推荐资源的确定方法、装置、服务器及计算机程序产品与流程

1.本公开涉及互联网领域，尤其涉及一种推荐资源的确定方法、装置、服务器及计算机程序产品。


背景技术：

2.在互联网领域，资源推荐系统是解决互联网海量信息资源出现“信息过载”问题的一种方法，其中，资源推荐系统采用资源推荐算法来向用户进行个性化推荐，其可应用于商品推荐、短视频推荐等。
3.在短视频领域，资源推荐系统通过个性化的推荐算法为用户从海量的候选池中筛选出用户可能感兴趣的视频，以提高用户的消费体验和留存粘性。其中，主流的资源推荐系统向用户推送资源信息的过程主要分为三个漏斗阶段，即召回阶段、粗排阶段和精排阶段，通过这三个阶段，资源推荐系统能够根据用户自身的静态属性及丰富的历史行为确定用户的潜在兴趣点。另外，召回、粗排、精排三个阶段，策略和模型逐渐精细化、个性化，但同时每个阶段所对应的模型复杂度也逐渐增加。其中，召回模型和粗排模型相对精排模型来说，模型结构相对简单，个性化预估能力较弱，然而由于缺少新增用户足够的历史行为，召回模型和粗排模型的个性化能力较弱，可能无法准确的预测用户的兴趣点，无法完全保证用户的全部兴趣点被召回并保留至精排阶段，进而导致在召回阶段和粗排阶段过滤掉了用户潜在的兴趣点。而现有技术中，对于新增用户群体，用户历史行为缺失，通常为新增用户推荐全局热门的内容，缺少足够的个性化。


技术实现要素：

4.本公开提供一种推荐资源的确定方法、装置、服务器及计算机程序产品，以至少解决现有技术中，无法向新增用户准确推送资源的问题。本公开的技术方案如下：
5.根据本公开实施例的第一方面，提供一种推荐资源的确定方法，包括：获取目标对象对应多个对象属性的属性信息，其中，目标对象对应的行为数据的数据量小于预设数据量；对多个对象属性的属性信息进行组合，得到目标对象对应的组合属性信息；确定组合属性信息对应的目标群体属性信息，并基于群体属性信息与候选资源集之间的映射关系，确定目标群体属性信息对应的目标候选资源集，其中，群体属性信息是基于多个样本目标对象对应多个对象属性的属性信息得到，映射关系是基于精排模型的预测结果确定的，预测结果指示相应群体属性信息对候选资源的兴趣程度；根据目标候选资源集中的候选资源，确定目标对象对应的推荐资源。
6.可选的，推荐资源的确定方法还包括：获取目标对象在客户端上的注册信息以及目标对象对客户端进行权限设置的权限信息；根据注册信息以及权限信息确定目标对象的多个对象属性所对应的属性值；基于预设的属性列表以及属性值确定目标对象的多个对象属性的属性信息，其中，属性列表中包含了多个对象属性以及每个对象属性的属性范围。
7.可选的，推荐资源的确定方法还包括：对多个对象属性的属性信息进行笛卡尔运
算，得到目标对象对应的组合属性信息。
8.可选的，推荐资源的确定方法还包括：在基于群体属性信息与候选资源集之间的映射关系，确定目标群体属性信息对应的目标候选资源集之前，将每个群体属性信息分别输入至精排模型中，获取精排模型根据群体属性信息对资源候选集中的候选资源进行预测得到的预测结果；根据每个候选资源对应的预测结果，确定每个群体属性信息对应的候选资源集；根据每个群体属性信息对应的候选资源集，建立群体属性信息与候选资源集之间的映射关系。
9.可选的，推荐资源的确定方法还包括：在获取精排模型根据群体属性信息对资源候选集中候选资源进行预测得到的预测结果之前，按照资源候选集中的候选资源的资源标识将资源候选集划分为多个部分，以使精排模型基于多个部分对资源候选集中的候选资源进行评分，其中，每个部分包括至少一个候选资源，每个部分所包含的候选资源数量小于资源候选集所包含的候选资源数量。
10.可选的，推荐资源的确定方法还包括：在确定每个群体属性信息对应的候选资源集之后，对每个对象群体所对应的资源候选集进行离线存储。
11.根据本公开实施例的第二方面，提供一种推荐资源的确定装置，包括：获取单元，被配置为执行获取目标对象对应多个对象属性的属性信息，其中，目标对象对应的行为数据的数据量小于预设数据量；组合单元，被配置为执行对多个对象属性的属性信息进行组合，得到目标对象对应的组合属性信息；第一确定单元，被配置为执行确定组合属性信息对应的目标群体属性信息，并基于群体属性信息与候选资源集之间的映射关系，确定目标群体属性信息对应的目标候选资源集，其中，群体属性信息是基于多个样本目标对象对应多个对象属性的属性信息得到，映射关系是基于精排模型的预测结果确定的，预测结果指示相应群体属性信息对候选资源的兴趣程度；第二确定单元，被配置为执行根据目标候选资源集中的候选资源，确定目标对象对应的推荐资源。
12.可选的，获取单元包括：第一获取单元、第三确定单元以及第四确定单元。其中，第一获取单元，被配置为执行获取目标对象在客户端上的注册信息以及目标对象对客户端进行权限设置的权限信息；第三确定单元，被配置为执行根据注册信息以及权限信息确定目标对象的多个对象属性所对应的属性值；第四确定单元，被配置为执行基于预设的属性列表以及属性值确定目标对象的多个对象属性的属性信息，其中，属性列表中包含了多个对象属性以及每个对象属性的属性范围。
13.可选的，组合单元包括：第一组合单元，被配置为执行对多个对象属性的属性信息进行笛卡尔运算，得到目标对象对应的组合属性信息。
14.可选的，推荐资源的确定装置还包括：第二获取单元、第五确定单元以及构建单元。其中，第二获取单元，被配置为执行在基于群体属性信息与候选资源集之间的映射关系，确定目标群体属性信息对应的目标候选资源集之前，将每个群体属性信息分别输入至精排模型中，获取精排模型根据群体属性信息对资源候选集中的候选资源进行预测得到的预测结果；第五确定单元，被配置为执行根据每个候选资源对应的预测结果，确定每个群体属性信息对应的候选资源集；构建单元，被配置为执行根据每个群体属性信息对应的候选资源集，建立群体属性信息与候选资源集之间的映射关系。
15.可选的，推荐资源的确定装置还包括：评分单元，被配置为执行在获取精排模型根
据群体属性信息对资源候选集中候选资源进行预测得到的预测结果之前，按照资源候选集中的候选资源的资源标识将资源候选集划分为多个部分，以使精排模型基于多个部分对资源候选集中的候选资源进行评分，其中，每个部分包括至少一个候选资源，每个部分所包含的候选资源数量小于资源候选集所包含的候选资源数量。
16.可选的，推荐资源的确定装置还包括：离线存储单元，被配置为执行在确定每个群体属性信息对应的候选资源集之后，对每个对象群体所对应的资源候选集进行离线存储。
17.根据本公开实施例的第三方面，提供一种服务器，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，以实现上述的推荐资源的确定方法。
18.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服务器的处理器执行时，使得服务器能够执行上述的推荐资源的确定方法。
19.根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现上述的推荐资源的确定方法。
20.本公开的实施例提供的技术方案至少带来以下有益效果：
21.采用基于新增用户的属性信息进行组合以确定新增用户对应的推荐资源的方式，在获取到目标对象对应的多个对象属性的属性信息之后，对多个对象属性的属性信息进行组合，得到目标对象对应的组合属性信息，然后，确定组合属性信息对应的目标群体属性信息，并基于群体属性信息与候选资源集之间的映射关系，确定目标群体属性信息对应的目标候选资源集，最后，根据目标候选资源集中的候选资源确定目标对象对应的推荐资源，其中，目标对象对应的行为数据的数据量小于预设数据量，群体属性信息是基于多个样本目标对象对应多个对象属性的属性信息得到，映射关系是基于精排模型的预测结果确定的，预测结果指示相应群体属性信息对候选资源的兴趣程度。
22.由上述内容可知，在本公开中，目标对象为行为数据的数量小于预设数据量的对象，即本公开能够在缺少用户行为数据时为目标对象推荐资源。另外，在本公开中，群体属性信息与候选资源集之间的映射关系是基于精排模型的预测结果得到的，因此，基于群体属性信息与候选资源集之间的映射关系能够捕捉到目标对象的潜在兴趣点，进而能够为目标对象准确的推送资源，保证了资源推荐的准确性。
23.由此可见，本公开所提供的方案达到了为新增用户准确推送资源的目的，从而实现了提高资源推送的准确性的技术效果，进而解决了现有技术中，无法向新增用户准确推送资源的技术问题。
24.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
25.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。
26.图1是根据一示例性实施例示出的可选的服务器的硬件结构示意图。
27.图2是根据一示例性实施例示出的一种推荐资源的确定方法流程图。
28.图3是根据一示例性实施例示出的一种推荐资源的确定装置框图。
具体实施方式
29.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。
30.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。
31.此外，本公开所提供的推荐资源的确定方法可应用于服务器中，该服务器可以包括存储器和处理器。可选的，图1示出了一种可选的服务器的硬件结构示意图，由图1可知，该服务器除包括处理器1002和存储器1004外，还包括网络接口1006、i/o(input/output)控制器1008、总线1010以及大容量存储设备1012。另外，存储器1004可以包括ram(random access memory，随机存取存储器)1014和rom(read-only memory，只读存储器)1016。
32.在一种可选的实施例中，图2是根据一示例性实施例示出的一种推荐资源的确定方法流程图，如图2所示，推荐资源的确定方法用于服务器中，包括以下步骤：
33.步骤s202，获取目标对象对应多个对象属性的属性信息，其中，目标对象对应的行为数据的数据量小于预设数据量。
34.在步骤s202中，上述目标对象可以为客户端的新增用户，其中，新增用户的行为数据的数量通常比较少，例如，在本公开中，目标对象的行为数据的数量小于预设数据量。另外，上述的目标对象还可以为在客户端上的注册时长小于预设时长的对象，例如，客户端为短视频推荐的客户端，则目标对象可以为在该客户端上新注册的用户。另外，上述的目标对象的行为数据可以包括但不限于对客户端执行操作的操作类型、操作次数以及操作时长等，例如，客户端为短视频播放客户端，则上述目标对象的行为数据可以为用户浏览短视频的数量、频率以及浏览时长等。
35.在一种可选的实施例中，服务器可记录目标对象在客户端上的行为数据，并根据目标对象在客户端上的行为数据的数量与预设数据量的大小来确定目标对象是否为新增用户，例如，目标对象的行为数据的数据量小于预设数据量，则确定目标对象为新增用户，否则，确定目标对象为非新增用户。
36.在另一种可选的实施例中，服务器可记录目标对象在客户端上的注册时间，并根据当前时间与注册时间的时间差值来确定目标用户是否为新增用户。另外，服务器还可根据目标对象在客户端上的历史浏览记录的数量来确定目标对象是否为新增用户，例如，在目标对象在客户端上的历史浏览记录的数量小于预设数量时，服务器确定目标对象为新增用户。
37.需要说明的是，用户在客户端上进行注册时，用户可主动向客户端输入用户的对象属性的属性信息，例如，用户在客户端上输入姓名或昵称、出生年月、性别、手机号、位置信息等信息，而这些对象属性的属性信息是静态的，即这些属性信息通常不会随着用户的浏览客户端的记录而发生改变。另外，用户还可授予客户端读取对象属性的属性信息的权限，从而客户端能够自动获取到对象属性的属性信息。
38.在一种可选的实施例中，在接收到目标对象通过客户端浏览视频的请求后，服务器对该请求进行解析，得到该请求所包含的客户端的标识信息，例如，目标对象在客户端上注册后所得到的账户名。服务器通过该标识信息从服务器本地的存储区域中读取与该标识信息对应的目标对象对应的多个对象属性的属性信息。
39.步骤s204，对多个对象属性的属性信息进行组合，得到目标对象对应的组合属性信息。
40.需要说明的是，多个对象属性的属性信息中可能存在无法用于确定目标对象的兴趣的对象属性，例如，名字或昵称。为了避免过多的对象属性的属性信息对资源推荐的准确度的影响，以及处理大量数据所导致的降低数据处理速度的问题，在对多个对象属性的属性信息进行组合之前，服务器还可对多个对象属性的属性信息进行筛选。
41.在一种可选的实施例中，在读取到目标对象的多个对象属性的属性信息之后，服务器可根据每个对象属性的属性信息的权重值来对多个对象属性的属性信息进行筛选，例如，筛选出权重值低于预设权重值的属性信息，而保留权重值不低于预设权重值的属性信息。其中，属性信息对应的权重值表征了该属性信息在保证资源推荐准确的方面的重要程度。
42.进一步的，在得到多个对象属性的属性信息之后，服务器对多个对象属性的属性信息进行组合，例如，服务器按照{性别，年龄，地域}的形式进行组合。其中，服务器在对多个对象属性的属性信息进行组合的过程中，可按照预定的组合规则来对多个对象属性的属性信息进行组合，例如，服务器可以按照对象属性的权重值来对多个对象属性的属性信息进行组合。
43.需要说明的是，在步骤s204中，通过对多个对象属性的属性信息进行组合，使得服务器能够精准地基于组合得到的组合属性信息为目标对象推送资源，提高了资源推送的准确度。
44.步骤s206，确定组合属性信息对应的目标群体属性信息，并基于群体属性信息与候选资源集之间的映射关系，确定目标群体属性信息对应的目标候选资源集。
45.在步骤s206中，群体属性信息是基于多个样本目标对象对应多个对象属性的属性信息得到，即在本公开中，群体属性信息表征了一类对象所具有的属性信息，例如，群体属性信息可以为福建省厦门市，23-30岁的男性所共有的属性信息。
46.在一种可选的实施例中，在获取到目标对象所对应的组合属性信息之后，资源推荐系统将组合属性信息与多个群体属性信息进行匹配，得组合属性信息与每个群体属性信息之间的匹配度，并将匹配度最大的群体属性信息确定为目标对象所对应的目标群体属性信息。进一步的，在确定了目标群体属性信息之后，资源推荐系统获取群体属性信息与候选资源集之间的映射关系，并基于该映射关系来确定目标群体属性信息所对应的目标候选资源集。
47.需要说明的是，上述的映射关系是基于精排模型的预测结果确定的，预测结果指示相应群体属性信息对候选资源的兴趣程度。容易注意到的是，由于上述的映射关系是基于精排模型的预测结果确定的，而精排模型具有个性化排序的能力，因此，结合精排模型和新增用户的组合属性信息所对应你的目标群体属性信息能够从海量的资源候选集中为新增用户提供尽可能个性化的推荐资源，从而提高了资源推荐的准确度。
48.步骤s208，根据目标候选资源集中的候选资源，确定目标对象对应的推荐资源。
49.在步骤s208中，在确定了目标候选资源集之后，资源推荐系统可直接将目标候选资源集中的候选资源推送至客户端。
50.在一种可选的实施例中，服务器接收到目标对象通过客户端发送的访问请求，例如，目标对象在终端设备上启动客户端，或者，客户端处于后台运行状态，则服务器即可接收到目标对象发送的访问请求。在接收到客户端发送的访问请求之后，服务器通过上述的步骤s202至步骤s206确定目标候选资源集，并将目标候选资源集中的候选资源推送至客户端中。
51.在另一种可选的实施例中，目标候选资源集中的候选资源的数量比较多时，服务器可采用定时推送的方式向客户端定时推送推荐资源，例如，服务器每隔30分钟向客户端推送20个目标视频。另外，服务器还可按照每个推荐资源所对应的评分优先向客户端推送评分较高的资源。此外，服务器还可根据推荐资源的制作时间或发布时间来确定向客户端推送资源的推送顺序，并按照该推送顺序向客户端推送资源。
52.还存在一种可选的实施例，在确定了目标候选资源集之后，服务器可对目标候选资源集中的候选资源进行筛选，例如，按照每个候选资源的评分和/或制作时间和/或发布时间和/或每个候选资源的大小来对目标候选资源集中的候选资源进行筛选。如服务器将评分高于预设评分的候选资源推送至客户端，或者服务器将制作时间或者发布时间晚于预设时间的候选资源推送至客户端等。
53.基于上述步骤s202至步骤s208所限定的方案，可以获知，采用基于新增用户的属性信息进行组合以确定新增用户对应的推荐资源的方式，在获取到目标对象对应的多个对象属性的属性信息之后，对多个对象属性的属性信息进行组合，得到目标对象对应的组合属性信息，然后，确定组合属性信息对应的目标群体属性信息，并基于群体属性信息与候选资源集之间的映射关系，确定目标群体属性信息对应的目标候选资源集，最后，根据目标候选资源集中的候选资源确定目标对象对应的推荐资源，其中，目标对象对应的行为数据的数据量小于预设数据量，群体属性信息是基于多个样本目标对象对应多个对象属性的属性信息得到，映射关系是基于精排模型的预测结果确定的，预测结果指示相应群体属性信息对候选资源的兴趣程度。
54.容易注意到的是，在本公开中，目标对象为行为数据的数量小于预设数据量的对象，即本公开能够在缺少用户行为数据时为目标对象推荐资源。另外，在本公开中，群体属性信息与候选资源集之间的映射关系是基于精排模型的预测结果得到的，因此，基于群体属性信息与候选资源集之间的映射关系能够捕捉到目标对象的潜在兴趣点，进而能够为目标对象准确的推送资源，保证了资源推荐的准确性。
55.由此可见，本公开所提供的方案达到了为新增用户准确推送资源的目的，从而实现了提高资源推送的准确性的技术效果，进而解决了现有技术中，无法向新增用户准确推送资源的技术问题。
56.在一种可选的实施例中，在对目标对象的多个对象属性的属性信息进行组合之前，资源推荐系统首先需要获取目标对象对应多个对象属性的属性信息。具体的，服务器首先获取目标对象在客户端上的注册信息以及目标对象对客户端进行权限设置的权限信息，并根据注册信息以及权限信息确定目标对象的多个对象属性所对应的属性值，然后，基于
预设的属性列表以及属性值确定目标对象的多个对象属性的属性信息，其中，属性列表中包含了多个对象属性以及每个对象属性的属性范围。
57.需要说明的是，在上述内容中，目标对象在客户端上注册后，服务器会记录目标对象在注册客户端时所输入的对象属性的属性信息，例如，名称或昵称、性别、年龄等信息。另外，目标对象还可在客户端上进行权限设置，例如，目标对象可在客户端上设置是否显示目标对象的位置信息、是否允许其他对象观看目标对象制作的作品、是否允许系统自动推荐好友、是否允许陌生人访问等权限。
58.在一种可选的实施例中，在接收到客户端发送的访问请求之后，服务器从预设的静态属性列表(即上述预设的属性列表)中读取属性值不为空的对象属性所对应的属性值，其中，静态属性列表中存储了目标对象的多个对象属性以及每个对象属性所对应的属性值。可选的，在每个目标对象注册客户端之后，服务器均会获取目标对象注册时所输入的信息，并将输入的信息存储在静态属性列表中，其中，不同的对象属性具有对应的枚举值，例如，性别属性对应的枚举值包括男、女，年龄分段属性的枚举值包括0-11岁、12-17岁、18-23岁、24-30岁、30-40岁、40-50岁、50 ，地域相关的属性的枚举值包括南北方、省份、城市等等。服务器可根据读取到的对象属性的属性信息来确定目标对象的对象属性所对应的属性值，并在静态属性列表中存储该对象属性所对应的属性值。
59.进一步的，在获取到目标对象的多个对象属性所对应的属性值之后，服务器根据目标对象的对象属性以及对象属性所对应的属性值，即可确定目标对象所对应的对象属性的属性信息。
60.需要说明的是，通过获取目标对象的对象属性的属性信息，从而使得服务器能够为目标对象进行个性化推荐，使得为目标对象推荐的资源与目标对象更加匹配。
61.进一步的，在获取到目标对象对应的多个对象属性的属性信息之后，资源推荐系统对多个对象属性的属性信息进行组合，得到目标对象对应的组合属性信息。具体的，资源推荐系统对多个对象属性的属性信息进行笛卡尔运算，得到目标对象对应的组合属性信息。
62.需要说明的是，笛卡尔积是指在数学中，两个集合x和y的直积。通过对多个对象属性的属性信息进行笛卡尔运算，使得多个对象属性的属性信息进行组合，得到目标对象对应的组合属性信息。
63.可选的，服务器对目标对象的各个对象属性所对应的属性值按笛卡尔积的方式组合起来，以模拟新增用户，其中，不同的组合结果能够代表不同类型的新增用户，例如，组合结果{福建省厦门市，23-30岁，男性}表征了新增的用户群体为福建省厦门市23-30岁的男性。
64.在一种可选的实施例中，在基于群体属性信息与候选资源集之间的映射关系，确定目标群体属性信息对应的目标候选资源集之前，服务器将每个群体属性信息分别输入至精排模型中，以获取精排模型根据群体属性信息对资源候选集中的候选资源进行预测得到的预测结果，然后，根据每个候选资源对应的预测结果，确定每个群体属性信息对应的候选资源集，并根据每个群体属性信息对应的候选资源集，建立群体属性信息与候选资源集之间的映射关系。
65.需要说明的是，在上述过程中，资源候选集为存储有多个视频的资源集，精排模型
在获取到每个群体属性信息之后，根据每个群体属性信息从资源候选集中预测出与每个群体属性信息最为符合的候选资源。容易注意到的是，由于该精排模型预测得到的预测结果是基于群体属性信息得到的，因此，每个预测结果所对应的候选资源与当前群体属性信息更加符合，也即每个预测结果所对应的候选资源更加符合其对应的群体中的用户的兴趣，因此，在基于每个候选资源所对应的预测结果所确定的每个群体属性信息对应的候选资源集是最准确的候选资源集，从而实现了为不同的群体属性的用户提供个性化推荐资源的目的。
66.此外，还需要说明的是，通过建立每个群体属性信息与候选资源集之间的映射关系，在实际应用中，在根据用户的组合属性信息确定了当前用户所属的群体之后，服务器即可上述的映射关系来确定当前用户所属的群体所对应的群体属性信息所对应的候选资源集，进而向当前用户推送该候选资源集中的候选资源。
67.在一种可选的实施例中，在获取精排模型根据群体属性信息对资源候选集中候选资源进行预测得到的预测结果之前，服务器按照资源候选集中的候选资源的资源标识将资源候选集划分为多个部分，以使精排模型基于多个部分对资源候选集中的候选资源进行评分，其中，每个部分包括至少一个候选资源，每个部分所包含的候选资源数量小于资源候选集所包含的候选资源数量。
68.需要说明的是，上述的资源标识可以为候选资源在资源候选集中的存储标号，例如，资源1在资源候选集中的资源标识为10001。其中，资源标识还可表征该资源所对应的资源类型，服务器在对资源候选集中的候选资源进行划分时，按照资源类型来对候选资源进行划分，例如，购物类资源为一个部分，直播聊天类的资源为一个部分，直播游戏类的资源为一个部分。另外，在对资源候选集进行划分之后，每个部分所包含的资源数量可以相同，也可以不同，例如，部分1可以包括100个资源，部分2包括100个资源，部分3包括200个资源。
69.在一种可选的实施例中，服务器首先从资源候选集中过滤掉不在索引池中的、审核未通过的等不适合在客户端的发现页展示的资源，得到可推荐的候选资源。然后，服务器根据每个候选资源所对应的资源标识将可推荐的候选资源划分为多个部分，对多个部分并行地请求精排服务，以对可推荐的候选资源中的每个候选资源进行评分，并将评分结果更新到离线缓存中，例如，服务器可将{福建省厦门市23-30岁的男性-评分值}作为关键词存储到离线缓存中。
70.需要说明的是，通过将资源候选集中的候选资源划分为多个部分，以使精排模型对每个部分所包含的视频进行评分。容易注意到的是，由于每个部分所包含的视频数量远小于预设视频候选集所包含的视频数量，因此，神经网络模型对候选资源数量较少的部分中的候选资源进行打分，其处理速度大于对资源候选集中的全部资源进行打分的处理速度，降低了服务器推送资源的时延。
71.可选的，服务器可通过离线部署的形式使用精排模型对资源候选集中的候选资源进行打分，即上述的资源候选集中的候选资源为离线缓存的资源。需要说明的是，从离线缓存的资源候选集中筛选出候选资源，可以避免线上实时向用户推荐资源所存在的延时高的问题，降低了资源推荐的延时。
72.另外，候选资源的评分表征了该候选资源满足用户需求的关联程度，其中，该评分越高，表明该候选资源符合用户的兴趣点的程度越高。在本公开中，服务器可根据每个候选
资源的评分将与用户需求关联度较高的候选资源推荐给用户，可以提高候选资源推荐的准确性。
73.可选的，资源候选集为包含多个资源的资源集，其中，资源候选集所包含的候选资源的数量级可以为千万级。另外，包含在资源候选集中的候选资源为资源内容不违规、处于有效状态并且资源制作者授予播放权限的视频。其中，资源的有效状态表征该资源未被删除，能够正常播放的状态。
74.进一步的，在确定每个群体属性信息对应的候选资源集之后，服务器对每个对象群体所对应的资源候选集进行离线存储。
75.在一种可选的实施例中，服务器也可按照目标规则将至少一个候选资源划分为至少一个资源集，并将至少一个资源集推送至客户端中。具体的，服务器按照目标规则将至少一个候选资源划分为至少一个资源集，并将至少一个资源集推送至客户端中。
76.需要说明的是，上述预设规则可以为但不限于候选资源所对应的分值，即服务器可按照每个候选资源所对应的分值来将至少一个候选资源划分为至少一个资源集，并以资源集的形式向客户端推送候选资源，即服务器可包含在资源集中的多个候选资源同时推送至客户端中。
77.例如，服务器根据每个候选资源，对应的评分值的大小对至少一个候选资源，进行从大到小排序截断，并将截断后所得到的至少一个资源集推送至客户端中。
78.需要说明的是，服务器从资源候选集中选出的候选资源的数量可能为多个，如果服务器一次性将大量的候选资源推送至客户端，可能会占用大量的网络带宽，导致资源传输率低，从而增加了资源传输的时延。为避免上述问题，在本公开中，通过将至少一个候选资源截断为至少一个资源集，并以资源集的形式将候选资源推送至客户端，从而避免了一次性传输大量候选资源所导致的增加资源传输时延的问题。
79.考虑到信息推荐系统的时延性、功能性的设计，召回模型和粗排模型结构相对简单，个性化预估的能力相对较弱，可能存在由于预估不准确所导致新增用户的潜在兴趣点在推荐链路的召回阶段和粗排阶段被过滤掉的问题。而线上通过直接采用全量的资源候选集来请求精排服务，例如，短视频领域海量候选集，导致线上服务机器资源消耗过大，无法同时满足低时延的要求。
80.而本公开在新增用户场景下，充分利用精排服务个性化预估的能力，利用新增用户的有效信息，尽可能地捕捉新增用户的潜在兴趣点，为其提供相对个性化的推荐内容，从而避免了由于新增用户特征稀疏、召回粗排模块服务精准度不够，而导致的用户部分潜在的兴趣点被过滤掉的问题。而且，本公开所提供的方案还权衡计算资源、线上时效性和推荐结果的个性化的矛盾，避免了现有技术中所存在的资源传输时延大的问题。
81.图3是根据一示例性实施例示出的一种推荐资源的确定装置框图。参照图3，该装置包括获取单元301、组合单元303、第一确定单元305和第二确定单元307。
82.其中，获取单元301，被配置为执行获取目标对象对应多个对象属性的属性信息，其中，目标对象对应的行为数据的数据量小于预设数据量；组合单元303，被配置为执行对多个对象属性的属性信息进行组合，得到目标对象对应的组合属性信息；第一确定单元305，被配置为执行确定组合属性信息对应的目标群体属性信息，并基于群体属性信息与候选资源集之间的映射关系，确定目标群体属性信息对应的目标候选资源集，其中，群体属性
信息是基于多个样本目标对象对应多个对象属性的属性信息得到，映射关系是基于精排模型的预测结果确定的，预测结果指示相应群体属性信息对候选资源的兴趣程度；第二确定单元307，被配置为执行根据目标候选资源集中的候选资源，确定目标对象对应的推荐资源。
83.需要说明的是，上述获取单元301、组合单元303、第一确定单元305和第二确定单元307对应于上述实施例中的步骤s202至步骤s208，四个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。
84.可选的，获取单元包括：第一获取单元、第三确定单元以及第四确定单元。其中，第一获取单元，被配置为执行获取目标对象在客户端上的注册信息以及目标对象对客户端进行权限设置的权限信息；第三确定单元，被配置为执行根据注册信息以及权限信息确定目标对象的多个对象属性所对应的属性值；第四确定单元，被配置为执行基于预设的属性列表以及属性值确定目标对象的多个对象属性的属性信息，其中，属性列表中包含了多个对象属性以及每个对象属性的属性范围。
85.可选的，组合单元包括：第一组合单元，被配置为执行对多个对象属性的属性信息进行笛卡尔运算，得到目标对象对应的组合属性信息。
86.可选的，推荐资源的确定装置还包括：第二获取单元、第五确定单元以及构建单元。其中，第二获取单元，被配置为执行在基于群体属性信息与候选资源集之间的映射关系，确定目标群体属性信息对应的目标候选资源集之前，将每个群体属性信息分别输入至精排模型中，获取精排模型根据群体属性信息对资源候选集中的候选资源进行预测得到的预测结果；第五确定单元，被配置为执行根据每个候选资源对应的预测结果，确定每个群体属性信息对应的候选资源集；构建单元，被配置为执行根据每个群体属性信息对应的候选资源集，建立群体属性信息与候选资源集之间的映射关系。
87.可选的，推荐资源的确定装置还包括：评分单元，被配置为执行在获取精排模型根据群体属性信息对资源候选集中候选资源进行预测得到的预测结果之前，按照资源候选集中的候选资源的资源标识将资源候选集划分为多个部分，以使精排模型基于多个部分对资源候选集中的候选资源进行评分，其中，每个部分包括至少一个候选资源，每个部分所包含的候选资源数量小于资源候选集所包含的候选资源数量。
88.可选的，推荐资源的确定装置还包括：离线存储单元，被配置为执行在确定每个群体属性信息对应的候选资源集之后，对每个对象群体所对应的资源候选集进行离线存储。
89.关于上述实施例中的装置，其中各个单元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。
90.图1是根据一示例性实施例示出的一种用于执行推荐资源的确定方法的服务器的框图。
91.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1004，上述指令可由服务器的处理器1002执行以完成上述方法。可选地，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。
92.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/指令，计算机程序/指令被处理器执行时实现上述的推荐资源的确定方法。
93.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。
94.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。