内(例如，最近一个月内)对象账户操作的内容(例如，在对象账户搜索目标资源获取的多个内容中，对象账户点击的内容)，从该操作的内容中获取多个类别的正样本，并从多个类别的正样本中获取第一正样本。例如，目标资源是“苹果”，对象账户在最近一个月内点击的内容包括两个类别，该两个类别分别是苹果(手机)和苹果(植物)。
85.在一种实施方式中，负样本从候选资源库中选取。例如，负样本可以是候选资源库中的任一个候选资源。
86.s602：基于目标资源、第一正样本和负样本对特征提取模型进行第一训练任务的训练；第一训练任务用于使得目标资源的特征向量中与第一正样本的特征向量匹配的特征值参与第一训练任务的训练。
87.在一种实施方式中，通过第一子模型输出目标资源的特征向量，例如，目标资源的特征向量为128维度的特征向量(embedding)。通过第二子模型输出第一正样本的特征向量以及负样本的特征向量，例如，第一正样本的特征向量以及负样本的特征向量分别为为128维度的特征向量(embedding)。
88.在一种实施方式中，在目标资源为文字资源的情况下，第一子模型通过bert特征提取器提取目标资源的特征向量。
89.在另一种实施方式种，在目标资源为图像资源的情况下，第一子模型通过resnet特征提取器提取目标资源的特征向量。
90.在另一种实施方式中，在目标资源为视频资源的情况下，第一子模型通过resnet特征提取器、bert特征提取器分别提取目标资源的图像信息、文本信息和语音信息。
91.需要说明的，第二子模型在对第一正样本和负样本提取特征向量时，可以参考第一子模型对目标资源提取特征向量的方法，为避免重复，此处不再赘述。
92.s603：基于第一训练任务的第一损失函数，更新特征提取模型的参数。
93.在一种实施方式中，基于第一损失函数更新特征提取模型的第一子模型和第二子模型的参数。
94.需要说明，更新特征提取模型的参数可以使用梯度下降法，或者已公开的其它方法，本公开对此不做限制。
95.s604：迭代执行上述s601、s602和s603,在第一训练任务的第一损失函数收敛的情况下，确定特征提取模型收敛。
96.在一种实施方式中，迭代执行上述s601和s602，直至第一训练任务的第一损失函数收敛，确定特征提取模型收敛。该收敛的特征提取模型作为s301中的预训练的特征提取模型。例如，第一损失函数收敛可以是相邻两轮迭代得到的第一损失函数的差值小于预设阈值a。
97.可选地，在多轮迭代过程中，s601获取的目标资源的训练样本不同。其中，训练样本不同包括训练样本中第一正样本不同或负样本不同。
98.在另一种实施方式中，迭代上述s601、s602和s603预设次数，确定第一损失函数收敛，并确定特征提取模型收敛。该收敛的特征提取模型作为s301中的预训练的特征提取模型。
99.上述实施例中，在每一次的训练中，由于第一训练任务能够使得目标资源的特征向量中与第一正样本的特征向量匹配的特征值参与第一训练任务的训练，使得目标资源的特征向量中与不同类别的正样本匹配的特征值都参与训练，从而使得目标资源的特征向量中表达不同含义的特征值被保留下来，进而实现目标资源的特征向量可以表达目标资源的不同含义。
100.在一种可能的实施方式中，训练样本还包括第二正样本，第一正样本和第二正样本属于不同的类别。结合图5，如图7所示，特征提取模型的训练过程还包括：
101.s605：基于目标资源、第一正样本和第二正样本对特征提取模型进行第二训练任务的训练。
102.其中，第二训练任务用于使得目标资源与不同类别的正样本的匹配度的差值小于第一预设阈值。
103.可选地，第一训练任务和第二训练任务同时进行训练。也即，在一次训练中，同时对特征提取模型进行第一训练任务和第二训练任务的训练。
104.s603包括：s603a。
105.s603a：基于第一训练任务的第一损失函数和第二训练任务的第二损失函数，更新特征提取模型的参数。
106.在一种实施方式中，基于第一损失函数和的第二损失函数更新特征提取模型的第一子模型和第二子模型的参数。
107.需要说明，更新特征提取模型的参数可以使用梯度下降法，或者已公开的其它方法，本公开对此不做限制。
108.s604包括：s604a。
109.s603a：迭代执行上述s601、s602、s605和s603a，在第一训练任务的第一损失函数和第二训练任务的第二损失函数损失收敛的情况下，确定特征提取模型收敛。
110.可选地，确定第一损失函数和第二损失函数的和值为目标损失函数。
111.在一种实施方式中，迭代执行上述s601、s602、s605和s603a，直至目标损失函数收敛，确定特征提取模型收敛。该收敛的特征提取模型作为s301中的预训练的特征提取模型。例如，目标损失函数收敛可以是相邻两轮迭代得到的目标损失函数的差值小于预设阈值b。
112.可选地，在多轮迭代过程中，s601获取的目标资源的训练样本不同。其中，训练样本不同包括训练样本中第一正样本不同、第二正样本不同或负样本不同。
113.在另一种实施方式中，迭代上述s601和s602预设次数，确定目标损失函数收敛，并
确定特征提取模型收敛。该收敛的特征提取模型作为s301中的预训练的特征提取模型。
114.需要说明的，本公开中，目标损失函数为第一损失函数和第二损失函数的和值，在目标损失函数收敛的情况下，则确定第一损失函数和第二损失函数分别收敛。
115.上述实施例中，通过第一训练任务训练目标资源与不同类别的正样本之间的匹配度的差值小于第一预设阈值，使得目标资源与不同类别的正样本之间的匹配度尽可能接近，从而使得目标资源被触发检索时，与目标资源匹配的不同类别的召回资源都有可能被排序在较前的位置，进而避免只有一种类别的召回资源被排序在较前的位置，而另一种类别的召回资源被排序在比较靠后的位置，以至于无法为对象账户显示多类别的召回资源。
116.在一种可能的实施方式中，s602包括：
117.步骤一：基于第一子模型确定目标资源的第一特征向量，并基于第二子模型确定第一正样本的第二特征向量和负样本的第三特征向量。
118.在一种实施方式中，如图8所示，第一子模型对目标资源进行特征提取，得到第一特征向量。例如，使用文本特征提取器bert或文本特征提取器roberta对“苹果”进行特征提取，得到128维度的第一特征向量(embedding)。
119.在一种实施方式中，第二子模型分别第一正样本和负样本进行特征提取，对应得到第二特征向量和第三特征向量。例如，使用图像特征提取器resnet或图像特征提取器vit对“苹果(手机)”进行图像特征提取，并且使用文本特征提取器bert或文本特征提取器roberta对“苹果(手机)”进行文本信息以及语音信息的特征提取，从而得到第一正样本的多模态特征向量，进而基于该多模态特征向量得到128维度的第二特征向量(embedding)。
120.需要说明的，第二子模型对负样本进行特征提取时，可以参考第二子模型对第一正样本进行特征提取的过程，二者原理相同，为避免重复，此处不再赘述。
121.可选地，确定第一特征向量的信息包括目标资源的图像信息、文本信息以及语音信息中的至少一项。
122.在一种实施方式中，在目标资源为视频资源的情况下，确定第一特征向量的信息包括目标资源的图像信息、文本信息以及语音信息。
123.上述实施例中，通过多模态信息(即图像信息、文本信息和语音信息)确定目标资源的第一特征向量，能够提高第一特征向量的表达能力，进而使得第一特征向量能够更加准确的表达目标资源的含义。
124.可选地，确定第二特征向量的信息包括第一正样本的图像信息、文本信息以及语音信息中的至少一项。
125.在一种实施方式中，在第一正样本为视频资源的情况下，确定第二特征向量的信息包括目标资源的图像信息、文本信息以及语音信息。
126.上述实施例中，通过多模态信息(即图像信息、文本信息和语音信息)确定第一正样本的第二特征向量，能够提高第二特征向量的表达能力，进而使得第二特征向量能够更加准确的表达第一正样本的含义。
127.可选地，确定第三特征向量的信息包括负样本的图像信息、文本信息以及语音信息中的至少一项。
128.在一种实施方式中，在负样本为视频资源的情况下，确定第三特征向量的信息包括负样本的图像信息、文本信息以及语音信息。
129.上述实施例中，通过多模态信息(即图像信息、文本信息和语音信息)确定负样本的第三特征向量，能够提高第三特征向量的表达能力，进而使得第三特征向量能够更加准确的表达负样本的含义。步骤二：分别对第一特征向量、第二特征向量和第三特征向量进行第二预设处理，对应得到第一目标特征向量、第二目标特征向量和第三特征向量。第二预设处理为将特征向量中第一部分维度的特征值设置为0。
130.在一种实施方式中，对第一特征向量进行第二预设处理，得到第一目标特征向量。例如，随机将第一特征向量中的第一部分维度的特征值设置为0。
131.可选地，第一部分维度在第一特征向量的总维度中的占比为70％，也即，将第一特征向量的70％维度的特征值设置为0。例如，第一特征向量的总维度为10，随机将其中的7个维度的特征值设置为0。
132.通过随机将第一特征向量的第一部分维度设置为0，从而实现随机屏蔽第一特征向量的部分神经元，使其稀疏化，从而使得第一特征向量的中除第一部分维度之外的其他维度的特征值参与第一训练任务的训练，而第一部分维度的特征值不参与第一训练任务的训练。
133.通过随机将第一特征向量的第一部分维度设置为0，再分别确定与正负样本的相似度向量，能够提高相似度向量的表达能力，从而更加准确的确定目标资源的特征向量中与正负样本相似度比较高的维度。
134.需要说明的，第二特征向量和第三特征向量进行第二预设处理的原理与第一特征向量进行第二预设处理的原理相同，因此，第二特征向量和第三特征向量进行第二预设处理的过程可以参考第一特征向量进行第二预设处理的过程，为避免重复，此处不再赘述。
135.步骤三：确定第一目标特征向量与第二目标特征向量的第一相似度向量，以及第一目标特征向量与第三目标特征向量的第二相似度向量。
136.在一种实施方式中，基于余弦相似度算法，分别确定第一目标特征向量与第二目标特征向量的第一相似度向量，以及第一目标特征向量与第三目标特征向量的第二相似度向量。
137.步骤四：分别对第一相似度向量和第二特性相似度向量进行第三预设处理，对应得到第一目标相似度向量和第二目标相似度向量。第三预设处理为将向量中的第二部分维度的特征值设置为0，第二部分维度的特征值小于其他维度的特征值；
138.在一种实施方式中，对第一相似度向量进行第三预设处理，得到第一目标相似度向量。例如，将第一相似度向量中的第二部分维度的特征值设置为0，从而保留第一相似度向量中的特征值比较大的第三部分维度。
139.可以理解的，第一相似度向量中特征值比较大的维度，表征目标资源与第一正样本相似度比较高的维度。通过保留第一相似度向量中的特征值比较大的第三部分维度，从而能够使得目标资源的特征向量中与第一正样本匹配的特征值参与第一训练任务的训练。
140.可选地，第三部分维度可以是8个维度。
141.通过在每次迭代训练过程中，分别对第一相似度向量和第二特性相似度向量进行第三预设处理，使得目标资源的特征向量中与第一正样本的特征向量匹配的特征值参与第一训练任务的训练，避免了因为正样本比例不均衡导致的目标资源与正样本之间的特征值收敛在少数几个维度，从而使得在正样本比例不均衡的情况下，目标资源的特征向量中表
征各个正样本的含义的特征值都能够被保留。例如，“苹果”的特征向量中，第1-8维是和“内容:苹果(植物)”相关，第57-64维与“内容:苹果(手机)”相关，在正样本为“内容:苹果(手机)”时，第57-64维度的特征值被保留，以参与第一训练任务的训练，而第1-8维的特征值被屏蔽，不参与第一训练任务的训练。在正样本为“内容:苹果(植物)”时，第1-8维的特征值被保留，以参与第一训练任务的训练，第57-64维度的特征值被屏蔽，不参与第一训练任务的训练。
142.步骤五：基于第一目标相似度向量和第二目标相似度向量的差值，确定第一训练任务的第一损失函数。
143.在一种实施方式中，确定第一目标相似度向量和第二目标相似度向量的差值为第一损失函数，从而使得第一损失函数收敛时，第一目标相似度向量和第二目标相似度向量的差值可以达到最小化。
144.上述实施例中，通过分别将第一特征向量、第二特征向量以及第三特征向量中的第一部分维度的特征值设置为0值，再确定第一相似度向量和第二相似度向量，并将第一相似度向量和第二相似度向量中的第二部分维度的特征值设置为0值，使得相似度向量中特征值比较大维度被保留，从而使得目标资源的特征向量中与正样本匹配的特征值参与第一训练任务的训练，进而使得目标资源的特征向量中表达该正样本类别的含义被保留。进一步地，通过在每一次训练中，将目标资源的特征向量中表达该类别正样本的含义被保留，使得多次训练后，目标资源的特征向量中表达不同类别的正样本含义的特征值都保留下来，从而实现目标资源的特征向量能够表达目标资源的多种含义。
145.在一种可能的实施方式中，上述步骤五，包括如下所示的第一种情况和第二种情况。
146.第一种情况：在第一目标相似度向量和第二目标相似度向量的差值大于第二预设阈值的情况下，确定差值为第一损失函数。
147.可选地，差值为第一目标相似度向量和第二目标相似度向量的差值的绝对值。
148.在一种实施方式种，第一损失函数满足以下公式：loss1＝max(0,|cos1
’‑
cos2’|-α)，其中，loss1表征第一损失函数，cos1’表征第一目标相似度向量，cos2’表征第二目标相似度向量，α表征第二预设阈值。
149.在一种实施方式中，当第一目标相似度向量和第二目标相似度向量的差值大于第二预设阈值的情况下，则说明两个目标相似度向量的差别较大，也即，正负样本与目标资源的相似度距离较大，负样本通常是目标资源的真负样本。因此，确定差值为第一损失函数，使得负样本参与第一训练任务的训练，从而使得目标资源与负样本的距离被拉大，进而使得目标资源被触发检索时，与负样本的匹配度较差。
150.第二种情况：在差值小于或等于第二预设阈值的情况下，确定第一损失函数为0值。
151.在一种实施方式种，当第一目标相似度向量和第二目标相似度向量的差值小于或等于第二预设阈值的情况下，则说明两个目标相似度向量趋于接近，也即，正负样本与目标资源的相似度趋于接近，此时，负样本通常为目标资源的其他类别的正样本(假负样本)，也即，与第一正样本不同类别的正样本。因此，将第一损失函数确定为0值，避免假负样本(也即，与第一正样本不同类别的正样本)被作为负样本被训练，导致目标资源与该类别的正样
本的距离拉大，以至于目标资源被触发检索时，与该类别的正样本的匹配度较差。
152.上述实施例中，通过设置第二预设阈值，使得两个相似度向量的第一差值大于第二预设阈值的情况下将，将第一差值确定为第一损失函数，而第一差值小于或等于第二预设阈值的情况下，则将0确定为第一损失函数，从而使得只有与正样本的相似度向量差值较大的负样本才会参与第二训练任务的训练，对于与正样本的相似度向量差值较小负样本(通常是其他类别的正样本)，并不会参与第二训练任务的训练，从而可以避免训练过程中打压其他类别的正样本，进而使得特征提取模型用于搜索系统或推荐系统的召回阶段时，能够召回多种类别的候选资源。
153.在一种可能的实施方式中，s604包括：
154.步骤一：基于第二子模型确定第二正样本的第四特征向量。
155.在一种实施方式中，如图8所示，通过第二子模型输出第二正样本的第四特征向量，例如，第四特征向量为128维度的特征向量(embedding)。
156.可选地，确定第四特征向量的信息包括第二正样本的图像信息、文本信息以及语音信息中的至少一项。
157.在一种实施方式中，在第二正样本为视频资源的情况下，确定第四特征向量的信息包括第二正样本的图像信息、文本信息以及语音信息。
158.上述实施中，通过多模态信息(即图像信息、文本信息和语音信息)确定第二正样本的第四特征向量，能够提高第四特征向量的表达能力，进而使得第四特征向量能够更加准确的表达第二正样本的含义。
159.步骤二：确定第一特征向量与第二特征向量的第三相似度向量，以及第一特征向量与第四特征向量的第四相似度向量。
160.在一种实施方式中，基于余弦相似度算法，分别确定第三相似度向量和第四相似度向量。
161.步骤三：基于第三相似度向量和第四相似度向量的差值，确定第二训练任务的第二损失函数。
162.在一种实施方式中，确定第三相似度向量和第四相似度向量的差值为第二损失函数。
163.上述实施例中，通过第三相似度向量和第四相似度向量的差值确定第一损失函数，使得第二损失函数收敛时，第三相似度向量和第四相似度向量侧差值达到最小化，从而使得第三相似度向量和第四相似度向量的差值小于预设阈值，进而实现目标资源与不同类别的正样本的匹配度的差值小于预设阈值。
164.上述主要从方法的角度对本技术实施例提供的方案进行了介绍。为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本技术能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
165.本公开实施例还提供一种资源召回装置。
166.图9是根据一示例性实施例示出的一种资源召回装置框图。参照图9，该资源召回
装置900包括第一特征模块901、第二特征模型902和资源确定模块903。
167.第一特征模块901，被配置为基于预训练的特征提取模型的第一子模型，获取目标资源的目标特征向量；其中，目标特征向量用于指示目标资源的第一含义和第二含义，第一含义不同于第二含义；预训练的特征提取模型使用目标资源的特征向量中与正样本匹配的特征值进行预训练。例如，结合图3，第一特征模块901可以用于执行s301。
168.第二特征模块902，被配置为基于预训练的特征提取模型的第二子模型，获取候选资源的候选特征向量。例如，结合图3，第二特征模型902可以用于执行s302。
169.资源确定模块903，被配置为基于目标特征向量与候选特征向量的匹配度，确定与目标资源对应的至少两个类别的召回资源；其中，一个类别的召回资源与第一含义匹配，另一个类别的召回资源与第二含义匹配。例如，结合图3，资源确定模块903可以用于执行s303。
170.在一种可能的实施方式中，第二特征模块902还被配置为执行：基于第二子模型，对召回资源的特征向量进行第一预设处理，得到召回特征向量；第一预设处理为将特征向量中部分维度的特征值设置为1、其他维度的特征值设置为0，部分维度的特征值大于其他维度的特征值；基于召回特征向量中特征值为1的部分维度，确定召回资源的类别标识，类别标识用于确定召回资源的显示排序。
171.在一种可能的实施方式中，装置还包括训练模块904，被配置为执行：获取目标资源的训练样本，训练样本包括第一正样本和负样本；基于目标资源、第一正样本和负样本对特征提取模型进行第一训练任务的训练；第一训练任务用于使得目标资源的特征向量中与第一正样本的特征向量匹配的特征值参与第一训练任务的训练；基于第一训练任务的第一损失函数，更新特征提取模型的参数；迭代执行上述步骤，在第一训练任务的第一损失函数收敛的情况下，确定特征提取模型收敛。
172.在一种可能的实施方式中，训练样本还包括第二正样本，第一正样本和第二正样本属于不同的类别；训练模块904还被配置为执行：基于目标资源、第一正样本和第二正样本对特征提取模型进行第二训练任务的训练；第二训练任务用于使得目标资源与不同类别的正样本的匹配度的差值小于第一预设阈值；训练模块具体被配置为执行：基于第一训练任务的第一损失函数和第二训练任务的第二损失函数，更新特征提取模型的参数；训练模块具体被配置为执行：在第一训练任务的第一损失函数和第二训练任务的第二损失函数损失收敛的情况下，确定特征提取模型收敛。
173.在一种可能的实施方式中，训练模块904具体被配置为执行：基于第一子模型确定目标资源的第一特征向量，并基于第二子模型确定第一正样本的第二特征向量和负样本的第三特征向量；分别对第一特征向量、第二特征向量和第三特征向量进行第二预设处理，对应得到第一目标特征向量、第二目标特征向量和第三特征向量；第二预设处理为将特征向量中第一部分维度的特征值设置为0；确定第一目标特征向量与第二目标特征向量的第一相似度向量，以及第一目标特征向量与第三目标特征向量的第二相似度向量；分别对第一相似度向量和第二特性相似度向量进行第三预设处理，对应得到第一目标相似度向量和第二目标相似度向量；第三预设处理为将向量中的第二部分维度的特征值设置为0，第二部分维度的特征值小于其他维度的特征值；基于第一目标相似度向量和第二目标相似度向量的差值，确定第一训练任务的第一损失函数。
174.在一种可能的实施方式中，训练模块904具体被配置为执行：在第一目标相似度向量和第二目标相似度向量的差值大于第二预设阈值的情况下，确定差值为第一损失函数；在差值小于或等于第二预设阈值的情况下，确定第一损失函数为0值。
175.在一种可能的实施方式中，训练模块904具体被配置为执行：基于第二子模型确定第二正样本的第四特征向量；确定第一特征向量与第二特征向量的第三相似度向量，以及第一特征向量与第四特征向量的第四相似度向量；基于第三相似度向量和第四相似度向量的差值，确定第二训练任务的第二损失函数。
176.在一种可能的实施方式中，确定第一特征向量的信息包括目标资源的图像信息、文本信息以及语音信息中的至少一项；和/或确定第二特征向量的信息包括第一正样本的图像信息、文本信息以及语音信息中的至少一项；和/或确定第三特征向量的信息包括第二正样本的图像信息、文本信息以及语音信息中的至少一项；和/或确定第四特征向量的信息包括负样本的图像信息、文本信息以及语音信息中的至少一项。
177.在一种可能的实施方式中，确定候选特征向量的信息包括候选资源的图像信息、文本信息以及语音信息中的至少一项；和/或确定目标特征向量的信息包括目标资源的图像信息、文本信息以及语音信息中的至少一项。
178.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
179.图10是根据一示例性实施例示出的一种电子设备的框图。如图10所示，电子设备1000包括但不限于：处理器1001和存储器1002。
180.其中，上述的存储器1002，用于存储上述处理器1001的可执行指令。可以理解的是，上述处理器1001被配置为执行指令，以实现上述实施例中任一项所示的资源召回方法。
181.需要说明的是，本领域技术人员可以理解，图10中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图10所示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
182.处理器1001是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器1002内的软件程序和/或模块，以及调用存储在存储器1002内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。处理器1001可包括一个或多个处理单元；可选的，处理器1001可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1001中。
183.存储器1002可用于存储软件程序以及各种数据。存储器1002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、至少一个功能模块所需的应用程序(比如第一特征模块、第二特征模块或资源确定模块等)等。此外，存储器1002可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
184.在示例性实施例中，本公开实施例还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器1002，上述指令可由电子设备1000的处理器1001执行以完成上述实施例中的资源召回方法。
185.在实际实现时，第一特征模块901、第二特征模型902和资源确定模块903的处理功
能可以由图10所示的处理器1001调用存储器1002中的程序代码来实现。其具体的执行过程可参考上述实施例中的资源召回方法部分的描述，这里不再赘述。
186.可选地，计算机可读存储介质可以是非临时性计算机可读存储介质，例如，该非临时性计算机可读存储介质可以是只读存储器(read-only memory，rom)、随机存储存储器(random access memory，ram)、cd-rom、磁带、软盘和光数据存储设备等。
187.在示例性实施例中，本公开实施例还提供了一种包括一条或多条指令的计算机程序产品，该一条或多条指令可以由电子设备1000的处理器1001执行以完成上述实施例中的资源召回方法。
188.需要说明的是，上述计算机可读存储介质中的指令或计算机程序产品中的一条或多条指令被电子设备1000的处理器1001执行时实现上述资源召回方法的实施例的各个过程，且能达到与上述资源召回方法相同的技术效果，为避免重复，这里不再赘述。
189.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。本技术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。
190.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。