多媒体资源推荐方法及相关装置与流程

1.本技术涉及多媒体信息处理技术领域，尤其涉及一种多媒体资源推荐方法及相关装置。


背景技术：

2.在短视频推荐系统模型训练中，基于用户历史行为信息中蕴含的用户兴趣点的信息可以给用户推荐更感兴趣的内容，对模型的学习有指导意义。
3.相关技术中，在基于用户请求获取待推荐多媒体资源之后，将用户的全部历史行为数据作为基于检索的用户行为兴趣ctr模型(sim)的输入，若待推荐候选多媒体资源包括多种类型的多媒体资源，则通过gsu(general search unit)模块对每种类型的待推荐多媒体资源分别生成相应的长期行为序列作为esu(exact search unit)模块的输入，然后基于注意力机制的深度学习模型对长期行为序列进行建模，得到各个候选多媒体资源的评估分数，之后基于评估分数对各待推荐多媒体资源进行排序推荐。相关技术中多媒体资源推荐的方法过程复杂低效且准确性差。


技术实现要素：

4.本技术提供一种多媒体资源推荐方法及相关装置，用以解决相关技术中进行多媒体资源推荐时操作复杂低效且准确性差的问题。
5.第一方面，本技术提供一种多媒体资源推荐方法，所述方法包括：
6.响应于目标账户的多媒体资源推荐请求，获取所述目标账户的近期历史行为序列；所述近期历史行为序列中的历史行为表征在当前时间之前的预设时间段内所述目标账户针对相应多媒体资源的操作行为；
7.根据所述近期历史行为序列，确定所述目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度；其中，所述第一多媒体资源类型集是基于所述近期历史行为序列中历史行为对应的多媒体资源得到的；
8.根据所述目标账户分别对所述第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度，确定所述目标账户的兴趣多媒体资源类型；
9.从所述目标账户的全量历史行为序列中筛选出与所述兴趣多媒体资源类型相匹配的目标历史行为，得到所述目标账户对应的目标历史行为序列；
10.根据所述目标历史行为序列，确定所述目标账户对待推荐多媒体资源的感兴趣程度，并根据所述感兴趣程度确定所述待推荐多媒体资源中的目标多媒体资源；所述目标多媒体资源用于推荐给所述目标账户。
11.在一种可能的实施方式中，所述根据所述近期历史行为序列，确定所述目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度之前，所述方法还包括：
12.获取所述近期历史行为序列中各历史行为对应的多媒体资源，得到第一多媒体资
源集；
13.对所述第一多媒体资源集进行分类，得到第二多媒体资源类型集；
14.确定所述目标账户对第二多媒体资源类型集中各媒体资源类型的兴趣度；
15.从所述第二多媒体资源类型集中筛选掉兴趣度低于预设兴趣度阈值的多媒体资源类型，得到所述第一多媒体资源类型集。
16.在一种可能的实施方式中，所述根据所述近期历史行为序列，确定所述目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度，具体包括：
17.针对所述第一多媒体资源类型集中的各多媒体资源类型分别执行：
18.确定所述多媒体资源类型包括的多媒体资源中，所述历史行为的访问时长高于时长阈值的多媒体资源的数量n；其中，n为大于等于1的正整数；
19.采用期望推荐程度与所述n成正比，且与所述多媒体资源类型包括的多媒体资源数量成反比的关系，确定所述目标账户对所述多媒体资源类型的期望推荐程度。
20.在一种可能的实施方式中，所述多媒体资源类型包括的多媒体资源包括：
21.所述近期历史行为序列的历史行为对应的多媒体资源中属于所述多媒体资源类型的已访问多媒体资源；
22.和/或，
23.所述已访问多媒体资源的关联多媒体资源，所述关联多媒体资源为推荐所述已访问多媒体资源时同步推荐给所述目标账户的多媒体资源，且所述已访问多媒体资源的数量和所述关联多媒体资源的总数量不高于数量上限。
24.在一种可能的实施方式中，所述根据所述目标历史行为序列，确定所述目标账户对待推荐多媒体资源的感兴趣程度之前，所述方法还包括：
25.从所述待推荐多媒体资源中筛选出属于所述兴趣多媒体资源类型的候选多媒体资源；
26.若所述候选多媒体资源的数量低于预设数量，则从所述兴趣多媒体资源类型的相似多媒体资源类型中筛选出候选多媒体资源，直至最终筛选出的候选多媒体资源总数不低于所述预设数量；
27.对所述最终筛选出的候选多媒体资源进行筛选，得到最终用于确定所述目标账户对所述待推荐多媒体资源的感兴趣程度的待推荐多媒体资源。
28.在一种可能的实施方式中，若确定所述多个多媒体资源类型的期望推荐程度分布满足预设分布，则执行所述根据所述目标账户分别对多个多媒体资源类型的期望推荐程度，确定所述目标账户的兴趣多媒体资源类型的步骤。
29.在一种可能的实施方式中，所述根据所述目标账户分别对多个多媒体资源类型的期望推荐程度，确定所述目标账户的兴趣多媒体资源类型之前，所述方法还包括：
30.若确定所述多个多媒体资源类型的期望推荐程度分布不满足所述预设分布，则对所述第一多媒体资源类型集中的所述多媒体资源类型进行聚类分析，得到新的第一多媒体资源类型集，并返回执行所述根据所述近期历史行为序列，确定所述目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度的步骤。
31.在一种可能的实施方式中，所述根据所述目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度，确定所述目标账户的兴趣多媒体资源类型，具
体包括：
32.依照期望推荐程度由高到低的顺序，筛选出指定数量个多媒体资源类型作为所述目标账户的兴趣多媒体资源类型；或者，
33.依照期望推荐程度由高到低的顺序，筛选出期望推荐程度高于期望推荐程度阈值的多媒体资源类型作为所述目标账户的兴趣多媒体资源类型。
34.在一种可能的实施方式中，所述确定所述目标账户对第二多媒体资源类型集中各媒体资源类型的兴趣度，具体包括：
35.基于所述近期历史行为序列中的历史行为，确定所述目标账户对第二多媒体资源类型集中各多媒体资源类型的操作频率；
36.基于所述兴趣度与所述操作频率正相关的关系，确定第二多媒体资源类型集中各媒体资源类型的兴趣度。
37.在一种可能的实施方式中，所述近期历史行为序列，包括：
38.所述目标账户在当前时间之前的预设时间段内的指定数量个历史行为；
39.和/或，
40.所述目标账户在当前时间之前的预设时间段内的历史行为。
41.第二方面，本技术提供一种多媒体资源推荐装置，所述装置包括：
42.近期历史行为序列获取模块，被配置为执行响应于目标账户的多媒体资源推荐请求，获取所述目标账户的近期历史行为序列；所述近期历史行为序列中的历史行为表征在当前时间之前的预设时间段内所述目标账户针对相应多媒体资源的操作行为；
43.期望推荐程度确定模块，被配置为执行根据所述近期历史行为序列，确定所述目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度；其中，所述第一多媒体资源类型集是基于所述近期历史行为序列中历史行为对应的多媒体资源得到的；
44.兴趣多媒体资源类型确定模块，还被配置为执行根据所述目标账户分别对所述第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度，确定所述目标账户的兴趣多媒体资源类型；
45.目标历史行为筛选模块，被配置为执行从所述目标账户的全量历史行为序列中筛选出与所述兴趣多媒体资源类型相匹配的目标历史行为，得到所述目标账户对应的目标历史行为序列；
46.目标多媒体资源确定模块，还被配置为执行根据所述目标历史行为序列，确定所述目标账户对待推荐多媒体资源的感兴趣程度，并根据所述感兴趣程度确定所述待推荐多媒体资源中的目标多媒体资源；所述目标多媒体资源用于推荐给所述目标账户。
47.在一种可能的实施方式中，所述装置还包括：
48.第一多媒体资源集获取模块，被配置为执行在所述期望推荐程度确定模块执行根据所述近期历史行为序列，确定所述目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度之前，获取所述近期历史行为序列中各历史行为对应的多媒体资源，得到第一多媒体资源集；
49.分类模块，被配置为执行对所述第一多媒体资源集进行分类，得到第二多媒体资源类型集；
50.兴趣度确定模块，被配置为执行确定所述目标账户对第二多媒体资源类型集中各媒体资源类型的兴趣度；
51.第一多媒体资源类型集确定模块，被配置为执行从所述第二多媒体资源类型集中筛选掉兴趣度低于预设兴趣度阈值的多媒体资源类型，得到所述第一多媒体资源类型集。
52.在一种可能的实施方式中，执行所述根据所述近期历史行为序列，确定所述目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度，所述期望推荐程度确定模块具体被配置为执行：
53.针对所述第一多媒体资源类型集中的各多媒体资源类型分别执行：
54.确定所述多媒体资源类型包括的多媒体资源中，所述历史行为的访问时长高于时长阈值的多媒体资源的数量n；其中，n为大于等于1的正整数；
55.采用期望推荐程度与所述n成正比，且与所述多媒体资源类型包括的多媒体资源数量成反比的关系，确定所述目标账户对所述多媒体资源类型的期望推荐程度。
56.在一种可能的实施方式中，所述多媒体资源类型包括的多媒体资源包括：
57.所述近期历史行为序列的历史行为对应的多媒体资源中属于所述多媒体资源类型的已访问多媒体资源；
58.和/或，
59.所述已访问多媒体资源的关联多媒体资源，所述关联多媒体资源为推荐所述已访问多媒体资源时同步推荐给所述目标账户的多媒体资源，且所述已访问多媒体资源的数量和所述关联多媒体资源的总数量不高于数量上限。
60.在一种可能的实施方式中，所述装置还包括：
61.候选多媒体资源筛选模块，被配置为执行在所述目标多媒体资源确定模块执行根据所述目标历史行为序列，确定所述目标账户对待推荐多媒体资源的感兴趣程度之前，从所述待推荐多媒体资源中筛选出属于所述兴趣多媒体资源类型的候选多媒体资源；
62.资源补充模块，被配置为执行若所述候选多媒体资源的数量低于预设数量，则从所述兴趣多媒体资源类型的相似多媒体资源类型中筛选出候选多媒体资源，直至最终筛选出的候选多媒体资源总数不低于所述预设数量；
63.待推荐多媒体资源确定模块，被配置为执行对所述最终筛选出的候选多媒体资源进行筛选，得到最终用于确定所述目标账户对所述待推荐多媒体资源的感兴趣程度的待推荐多媒体资源。
64.在一种可能的实施方式中，所述装置还包括：
65.期望推荐程度分布确定模块，被配置为执行在所述兴趣多媒体资源类型确定模块执行所述根据所述目标账户分别对多个多媒体资源类型的期望推荐程度，确定所述目标账户的兴趣多媒体资源类型之前，确定所述多个多媒体资源类型的期望推荐程度分布满足预设分布。
66.在一种可能的实施方式中，所述装置还包括：
67.聚类模块，被配置为执行在所述兴趣多媒体资源类型确定模块执行根据所述目标账户分别对多个多媒体资源类型的期望推荐程度，确定所述目标账户的兴趣多媒体资源类型之前，若所述期望推荐程度分布确定模块确定所述多个多媒体资源类型的期望推荐程度分布不满足所述预设分布，则对所述第一多媒体资源类型集中的所述多媒体资源类型进行
聚类分析，得到新的第一多媒体资源类型集；
68.迭代模块，被配置为执行得到新的第一多媒体资源类型集后，返回执行所述根据所述近期历史行为序列，确定所述目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度的步骤。
69.在一种可能的实施方式中，执行所述根据所述目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度，确定所述目标账户的兴趣多媒体资源类型，所述兴趣多媒体资源类型确定模块具体被配置为执行：
70.依照期望推荐程度由高到低的顺序，筛选出指定数量个多媒体资源类型作为所述目标账户的兴趣多媒体资源类型；或者，
71.依照期望推荐程度由高到低的顺序，筛选出期望推荐程度高于期望推荐程度阈值的多媒体资源类型作为所述目标账户的兴趣多媒体资源类型。
72.在一种可能的实施方式中，执行所述确定所述目标账户对第二多媒体资源类型集中各媒体资源类型的兴趣度，所述兴趣度确定模块具体被配置为执行：
73.基于所述近期历史行为序列中的历史行为，确定所述目标账户对第二多媒体资源类型集中各多媒体资源类型的操作频率；
74.基于所述兴趣度与所述操作频率正相关的关系，确定第二多媒体资源类型集中各媒体资源类型的兴趣度。
75.在一种可能的实施方式中，所述近期历史行为序列，包括：
76.所述目标账户在当前时间之前的预设时间段内的指定数量个历史行为；
77.和/或，
78.所述目标账户在当前时间之前的预设时间段内的历史行为。
79.第三方面，本技术还提供了一种电子设备，包括：
80.处理器；
81.用于存储所述处理器可执行指令的存储器；
82.其中，所述处理器被配置为执行所述指令，以实现如本技术第一方面中提供的任一多媒体资源推荐方法。
83.第四方面，本技术实施例还提供了一种计算机可读存储介质，当所述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如本技术第一方面中提供的任一多媒体资源推荐方法。
84.第五方面，本技术实施例提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如本技术第一方面中提供的任一多媒体资源推荐方法。
85.本技术的实施例提供的技术方案至少带来以下有益效果：
86.本技术中采用用户的近期历史行为序列挖掘用户对不同多媒体资源类型的期望推荐程度，期望推荐程度越高表示用户对该类型的多媒体资源越感兴趣，越期望获取该类型的多媒体资源，故此本技术基于用户的近期历史行为序列能够挖掘用户的近期兴趣和用户对每种多媒体资源类型的感兴趣程度，然后基于用户期望获得的多媒体资源类型来构建用户的目标历史行为序列，使得目标历史行为序列相较于相关技术长期行为序列更侧重于用户的近期兴趣和用户近期期望获得的多媒体资源类型，基于本技术的目标历史行为序列能够更好的描述用户的需求为用户做准确的推荐。此外，本技术中无需对每种多媒体资源
类型分别获取目标历史行为序列，基于一次请求计算一次目标历史行为序列即可，故此本技术的推荐方法相较于现有技术能够简化操作提高推荐效率。
87.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。本技术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，或者通过实施本技术而了解。本技术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
88.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，显而易见地，下面所介绍的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
89.图1为本技术实施例提供的多媒体资源推荐方法的应用场景示意图；
90.图2为本技术实施例提供的训练多媒体资源推荐模型的流程示意图；
91.图3为本技术实施例提供的多媒体资源推荐方法的流程示意图；
92.图4为本技术实施例提供的第一多媒体资源类型集的确定方法的流程示意图；
93.图5为本技术实施例提供的一种期望推荐程度的确定方法的流程示意图；
94.图6为本技术实施例提供的待推荐多媒体资源的确定方法的流程示意图；
95.图7为本技术实施例提供的一种多媒体资源推荐装置的框图；
96.图8为本技术实施例提供的电子设备的结构示意图。
具体实施方式
97.为了使本领域普通人员更好地理解本技术的技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
98.需要说明的是，本技术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。应所述理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术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技术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、本技术的一些方面相一致的装置和方法的例子。
99.另外，需要注意的是本技术技术方案中，对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
100.以下，对本技术实施例中的部分用语进行解释说明，以便于本领域技术人员理解。
101.(1)本技术实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
102.(2)“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
103.(3)服务器，是为终端服务的，服务的内容诸如向终端提供资源，保存终端数据；服务器是与终端上安装的应用程序相对应的，与终端上的应用程序配合运行。
104.(4)终端设备，既可以指软件类的app(application，应用程序)，也可以指客户端。它具有可视的显示界面，能与目标账户进行交互；是与服务器相对应，为客户提供本地服务。针对软件类的应用程序，除了一些只在本地运行的应用程序之外，一般安装在普通的客户终端上，需要与服务端互相配合运行。因特网发展以后，较常用的应用程序包括了如短视频应用、收寄电子邮件时的电子邮件客户端，以及即时通讯的客户端等。对于这一类应用程序，需要网络中有相应的服务器和服务程序来提供相应的服务，如数据库服务，配置参数服务等，这样在客户终端和服务器端，需要建立特定的通信连接，来保证应用程序的正常运行。
105.在短视频推荐系统模型训练中，基于用户历史行为信息中蕴含的用户兴趣点的信息可以给用户推荐更感兴趣的内容，对模型的学习有指导意义。
106.相关技术中，在基于用户请求获取待推荐多媒体资源之后，将用户的全部历史行为数据作为基于检索的用户行为兴趣ctr模型(sim)的输入，若待推荐候选多媒体资源包括多种类型的多媒体资源，则通过gsu(general search unit)模块对每种类型的待推荐多媒体资源分别生成相应的长期行为序列作为esu(exact search unit)模块的输入，然后基于注意力机制的深度学习模型对长期行为序列进行建模，得到各个候选多媒体资源的评估分数，之后基于评估分数对各待推荐多媒体资源进行排序推荐。
107.因此，相关技术中针对用户的一次请求，需要基于用户的全部历史行为和所有待推荐资源生成长期行为序列。而一次用户请求对应的待推荐资源里可能有几百甚至上千类个候选视频，导致针对一次用户请求，构建长期行为序列的过程可能需要执行几百上千次，且每构建一个长期行为序列都需要在gsu模块针对每一个候选视频执行一次，导致相关技术请求频次高。故此，相关技术构建长期行为序列的过程复杂低效，进而导致推荐过程复杂低效且准确性差。
108.此外，相关技术中采用用户全部历史行为生成的长期行为序列更侧重用户的长期历史兴趣，导致基于长期历史兴趣筛选得到的资源往往是用户过去喜欢的资源，而当前喜欢的资源并不能得到满足，导致推荐给用户的往往不能满足用户的当前需求。
109.有鉴于此，本技术提供了一种多媒体资源推荐方法及相关装置，用以解决相关技术中进行多媒体资源推荐时操作复杂低效且准确性差的问题。
110.本技术的发明构思可概括为：本技术实施例首先响应于目标账户的多媒体资源推荐请求，获取所述目标账户的近期历史行为序列，之后根据所述近期历史行为序列，确定所述目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度；同时根据所述目标账户分别对所述第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度，确定所述目标账户的兴趣多媒体资源类型；并从所述目标账户的全量历史行为序列中筛选出与所述兴趣多媒体资源类型相匹配的目标历史行为，得到所述目标账户对应的目标历史行为序列；最终根据所述目标历史行为序列，确定所述目标账户对待推荐多媒体资源的感兴趣程度，并根据所述感兴趣程度确定所述待推荐多媒体资源中的目标多媒体资源，并将目标多媒体资源推荐给所述目标账户，由此本技术中采用用户的近期历史行为序列挖掘用户对不同多媒体资源类型的期望推荐程度，期望推荐程度越高表示用户对该类型的多媒体资源越感兴趣，越期望获取该类型的多媒体资源，故此本技术基于用户的近期历史行为序列能够挖掘用户的近期兴趣和用户对每种多媒体资源类型的感兴趣程度，然后基
于用户期望获得的多媒体资源类型来构建用户的目标历史行为序列，使得目标历史行为序列相较于相关技术长期行为序列更侧重于用户的近期兴趣和用户近期期望获得的多媒体资源类型，基于本技术的目标历史行为序列能够更好的描述用户的需求为用户做准确的推荐。此外，本技术中无需对每种多媒体资源类型分别获取目标历史行为序列，基于一次请求计算一次目标历史行为序列即可，故此本技术的推荐方法相较于现有技术能够简化操作提高推荐效率。
111.在介绍完本技术实施例的设计思想之后，下面对本技术实施例的技术方案能够适用的应用场景做一些简单介绍，需要说明的是，以下介绍的应用场景仅用于说明本技术实施例而非限定。在具体实施时，可以根据实际需要灵活地应用本技术实施例提供的技术方案。
112.参考图1，其为本技术实施例提供的多媒体资源推荐方法的应用场景示意图。该应用场景包括多个终端设备101(包括终端设备101-1、终端设备101-2、
……
终端设备101-n)、还包括服务器102。其中，终端设备101、服务器102之间通过无线或有线网络连接，服务器102提供多媒体资源给终端设备101展示。
113.终端设备101包括但不限于桌面计算机、移动电话、移动电脑、平板电脑、媒体播放器、智能可穿戴设备、智能电视等电子设备。
114.服务器102可以是一台服务器、若干台服务器组成的服务器集群或云计算中心。服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。
115.当然，本技术实施例提供的方法并不限于图1所示的应用场景，还可以用于其它可能的应用场景，本技术实施例并不进行限制。对于图1所示的应用场景的各个设备所能实现的功能将在后续的方法实施例中一并进行描述，在此先不过多赘述。
116.为进一步说明本技术实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本技术实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本技术实施例提供的执行顺序。
117.需要说明的是，本技术提供的资源推荐方法适用于任何网络资源，例如短视频、长视频、网元、商品等需要推荐网络资源的场景。此外，为实现资源推荐所需的用户信息均是通过用户授权许可获得的。
118.下面对本技术实施例的技术方案适用的多媒体资源推荐模型的训练流程做一些简单介绍，为了便于本领域技术领域人员理解本技术实施例提供的技术方案。
119.参考图2，为本技术实施例提供的多媒体资源推荐模型训练的流程示意图，包括以下步骤：
120.在步骤201中，获取训练数据构建多媒体资源推荐模型(即前文所述的用户行为兴趣ctr模型)的训练样本。
121.在一些实施例中，多媒体资源推荐模型的训练样本包括目标账户特征、多媒体资
源特征、上下文特征以及目标账户对该样本的行为，例如点赞、关注、长时间观看该样本等，训练样本还包括用户的目标历史行为序列。本技术中目标历史行为序列是基于用户的近期历史行为序列构建的(这里后文将作说明)。
122.其中，目标账户特征可以是目标账户id、设备id，也可以是其他能表征目标账户信息的特征，例如目标账户兴趣，目标账户年龄等特征。目标账户特征还可以是平均求和的目标账户行为序列，例如平均求和后的最近长时间观看的多媒体资源id序列。目标账户特征还可以是目标账户行为序列，例如目标账户历史观看多媒体资源id序列，目标账户历史观看多媒体资源作者id序列，目标账户历史观看多媒体资源时长序列，目标账户历史观看多媒体资源距当前时间长度的序列等行为序列，可以根据实际使用情况进行设置，本技术实施例对此不作限定。
123.其中，多媒体资源特征可以是多媒体资源id，也可以是其他能够表征多媒体资源信息的特征，例如多媒体资源年龄，多媒体资源类目，多媒体资源类别等等，可以根据实际使用情况进行设置，本技术实施例对此不作限定。
124.在步骤202中，基于训练样本调整多媒体资源推荐模型中的esu的结构和参数，即训练esu模块。这里可具体实施为基于注意力机制对在步骤201中获得的目标历史行为序列进行建模。
125.在步骤203中，进行多媒体资源推荐模型中gsu模块的训练，由此得到训练好的gsu模块和esu模块。
126.在步骤204中，基于训练好的多媒体资源模型进行多媒体资源推荐。
127.本技术提出的一种多媒体资源推荐方法，主要是基于上述训练多媒体资源推荐模型的流程，采用用户的近期历史行为序列挖掘用户对不同多媒体资源类型的期望推荐程度，并基于用户对不同多媒体资源类型的期望推荐程度获取用户近期感兴趣的多媒体资源类型，从而获取用户的样本历史行为序列，即获取步骤201中的训练样本。并在获取训练样本之后使用步骤202和步骤203对多媒体资源推荐模型进行训练。而本技术提供的多媒体资源推荐方法主要是使用与获取样本历史行为序列相同的方法获取用户的目标历史行为序列，并将目标历史行为序列输入训练好的多媒体资源推荐模型，从而获取目标多媒体资源推荐给用户。
128.参照图3，为本技术实施例提供的一种多媒体资源推荐方法的流程示意图。如图3所示，该方法可实施为如下步骤：
129.在步骤301中，响应于目标账户的多媒体资源推荐请求，获取目标账户的近期历史行为序列；近期历史行为序列中的历史行为表征在当前时间之前的预设时间段内目标账户针对相应多媒体资源的操作行为。
130.示例性的，设置预设时间段为10分钟，则近期历史行为序列中的历史行为表示目标账户在当前时间之前的10分钟内对相应多媒体资源的操作行为，例如近期历史行为序列中包括10分钟之内对每个多媒体资源的观看时长或者点赞次数。
131.在一些实施例中，多媒体资源推荐请求可能是目标账户对多媒体资源的一次刷新操作，也可能是目标账户对多媒体资源的一次搜索操作，本技术对此不作具体限定。
132.在一些实施例中，目标账户可以包括目标账户的唯一标识，如目标账户id,还可以包括设备id，可以根据实际使用情况进行设置，本技术实施例对此不作限定。
133.在一些实施例中，响应于目标账户的多媒体资源推荐请求，对多媒体资源库中的资源通过向量召回、粗排等步骤进行筛选，最终获取待推荐多媒体资源。其中待推荐多媒体资源的数量较大，例如待推荐多媒体资源一般可以超过1000个左右。
134.在一些实施例中，近期历史行为序列，包括：目标账户在当前时间之前的预设时间段内的指定数量个历史行为；和/或，目标账户在当前时间之前的预设时间段内的历史行为。例如：以多媒体资源是视频为例，近期历史行为序列可以包括目标账户最近50个观看视频的视频id序列、目标账户最近50个观看视频的视频作者id序列、目标账户最近50个观看视频的视频时长序列、目标账户最近50个观看视频距当前时间的长度的序列等等，也可以包括目标账户最近10分钟之内观看视频的视频id序列，或者目标账户最近10分钟之内对观看的视频的点赞次数。
135.由此，可以通过设置时间段或者指定数量，为基于目标账户的多媒体资源推荐请求获取的近期历史行为系列确定一个可靠范围，在获取历史行为的同时，通过限定数量可以减少历史行为的处理量还能够反映用户的近期爱好。
136.其中，响应于目标账户的多媒体资源推荐请求，获取目标账户的近期历史行为序列这一步骤需要获取目标账户的信息，因此在本技术中，目标账户的任何信息都是经过授权同意后获取的。
137.在步骤302中，根据近期历史行为序列，确定目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度；其中，第一多媒体资源类型集是基于近期历史行为序列中历史行为对应的多媒体资源得到的。
138.其中，期望推荐程度指的是目标账户对某个多媒体资源类型的兴趣未被满足的程度。
139.在一种可能的实施方式中，确定近期行为序列中所有的多媒体资源类型的期望推荐程度可能需要花费较长的时间，使得确定期望推荐程度的效率低下，因此为了提高确定期望推荐程度的效率，本技术实施例中在根据近期历史行为序列，确定目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度之前，可以缩小多媒体资源类型的范围，具体可以执行为如图4所示的步骤：
140.在步骤401中，获取近期历史行为序列中各历史行为对应的多媒体资源，得到第一多媒体资源集。
141.在步骤402中，对第一多媒体资源集进行分类，得到第二多媒体资源类型集。
142.在步骤403中，确定目标账户对第二多媒体资源类型集中各媒体资源类型的兴趣度。
143.在一种可能的实施方式中，本技术实施例中确定目标账户对第二多媒体资源类型集中各媒体资源类型的兴趣度，具体可以实施为：首先基于近期历史行为序列中的历史行为，确定目标账户对第二多媒体资源类型集中各多媒体资源类型的操作频率；然后基于兴趣度与操作频率正相关的关系，确定第二多媒体资源类型集中各媒体资源类型的兴趣度。
144.示例性的，根据近期历史行为序列中的历史行为，确定第二多媒体资源类型集中包括的多媒体资源类型有游戏类视频、美食类视频、广告类食品、卖货类视频，其中推荐的游戏类视频有20个、美食类视频有15个、广告类食品有3个、卖货类视频5个，目标账户对游戏类视频的点赞次数为10次，对美食类视频的点赞次数为15次、对广告类食品的点赞次数
为0次、对卖货类视频的点赞次数为1次，则目标账户对游戏类视频的操作频率为0.5，对美食类视频的操作频率为1、对广告类食品的操作频率为0、对卖货类视频的操作频率为0.2，因为兴趣度与操作频率正相关，即操作频率越高，对相应的多媒体资源类型的兴趣度越高，则确定目标账户对游戏类视频的兴趣度为0.5，对美食类视频的兴趣度为1、对广告类食品的兴趣度为0、对卖货类视频的兴趣度为0.2。
145.由此，通过近期历史行为序列中对各类型多媒体资源的操作频率确定各个多媒体资源类型的兴趣度，能够从用户行为上挖掘用户对不同类型多媒体资源的感兴趣程度，能够准确的衡量用户对不同类型资源的兴趣。
146.在步骤404中，从第二多媒体资源类型集中筛选掉兴趣度低于预设兴趣度阈值的多媒体资源类型，得到第一多媒体资源类型集。
147.示例性的，设置兴趣度阈值为0.5，上述示例中目标账户对游戏类视频的兴趣度为0.5，对美食类视频的兴趣度为1、对广告类食品的兴趣度为0、对卖货类视频的兴趣度为0.2，则可以将第二多媒体资源类型集中兴趣度低于0.5的多媒体资源类型过滤掉，得到游戏类视频和美食类视频，并将游戏类视频和美食类视频作为第一多媒体资源类型集中的多媒体资源类型。
148.由此，可以通过预先设置一个兴趣度阈值，筛选出高于兴趣度阈值的多媒体资源类型，从而可以缩小多媒体资源类型的范围，能够提高确定目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度的效率。
149.在一种可能的实施方式中，在确定第一多媒体资源类型集之后，需要根据目标账户的近期历史行为序列，确定目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度，本技术实施例中针对第一多媒体资源类型集中的各多媒体资源类型可以分别执行图5所示的步骤：
150.在步骤501中，确定多媒体资源类型包括的多媒体资源中，历史行为的访问时长高于时长阈值的多媒体资源的数量n；其中，n为大于等于1的正整数。
151.在一种可能的实施方式中，本技术实施例中的多媒体资源类型包括的多媒体资源具体包括：近期历史行为序列的历史行为对应的多媒体资源中属于多媒体资源类型的已访问多媒体资源，由此，采用用户历史行为操作供的多媒体资源，即已访问多媒体资源能够更好的表征用户感兴趣的资源。
152.在另一个实施例中，多媒体资源类型包括的多媒体资源还可以是前述已访问多媒体资源的关联多媒体资源，该关联多媒体资源为推荐已访问多媒体资源时同步推荐给目标账户的多媒体资源，且已访问多媒体资源的数量和关联多媒体资源的总数量不高于数量上限。也即，多已访问多媒体资源类型不足时，可以采用同步推荐的关联多媒体资源进行补充，以扩充多媒体资源的数量，保证后续基于多媒体资源进行推荐时，有足够数量的多媒体资源作为支撑提高推荐效率。
153.在步骤502中，采用期望推荐程度与n成正比，且与多媒体资源类型包括的多媒体资源数量成反比的关系，确定目标账户对多媒体资源类型的期望推荐程度。
154.在一种可能的实施方式中，第一多媒体资源类型集中包括多个多媒体资源类型，因此针对每种多媒体资源类型分别计算对应的期望推荐程度可以统计目标账户的近期行为序列中的历史行为，将目标账户对每种多媒体资源类型的历史行为区分为正样本和负样
本，以正样本数量/(正样本数量 负样本数量)的计算方式计算目标账户对每种多媒体资源类型的期望推荐程度。正样本占比越高，说明目标账户对相应的多媒体资源类型的期望推荐程度越高，目标账户对该多媒体资源类型的需求越大。
155.示例性的，若第一多媒体资源类型集中的多媒体资源类型包括游戏类视频和美食类食品，近期给目标账户推荐了10个游戏类视频和5个美食类视频，目标账户的近期只访问了其中6个游戏类视频和1个美食类视频，且游戏类视频中有1个视频的访问时长高于时长阈值及美食类视频中有1个视频的访问时长高于时长阈值。
156.其中，第一种假设为多媒体资源类型包括的多媒体资源包括近期历史行为序列的历史行为对应的多媒体资源中属于多媒体资源类型的已访问多媒体资源，则游戏类视频的多媒体资源数量为6，即总样本数量为6，正样本数量为1，负样本数量为5，计算出的期望推荐程度为0.2，而美食类视频的多媒体资源数量为1，即总样本数量为1，正样本数量为1，负样本数量为0，计算出的期望推荐程度为1，显然目标账户对为美食类视频的多媒体资源类型的期望推荐程度更高。
157.其中，第二种假设为多媒体资源类型包括的多媒体资源包括近期历史行为序列的历史行为对应的多媒体资源中属于多媒体资源类型的已访问多媒体资源和已访问多媒体资源的关联多媒体资源。则游戏类视频的多媒体资源数量为10，即总样本数量为10，正样本数量为1，负样本数量为9，计算出的期望推荐程度为0.1，而美食类视频的多媒体资源数量为5，即总样本数量为5，正样本数量为1，负样本数量为4，计算出的期望推荐程度为0.2，显然目标账户对为美食类视频的多媒体资源类型的期望推荐程度更高。
158.由此，通过上述的方法确定目标账户对第一多媒体资源类型集中的各多媒体资源类型的期望推荐程度，能够挖掘出推荐给用户的多媒体资源中何种类型的多媒体资源是用户渴望得到的，由此提高推荐的准确性。
159.由此，可以通过目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度确定目标账户每种多媒体资源类型兴趣未被满足的程度，以及保证推荐的多媒体资源类型符合目标账户近期感兴趣的多媒体资源类型，解决了目标历史行为序列建模存在的目标账户的兴趣变化问题。
160.在步骤303中，根据目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度，确定目标账户的兴趣多媒体资源类型。
161.在一种可能的实施方式中，可能不存在目标账户对某个多媒体资源类型突出的期望推荐程度，即不存在突出的兴趣，说明目标账户最期望的多媒体资源类型与最不期望的多媒体资源类型的期望推荐程度相等，因此根据目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度，确定目标账户的兴趣多媒体资源类型之前，本技术实施例中还需要确定多个多媒体资源类型的期望推荐程度分布满足预设分布，即确定存在突出的兴趣。
162.其中，预设分布可以使用期望推荐程度的之间的差距表示，可以设置一个差距阈值，若多个多媒体资源类型的期望推荐程度之间的差距大于差距阈值，则说明多个多媒体资源类型的期望推荐程度分布满足预设分布。也可以将分布情况表示为分布集中或者分布分散，设置一个集中阈值或者一个分散阈值，若多个多媒体资源类型的期望推荐程度分布大于集中阈值或者多个多媒体资源类型的期望推荐程度分布小于分散阈值，则说明多个多
媒体资源类型的期望推荐程度分布满足预设分布。
163.在一种可能的实施方式中，若确定多个多媒体资源类型的期望推荐程度分布满足预设分布，说明存在目标账户对至少一个多媒体资源类型的期望推荐程度大于其余多媒体资源类型的期望推荐程度，则执行根据目标账户分别对多个多媒体资源类型的期望推荐程度，确定目标账户的兴趣多媒体资源类型的步骤。
164.由此，可以通过设置预设分布，确定多媒体资源类型的期望推荐程度符合确定目标账户的兴趣多媒体资源类型的要求，从而更好的确定目标账户的兴趣多媒体资源类型。
165.在一种可能的实施方式中，若确定多个多媒体资源类型的期望推荐程度分布不满足预设分布，说明可能不存在目标账户对某个多媒体资源类型突出的期望推荐程度，则对第一多媒体资源类型集中的多媒体资源类型进行聚类分析，得到新的第一多媒体资源类型集，并返回执行根据近期历史行为序列，确定目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度的步骤。例如若1000个多媒体资源类型的期望推荐程度不满足预设分布，则将1000个多媒体资源类型进行聚类分析，聚类后变成100个多媒体资源类型，再基于100个多媒体资源类型确定各多媒体资源类型的期望推荐程度，从而筛选出多个多媒体资源类型作为目标账户的兴趣多媒体资源类型。
166.在一种可能的实施方式中，聚类分析可以基于层次聚类的树形结构，将期望推荐程度相邻的多媒体资源类型合并为一个多媒体资源类型。
167.由此，通过对不满足预设分布的多媒体资源类型进行聚类分析，可以减少多媒体资源类型的细分程度，使得在近期行为序列中多媒体资源类型的分布尽量集中，让不同多媒体资源类型的期望推荐程度差距尽量大一些，以便于更好的计算多媒体资源类型的期望推荐程度，以及更好的根据多媒体资源类型的期望推荐程度确定目标账户的兴趣多媒体资源类型。
168.在一种可能的实施方式中，确定了目标账户对第一多媒体资源类型集中的各个多媒体资源类型的期望推荐程度后，本技术实施例中可以依照期望推荐程度由高到低的顺序，筛选出指定数量个多媒体资源类型作为目标账户的兴趣多媒体资源类型；或者，依照期望推荐程度由高到低的顺序，筛选出期望推荐程度高于期望推荐程度阈值的多媒体资源类型作为目标账户的兴趣多媒体资源类型。
169.示例性的，可以将100个多媒体资源类型按照各自的期望推荐程度从高到低进行排序，设置兴趣多媒体资源类型的指定数量为10个，则选取排序中前10个多媒体资源类型作为目标账户的兴趣多媒体资源类型。也可以设置期望推荐程度阈值为0.6，选取期望推荐程度大于或等于期望推荐程度阈值0.6的多媒体资源类型作为目标账户的兴趣多媒体资源类型。
170.由此，可以通过排序或者设置阈值的方法筛选出目标账户的兴趣多媒体资源类型，该类方法能够筛选出用户感兴趣的多媒体资源类型，且筛选方法简单高效易实施。
171.在步骤304中，从目标账户的全量历史行为序列中筛选出与兴趣多媒体资源类型相匹配的目标历史行为，得到目标账户对应的目标历史行为序列。
172.其中，全量历史行为序列包括目标账户注册应用程序以来所有的行为序列，不同的目标账户的序列长度不同，可能在几百到十几万之间。全量历史行为序列可以包括目标账户所有访问多媒体资源的id序列，目标账户所有访问多媒体资源的作者id序列，目标账
户所有访问多媒体资源的时长序列，目标账户所有访问多媒体资源据当前时间长度的序列，可以根据实际使用情况进行设置，本技术实施例对此不作限定。
173.在一种可能的实施方式中，可以根据步骤303中得到的目标账户的兴趣多媒体资源类型，从目标账户的全量历史行为序列中获取对应的行为序列，从而构建新的目标历史行为序列。
174.在步骤305中，根据目标历史行为序列，确定目标账户对待推荐多媒体资源的感兴趣程度，并根据感兴趣程度确定待推荐多媒体资源中的目标多媒体资源；目标多媒体资源用于推荐给目标账户。
175.在一种可能的实施方式中，根据目标历史行为序列，确定目标账户对待推荐多媒体资源的感兴趣程度之前，本技术实施例中还可以确定目标账户对待推荐多媒体资源的感兴趣程度的待推荐多媒体资源，具体可以执行如图6所示的步骤：
176.在步骤601中，从待推荐多媒体资源中筛选出属于兴趣多媒体资源类型的候选多媒体资源。
177.在步骤602中，若候选多媒体资源的数量低于预设数量，则从兴趣多媒体资源类型的相似多媒体资源类型中筛选出候选多媒体资源，直至最终筛选出的候选多媒体资源总数不低于预设数量。
178.在一种可能的实施方式中，可以基于在步骤303中得到的目标账户的兴趣多媒体资源类型从多媒体资源库中筛选得到兴趣多媒体资源类型对应的多个候选多媒体资源。多个候选多媒体资源可以是从新到旧的多媒体资源，也可以是最热门的多媒体资源。当在多媒体资源库中筛选得到多媒体资源的数量不满足预设数量时，可以放宽要求，筛选与兴趣多媒体资源类型最接近的其他多媒体资源类型对应的多媒体资源，直至筛选得到的多媒体资源的数量满足预设数量。其中预设数量可以是几千个，也可以是几万个，可以根据实际情况设置，本技术实施例对此不做限制。
179.在步骤603中，对最终筛选出的候选多媒体资源进行筛选，得到最终用于确定目标账户对待推荐多媒体资源的感兴趣程度的待推荐多媒体资源。
180.在一种可能的实施方式中，将步骤602中筛选出的候选多媒体资源作为一路召回源，经过粗排、精排等步骤进行漏斗式的筛选，最后筛选出待推荐多媒体资源。其中筛选出的待推荐多媒体资源一般在1000个左右，可以根据实际情况设置，本技术实施例对此不做限制。
181.由此，可以保证目标账户最期望推荐的兴趣多媒体资源类型对应的多媒体资源得到充足的供给，可以解决目标账户感兴趣的多媒体资源供给不足的问题。
182.在一种可能的实施方式中，根据目标历史行为序列，确定目标账户对待推荐多媒体资源的感兴趣程度，本技术实施例中可以采用目标历史行为序列对待推荐多媒体资源进行排序，得到待推荐多媒体资源的推荐顺序，推荐顺序越靠前，目标账户对待推荐多媒体资源的感兴趣程度越大。
183.示例性的，可以首先使用拿到目标历史行为序列的方法拿到样本历史行为序列，并基于transformer(机器翻译注意力机制)或者multi-head attention(多头注意力机制)等注意力机制对样本历史行为序列进行建模，例如可以使用基于qkv(query-key-value,注意力机制)的attention(注意力机制)方式，将包括target item(目标项)的多媒体资源特
征以及其他特征的向量作为query(查询条件)，将样本历史行为序列作为key(键)和value(值)，得到样本历史行为序列的特征表达。将该特征与其他特征拼接通过mlp(multi-layer perceptron，多层神经网络)即可得到对应target item的预估输出。然后对多媒体资源推荐模型进行训练，即预估目标账户对待推荐多媒体资源样本的行为的分数，以目标账户特征、多媒体资源特征、上下文特征以及样本历史行为序列输入模型，预估目标账户对待推荐多媒体资源样本的行为的分数，例如点赞、关注、长时间观看待推荐多媒体资源样本的可能性。并基于目标账户对待推荐多媒体资源样本的行为的预估分数与神经网络训练样本中目标账户实际发生的行为计算损失函数，对多媒体资源推荐模型的参数进行更新。最后基于ensemble sort(集合排序)公式使用训练好的多媒体资源推荐模型对输出的目标账户对待推荐多媒体资源样本的多种行为的预估分数进行组合，得到待推荐多媒体资源的推荐顺序，最后确定目标账户对待推荐多媒体资源的感兴趣程度。
184.在一种可能的实施方式中，根据感兴趣程度确定待推荐多媒体资源中的目标多媒体资源；目标多媒体资源用于推荐给目标账户。本技术实施例中可以根据待推荐多媒体资源的推荐顺序，将推荐顺序靠前的待推荐多媒体资源推荐给目标账户，也即将目标账户对待推荐多媒体资源的感兴趣程度更大的待推荐多媒体资源推荐给目标账户。
185.基于前文的描述，本技术实施例首先响应于目标账户的多媒体资源推荐请求，获取目标账户的近期历史行为序列，之后根据近期历史行为序列，确定目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度；同时根据目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度，确定目标账户的兴趣多媒体资源类型；并从目标账户的全量历史行为序列中筛选出与兴趣多媒体资源类型相匹配的目标历史行为，得到目标账户对应的目标历史行为序列；最终根据目标历史行为序列，确定目标账户对待推荐多媒体资源的感兴趣程度，并根据感兴趣程度确定待推荐多媒体资源中的目标多媒体资源，并将目标多媒体资源推荐给目标账户。
186.由此本技术中采用用户的近期历史行为序列挖掘用户对不同多媒体资源类型的期望推荐程度，期望推荐程度越高表示用户对该类型的多媒体资源越感兴趣，越期望获取该类型的多媒体资源，故此本技术基于用户的近期历史行为序列能够挖掘用户的近期兴趣和用户对每种多媒体资源类型的感兴趣程度，然后基于用户期望获得的多媒体资源类型来构建用户的目标历史行为序列，使得目标历史行为序列相较于相关技术长期行为序列更侧重于用户的近期兴趣和用户近期期望获得的多媒体资源类型，基于本技术的目标历史行为序列能够更好的描述用户的需求为用户做准确的推荐。此外，本技术中无需对每种多媒体资源类型分别获取目标历史行为序列，基于一次请求计算一次目标历史行为序列即可，故此本技术的推荐方法相较于现有技术能够简化操作提高推荐效率。
187.基于相同的发明构思本技术实施例还提供一种多媒体资源推荐装置。图7为本技术实施例提供的一种多媒体资源推荐装置的框图，参照图7，该装置包括：近期历史行为序列获取模块701、期望推荐程度确定模块702、兴趣多媒体资源类型确定模块703、目标历史行为筛选模块704和目标多媒体资源确定模块705，其中：
188.近期历史行为序列获取模块701，被配置为执行响应于目标账户的多媒体资源推荐请求，获取所述目标账户的近期历史行为序列；所述近期历史行为序列中的历史行为表征在当前时间之前的预设时间段内所述目标账户针对相应多媒体资源的操作行为；
189.期望推荐程度确定模块702，被配置为执行根据所述近期历史行为序列，确定所述目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度；其中，所述第一多媒体资源类型集是基于所述近期历史行为序列中历史行为对应的多媒体资源得到的；
190.兴趣多媒体资源类型确定模块703，还被配置为执行根据所述目标账户分别对所述第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度，确定所述目标账户的兴趣多媒体资源类型；
191.目标历史行为筛选模块704，被配置为执行从所述目标账户的全量历史行为序列中筛选出与所述兴趣多媒体资源类型相匹配的目标历史行为，得到所述目标账户对应的目标历史行为序列；
192.目标多媒体资源确定模块705，还被配置为执行根据所述目标历史行为序列，确定所述目标账户对待推荐多媒体资源的感兴趣程度，并根据所述感兴趣程度确定所述待推荐多媒体资源中的目标多媒体资源；所述目标多媒体资源用于推荐给所述目标账户。
193.在一种可能的实施方式中，所述装置还包括：
194.第一多媒体资源集获取模块，被配置为执行在所述期望推荐程度确定模块702执行根据所述近期历史行为序列，确定所述目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度之前，获取所述近期历史行为序列中各历史行为对应的多媒体资源，得到第一多媒体资源集；
195.分类模块，被配置为执行对所述第一多媒体资源集进行分类，得到第二多媒体资源类型集；
196.兴趣度确定模块，被配置为执行确定所述目标账户对第二多媒体资源类型集中各媒体资源类型的兴趣度；
197.第一多媒体资源类型集确定模块，被配置为执行从所述第二多媒体资源类型集中筛选掉兴趣度低于预设兴趣度阈值的多媒体资源类型，得到所述第一多媒体资源类型集。
198.在一种可能的实施方式中，执行所述根据所述近期历史行为序列，确定所述目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度，所述期望推荐程度确定模块702具体被配置为执行：
199.针对所述第一多媒体资源类型集中的各多媒体资源类型分别执行：
200.确定所述多媒体资源类型包括的多媒体资源中，所述历史行为的访问时长高于时长阈值的多媒体资源的数量n；其中，n为大于等于1的正整数；
201.采用期望推荐程度与所述n成正比，且与所述多媒体资源类型包括的多媒体资源数量成反比的关系，确定所述目标账户对所述多媒体资源类型的期望推荐程度。
202.在一种可能的实施方式中，所述多媒体资源类型包括的多媒体资源包括：
203.所述近期历史行为序列的历史行为对应的多媒体资源中属于所述多媒体资源类型的已访问多媒体资源；
204.和/或，
205.所述已访问多媒体资源的关联多媒体资源，所述关联多媒体资源为推荐所述已访问多媒体资源时同步推荐给所述目标账户的多媒体资源，且所述已访问多媒体资源的数量和所述关联多媒体资源的总数量不高于数量上限。
206.在一种可能的实施方式中，所述装置还包括：
207.候选多媒体资源筛选模块，被配置为执行在所述目标多媒体资源确定模块705执行根据所述目标历史行为序列，确定所述目标账户对待推荐多媒体资源的感兴趣程度之前，从所述待推荐多媒体资源中筛选出属于所述兴趣多媒体资源类型的候选多媒体资源；
208.资源补充模块，被配置为执行若所述候选多媒体资源的数量低于预设数量，则从所述兴趣多媒体资源类型的相似多媒体资源类型中筛选出候选多媒体资源，直至最终筛选出的候选多媒体资源总数不低于所述预设数量；
209.待推荐多媒体资源确定模块，被配置为执行对所述最终筛选出的候选多媒体资源进行筛选，得到最终用于确定所述目标账户对所述待推荐多媒体资源的感兴趣程度的待推荐多媒体资源。
210.在一种可能的实施方式中，所述装置还包括：
211.期望推荐程度分布确定模块，被配置为执行在所述兴趣多媒体资源类型确定模块703执行所述根据所述目标账户分别对多个多媒体资源类型的期望推荐程度，确定所述目标账户的兴趣多媒体资源类型之前，确定所述多个多媒体资源类型的期望推荐程度分布满足预设分布。
212.在一种可能的实施方式中，所述装置还包括：
213.聚类模块，被配置为执行在所述兴趣多媒体资源类型确定模块703执行根据所述目标账户分别对多个多媒体资源类型的期望推荐程度，确定所述目标账户的兴趣多媒体资源类型之前，若所述期望推荐程度分布确定模块确定所述多个多媒体资源类型的期望推荐程度分布不满足所述预设分布，则对所述第一多媒体资源类型集中的所述多媒体资源类型进行聚类分析，得到新的第一多媒体资源类型集；
214.迭代模块，被配置为执行得到新的第一多媒体资源类型集后，返回执行所述根据所述近期历史行为序列，确定所述目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度的步骤。
215.在一种可能的实施方式中，执行所述根据所述目标账户分别对第一多媒体资源类型集中的多个多媒体资源类型的期望推荐程度，确定所述目标账户的兴趣多媒体资源类型，所述兴趣多媒体资源类型确定模块703具体被配置为执行：
216.依照期望推荐程度由高到低的顺序，筛选出指定数量个多媒体资源类型作为所述目标账户的兴趣多媒体资源类型；或者，
217.依照期望推荐程度由高到低的顺序，筛选出期望推荐程度高于期望推荐程度阈值的多媒体资源类型作为所述目标账户的兴趣多媒体资源类型。
218.在一种可能的实施方式中，执行所述确定所述目标账户对第二多媒体资源类型集中各媒体资源类型的兴趣度，所述兴趣度确定模块具体被配置为执行：
219.基于所述近期历史行为序列中的历史行为，确定所述目标账户对第二多媒体资源类型集中各多媒体资源类型的操作频率；
220.基于所述兴趣度与所述操作频率正相关的关系，确定第二多媒体资源类型集中各媒体资源类型的兴趣度。
221.在一种可能的实施方式中，所述近期历史行为序列，包括：
222.所述目标账户在当前时间之前的预设时间段内的指定数量个历史行为；
223.和/或，
224.所述目标账户在当前时间之前的预设时间段内的历史行为。
225.本技术实施例提供的多媒体资源推荐装置与上述多媒体资源推荐方法采用了相同的发明构思，能够取得相同的有益效果，在此不再赘述。
226.在介绍了本技术示例性实施方式的多媒体资源推荐方法和装置之后，接下来，介绍本技术实施例提供的多媒体资源推荐方法的电子设备。
227.所属技术领域的技术人员能够理解，本技术的各个方面可以实现为系统、方法或程序产品。因此，本技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
228.在一些可能的实施方式中，根据本技术的电子设备可以至少包括至少一个处理器、以及至少一个存储器。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本技术各种示例性实施方式的多媒体资源推荐方法。例如，处理器可以执行如多媒体资源推荐方法中的步骤。
229.下面参照图8来描述根据本技术的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
230.如图8所示，电子设备800以通用电子设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理器801、上述至少一个存储器802、连接不同系统组件(包括存储器802和处理器801)的总线803。
231.总线803表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
232.存储器802可以包括易失性存储器形式的可读介质，例如随机存取存储器(ram)8021和/或高速缓存存储器8022，还可以进一步包括只读存储器(rom)8023。
233.存储器802还可以包括具有一组(至少一个)程序模块8024的程序/实用工具8025，这样的程序模块8024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
234.电子设备800也可以与一个或多个外部设备804(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口805进行。并且，电子设备800还可以通过网络适配器806与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器806通过总线803与用于电子设备800的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
235.在示例性实施例中，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802，上述指令可由处理器801执行以完成上述多媒体资源推荐方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
236.在示例性实施例中，还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器801执行时实现如本技术提供的多媒体资源推荐方法的任一方法。
237.在示例性实施例中，本技术提供的一种多媒体资源推荐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，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本技术各种示例性实施方式的多媒体资源推荐方法中的步骤。
238.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。
239.本技术的实施方式的用于多媒体资源推荐方法的程序产品可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在电子设备上运行。然而，本技术的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
240.可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
241.可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、rf等等，或者上述的任意合适的组合。
242.可以以一种或多种程序设计语言的任意组合来编写用于执行本技术操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务端上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
243.应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
244.此外，尽管在附图中以特定顺序描述了本技术方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
245.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
246.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程图像缩放设备的处理器以产生一个机器，使得通过计算机或其他可编程图像缩放设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
247.这些计算机程序指令也可存储在能引导计算机或其他可编程图像缩放设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
248.这些计算机程序指令也可装载到计算机或其他可编程图像缩放设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
249.尽管已描述了本技术的优选实施例，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技术范围的所有变更和修改。
250.显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。