资源推荐方法、资源推荐模型的训练方法以及装置

技术领域

本公开涉及计算机技术领域，尤其涉及人工智能、大数据、信息流等技术领域。

背景技术

现有技术中，传统的内容推荐方式是基于内容进行分析，进而基于分析的结果进行推荐。而协同过滤推荐是基于用户兴趣进行分析，进而实现用户对某一信息的喜好程度进行预测。协同过滤算法主要分为基于启发式和基于模型式两种。其中，基于启发式的协同过滤算法，又可以分为基于用户的协同过滤算法(User-Based)和基于项目的协同过滤算法(Item-Based)。但是随着资源的丰富、产品服务形式的改进，推荐资源的方式也需要不断的更新。

发明内容

本公开提供了一种资源推荐方法、资源推荐模型的训练方法以及装置。

根据本公开的一方面，提供了一种资源推荐方法，包括：

获取目标用户的多个相似用户；

从各相似用户感兴趣的资源中筛选出目标用户未浏览的资源，得到候选资源；

基于多个相似用户中的用户子集对候选资源的兴趣度，对候选资源进行投票，得到候选资源的投票结果；

在候选资源的投票结果满足推荐条件的情况下，将候选资源推荐给目标用户。

根据本公开的另一方面，提供了一种资源推荐模型的训练方法，包括：

获取多个样本资源；

针对每个样本资源，获取至少一个样本用户分别对样本资源的操作参数；

构建样本数据集，样本数据集中包括多条样本数据，每条样本数据中包括样本资源以及样本资源对应的一条操作参数；

基于样本数据集和初始预测模型，得到初始预测模型输出的预测兴趣度；

基于预测兴趣度对初始预测模型的模型参数进行调整，在初始预测模型的模型参数满足收敛条件的情况下，结束训练，得到兴趣度估计模型。

根据本公开的另一方面，提供了一种资源推荐装置，包括：

第一获取模块，用于获取目标用户的多个相似用户；

筛选模块，用于从各相似用户感兴趣的资源中筛选出目标用户未浏览的资源，得到候选资源；

投票模块，用于基于多个相似用户中的用户子集对候选资源的兴趣度，对候选资源进行投票，得到候选资源的投票结果；

推荐模块，用于在候选资源的投票结果满足推荐条件的情况下，将候选资源推荐给目标用户。

根据本公开的另一方面，提供了一种资源推荐模型的训练装置，包括：

第二获取模块，用于获取多个样本资源；

参数确定模块，用于针对每个样本资源，获取至少一个样本用户分别对样本资源的操作参数；

构建模块，用于构建样本数据集，样本数据集中包括多条样本数据，每条样本数据中包括样本资源以及样本资源对应的一条操作参数；

预测模块，用于基于样本数据集和初始预测模型，得到初始预测模型输出的预测兴趣度；

训练模块，用于基于预测兴趣度对初始预测模型的模型参数进行调整，在初始预测模型的模型参数满足收敛条件的情况下，结束训练，得到兴趣度估计模型。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开中任一实施例的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，该计算机指令用于使该计算机执行根据本公开中任一实施例的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据本公开中任一实施例的方法。

本公开实施例中，基于相似用户筛选出目标用户未浏览过的资源作为候选资源，并在候选资源的基础上引入了相似用户对候选资源的兴趣度，对候选资源进行进一步筛选，该方式可以有效提高投票的精度，进而实现向目标用户推荐更加感兴趣的资源，这种方式不仅提高了召回精度，而且由于相关技术中对目标用户推荐的资源可能存在大多数用户不感兴趣的情况，基于本公开可向用户推荐的资源更为合理，可节约运算资源和网络资源。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开一实施例的资源推荐方法的流程示意图；

图2是根据本公开另一实施例的资源推荐方法的流程示意图；

图3是根据本公开一实施例的资源推荐模型的训练方法的流程示意图；

图4是根据本公开一实施例的资源推荐装置的结构示意图；

图5是根据本公开一实施例的资源推荐模型的训练装置的结构示意图；

图6是用来实现本公开实施例的资源推荐方法/资源推荐的模型训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

相关技术中的资源推荐系统主要分为召回、排序两个阶段。基于用户的协同过滤方式(UserCF，UCF)是一种非常高效且成熟的召回方式。UCF主要考虑的是目标用户与其他用户之间的相似度，目的是向目标用户推荐兴趣相似的其他用户点击过的资源。相关技术中的UCF召回方式为把相似用户点击过的资源一视同仁，导致资源推荐的准确性仍需提高，因而导致运算资源的浪费、因推荐资源至客户端导致网络资源的浪费。

有鉴于此，为了提高运算资源和网络资源的利用率，本公开提供一种资源推荐方法，该方法充分考虑到不同用户对同一资源的兴趣度，进而可以提高召回精度，提高运算资源和网络资源的利用率。该方法的流程图如图1所示，包括以下内容：

S101，获取目标用户的多个相似用户。

在一些实施例中，可基于UCF确定目标用户的相似用户。举例来说，基于UCF构建资源的索引，供在线召回。索引例子如下：

user1[user2&0.91,user3&0.82,user4&0.71,…]

其中，每个行为表示一条索引，user1表示目标用户，第二列表示多个user(即相似用户)与目标用户的相似度，例如user2&0.91，表示user2和user1的相似度为0.91。并且相似度越高的排在越前面，一般保留相似度最高的q个相似用户(q为正整数)，并且保留的相似用户和目标用户间的相似度不能低于第一阈值。低于该第一阈值的相似用户会被过滤掉。最终在该索引上展示的为经过筛选后的目标用户的相似用户。

确定两个用户间相似度的方式可以为计算两个用户间的余弦相似度，余弦相似度的表达式如式(1)所示，

其中，u表示用户u，v表示用户v，N(u)表示用户u感兴趣的资源合集，N(v)表示用户v感兴趣的资源合集。N(u)∩N(v)表示用户u和用户v共同感兴趣的资源合集，|N(u)||N(v)|表示用户u喜欢的资源和用户v喜欢的资源乘积。

也可以使用杰卡德系数(Jaccard similarity coefficient，Jaccard系数)确定两个用户间的相似度，表达式如式(2)所示，

其中，N(u)∪N(v)表示用户u和用户v喜欢的资源合集，其余参数与前述表达式(1)中的相同，这里不进行一一赘述。本公开对于使用何种方式确定两个用户间的相似度不进行限定。

S102，从各相似用户感兴趣的资源中筛选出目标用户未浏览的资源，得到候选资源。

实施时由于每个候选资源的处理方式均相同，因此从步骤102开始以及后文以一个候选资源为例对如何推荐资源进行说明。

此外，针对候选资源，可能多个相似用户中的至少一个用户对该候选资源具有一定的兴趣反馈，因此实施时，可将该至少一个用户视为用户子集。

S103，基于多个相似用户中的用户子集对候选资源的兴趣度，对候选资源进行投票，得到候选资源的投票结果。

S104，在候选资源的投票结果满足推荐条件的情况下，将候选资源推荐给目标用户。

本公开实施例中，基于相似用户的基础上，筛选出目标用户未浏览过的资源作为候选资源，并在候选资源的基础上引入了相似用户对候选资源的兴趣度，对候选资源进行进一步筛选，该方式可以有效提高投票的精度，可以向目标用户推荐更加符合目标用户兴趣点的资源，这种方式不仅提高了召回精度，而且由于相关技术中对目标用户推荐的资源可能存在大多数用户不感兴趣的情况，基于本公开可向用户推荐的资源更为合理，可节约运算资源、网络资源。

在一些实施例中，为了能够准确筛选出候选资源的用户子集，对于该用户子集设定了预设条件。基于该预设条件可筛选出浏览过候选资源的用户构建用户子集，还可以筛选出未浏览过候选资源但和候选资源具有强相关关系的用户构建用户子集。基于该方式获取到的用户子集，对候选资源进行投票，可以提高候选资源的投票结果的准确性，进一步提高推荐的准确性。具体可实施为如图2所示，包括：

S201，从多个相似用户中筛选出满足预设条件的相似用户，得到用户子集；其中，预设条件包括以下中的至少一种：

条件1、浏览过候选资源；

条件2、未浏览过候选资源且候选资源在指定时间范围内已推荐给相似用户。

例如，以满足以上条件1即可加入用户子集为例，针对候选资源a，目标用户的相似用户A和相似用户B均浏览过该候选资源a，相似用户C浏览且收藏该候选资源a，相似用户D未浏览过该候选资源，则该候选资源a对应的用户子集为{相似用户A，相似用户B，相似用户C}。

相似用户A和相似用户B浏览过候选资源a，候选资源a作为推荐资源曾经(即在指定时间范围内)推荐给相似用户C和相似用户D，则满足条件2的用户子集包括{相似用户C，相似用户D}。

再例如，以满足以上两种条件之一即可加入用户子集为例，针对候选资源a，目标用户的相似用户A和相似用户B均浏览过该候选资源a，相似用户C未浏览过该候选资源且未向相似用户C推荐过该候选资源a，相似用户D未浏览过该候选资源且向相似用户D推荐过该候选资源a。则该候选资源a对应的用户子集为{相似用户A，相似用户B，相似用户D}。

S202，确定用户子集中各相似用户分别对候选资源的兴趣度。

在一些实施例中，确定相似用户分别对候选资源的兴趣度，可实施为：

针对每个相似用户，获取该相似用户对候选资源的操作参数；将操作参数转换为特征值；将操作参数的特征值输入兴趣度估计模型，得到该相似用户对候选资源兴趣度。

其中，由于操作参数用于描述用户行为，不便于直接用于模型计算，故此，本公开实施例中需要将操作参数进行量化处理，转换成兴趣度预测模型可以识别的特征值。

本公开实施例中，基于兴趣度预测模型可以获取用户对候选资源的兴趣度，从而可以基于兴趣度筛选用户对候选资源的兴趣差异，基于兴趣度进行资源推荐，提供了更多的条件和依据，进而能够提高推荐的准确性，提高运算资源和网络资源的利用率。

其中，获取相似用户对候选资源的操作参数，可实施为：

在候选资源为相似用户的历史浏览资源的情况下，获取相似用户对候选资源的行为记录和相似用户对候选资源的行为发生概率中的至少一种，得到操作参数。在候选资源为相似用户未浏览过的资源的情况下，获取该相似用户对候选资源的行为发生概率，得到操作参数。

本公开实施例中，用户对候选资源的操作行为中的操作参数能够衡量用户对候选资源的兴趣度(可能喜欢也可能不喜欢)，基于操作参数，可实现基于用户自身的特点为目标用户筛选掉不感兴趣的资源，从而实现了基于操作参数自身特点精准地获取用户对候选资源的感兴趣程度，由此能够提高推荐的准确性。

在候选资源为历史浏览资源的情况下，由此可以了解到用户对该候选资源具有行为记录，该行为记录可以包括以下至少一种：对候选资源的点击行为记录、阅读时长记录、点赞记录、评论记录、关注记录、收藏记录、打赏记录、购买记录、完播率等。

其中，点击记录，点赞记录，关注记录，收藏记录、打赏记录、购买记录可以将相似用户对候选样本的操作进行分类量化，将其量化为数据的特征值。本公开实施例中针对每种记录，其特征值可分为三种情况，一种为正向反馈参数，用于表示相似用户喜欢候选资源，甚至可以通过量化，体现用户对候选资源喜欢的程度。第二种为中立反馈参数，即无法明确用户是否喜欢以及喜欢程度。第三种为负向反馈参数，即明确表示相似用户不喜欢候选资源，甚至在某些记录中可以通过量化体现不喜欢的程度。

例如，点击、点赞等为正向反馈参数，可用1进行量化，表示喜欢候选资源。打赏、评分等亦可以为正向反馈参数，打赏值不同可以体现不同的喜欢程度。如果用户未收藏，未点赞，则可以视为中立反馈参数，表示无法确定用户是否喜欢，其量化值可用0表示。点踩，点不喜欢等可以为负向反馈参数，其量化值可以为-1，明确表示相似用户对候选资源不感兴趣。

其中，打赏记录也可以基于打赏金额确定对应的量化值。由于打赏金额的取值区间为连续取值区间，举例来说，打赏金额可以为10元，100元，10000元等，由此可见该打赏金额差距过大。所以可以将操作参数的取值进行归一化，将操作参数的取值范围归一化到[0，1]区间，此时将归一化后的操作参数取值作为该操作参数对应的特征值。本公开实施例中，进行归一化有利于将连续取值的操作参数整合到一个维度内，避免某些操作参数过大或过小，进而影响兴趣度的预测结果。

对于用户对历史浏览资源的阅读时长，可基于阅读时长与历史浏览资源的总播放时长获取比值，得到完播率。完播率也可用于衡量相似用户对视频类历史浏览资源的兴趣度。本公开实施例中，也可以采用完播率来筛选用户不感兴趣的历史浏览资源。具体可实施为：在操作参数包括完播率的情况下，过滤掉完播率低于完播率阈值的候选资源。举例来说，在用户对历史浏览资源的阅读时长不小于完播率阈值的情况下，将该操作参数量化为1，表示其为正向反馈参数；在用户对历史浏览资源的阅读时长低于完播率阈值的情况下，将该操作参数量化为0，表示其为负向反馈参数。

其中，评论记录可以分为正向评论，负向评论以及中立评论。该评论分析可以基于transfomer的预训练语言模型(Bidirectional Encoder Representations fromTransformer，BERT)。将用户对候选资源的评论文字输入BERT模型进行情感倾向分析，可以获取到分析结果。在分析结果表示该评论为正向评论的情况下，举例来说，可以将该评论对应的操作参数量化为1，此外还可以将置信度乘以正向操作参数(即1)得到评论的最终量化值，从而可以衡量出不同相似用户对候选资源的喜欢程度；在该评论为中立评论的情况下，举例来说，评论为“说实话”，“请看配料表”等，可以将该评论对应的操作参数量化为0；在该评论为负面评论的情况下，举例来说，可以为“我不喜欢”、“质量不好”等，可以将该评论对应的操作参数量化为-1，此外还可以将置信度乘以负向操作参数(即-1)得到评论的最终量化值，从而可以衡量出不同相似用户对候选资源的不喜欢程度。

对操作参数量化处理后，基于相似用户对候选资源的所有操作参数的特征值进行拼接，将该特征值输入兴趣度估计模型，可以得到相似用户对候选资源的兴趣度。

以相似用户A对候选资源a的兴趣度为例，相似用户A对候选资源a的阅读时长大于完播率阈值，并对该候选资源a进行点赞和不收藏，其候选资源a对应的操作参数为1,1,0，将前述操作参数进行拼接，获取到用户A对该候选资源a对应的最终操作参数的特征值为[1,1,0]，将该特征值输入兴趣度估计模型，可以得到用户A对候选资源a兴趣度。

再例如，以相似用户B对候选资源b的兴趣度为例，相似用户B对候选资源b的阅读时长不大于完播率阈值，并在没有点击关注的情况下对该候选资源b点踩，其候选资源a对应的操作参数量化为0,-1,0，将特征值[0,-1,0]输入兴趣度估计模型，可以得到用户B对候选资源b兴趣度。

在候选资源为相似用户未浏览过的资源的情况下，获取相似用户对候选资源的行为发生概率，得到操作参数。具体地，在将候选资源a推荐给用户A之前，会预测用户A的行为发生概率。其行为发生概率可以为预估点击率、预估阅读时长、预估点赞率、预估评论率、预估关注率、预估收藏率、预估打赏率、预估购买率等。可以使用双塔模型估计相似用户对候选资源a的行为发生概率。其中，双塔模型是基于相似用户的用户特征和候选资源的资源特征对于相似用户是否对该候选资源感兴趣进行评估。由此可以获取到相似用户对于候选资源的行为发生概率。

本公开实施例中，行为记录以及行为发生概率从相似用户自身的特点出发，基于相似用户个性化的信息得到对候选资源的喜好情况，可以更为准确地确定相似用户对与该候选资源的兴趣度，进而提高推荐的准确性，提高运算资源和网络资源的利用率。

在候选资源为历史浏览资源的情况下，可以基于前述两种方式中的任意一种确定相似用户对候选资源的兴趣度，也可以将前述两种方式进行结合，确定相似用户对候选资源的兴趣度，本公开对此不进行限定。

例如，相似用户A针对后续资源a已经有实际的行为记录，则可以采用行为记录和行为发生概率共同作为兴趣度估计模型的输入，来估计用户A对候选资源a的兴趣度。

再例如，以前述两种方式进行结合的方式确定兴趣度为例，在将候选资源b推送到用户B之前，将候选资源b和用户B的特征输入至双塔模型，获取其行为发生概率为0.9，该资源b的行为发生概率阈值为0.6，在该行为发生概率超过该发生概率阈值的情况下，将其推送至用户B，且用户B对其进行点赞以及收藏，并且对该资源b完成浏览，将用户B对资源b的多种操作参数进行拼接，由此可获取该资源b的操作参数的特征值为[1，1，1，0.9]，将该特征值输入兴趣度估计模型，可以得到用户B对候选资源b兴趣度。

S203，基于用户子集中各相似用户分别和目标用户的相似度、以及用户子集中各相似用户分别对候选资源的兴趣度，确定候选资源的投票结果。

在用户子集包括一个相似用户的情况下，将该一个相似用户和目标用户的相似度与一个相似用户对候选资源的兴趣度执行乘法操作，得到候选资源的投票结果，其表达式如式(3)所示：

Z＝W

其中，Z表示该候选资源的投票结果，W

在用户子集包括n个相似用户的情况下，针对n个相似用户中的每个相似用户，将相似用户对候选资源的兴趣度确定为相似用户和目标用户的相似度的权重因子；对n个相似用户分别和目标用户的相似度执行加权求和操作，得到候选资源的投票结果。其表达式如式(4)所示：

Z＝W

其中，W

本公开实施例中，基于加权求和的方式确定投票结果，操作方式简单，易于实现，可以利用较少的运算资源提高推荐的准确性。而且，采用兴趣度作为权重因子，对用户间的相似度进行调整，可以提高投票结果的准确性。

在用户子集包括n个相似用户的情况下，也可以只针对相似用户对候选资源的兴趣度执行求和操作，得到候选资源的投票结果。其表达式如式(5)所示：

Z＝W

其中，W

本公开实施例中，在目标用户与相似用户间的相似度进行累加的基础上，增加了相似用户对候选资源兴趣度的累加，可以使对候选资源的投票结果更为准确，采用较少的运算资源即可提高推荐的准确性。

本公开对于确定投票结果的方式不进行限定。

为了能够准确地得到相似用户对候选资源的兴趣度，如前文所阐述的，本公开实例采用兴趣度预估模型估计出该兴趣度。针对兴趣度预估模型进行训练的方式，可实施为：

S301，获取多个样本资源。

S302，针对每个样本资源，获取至少一个样本用户分别对样本资源的操作参数。

S303，构建样本数据集，样本数据集中包括多条样本数据，每条样本数据中包括样本资源以及该样本资源对应的一条操作参数。

例如，用户a、用户b和用户c均操作过样本资源A，则用户a对样本资源A的操作参数以及样本资源A构建为一条样本数据。同理，用户b对样本资源A的操作参数以及样本资源A构建为一条样本数据、用户c对样本资源A的操作参数以及样本资源A构建为一条样本数据。简言之，同一样本资源，有n个关联的样本用户，则对应n条样本数据。

S304，基于样本数据集和初始预测模型，得到初始预测模型输出的预测兴趣度。

在一些实施例中，初始预测模型可以为线性回归模型，当然为了能够更好地处理量化的离散特征，可以选择极端梯度提升模型(eXtreme Gradient Boosting，xgbt)，也可以选择随机森林模型。

S305，基于预测兴趣度对初始预测模型的模型参数进行调整，在初始预测模型的模型参数满足收敛条件的情况下，结束训练，得到兴趣度估计模型。

本公开实施例中，可采用样本资源及其对应的分类标签进行训练。样本资源的分类标签用于标记样本用户是否对样本资源感兴趣。分类标签可以人工标注。为了提高效率，分类标签也可以自动标注。其中，样本资源的分类标签可以为：在样本资源的操作数据包括正向反馈参数的情况下，确定样本资源的分类标签为正样本；在样本资源的操作数据包括负向反馈参数的情况下，确定样本资源的分类标签为负样本。正样本即用户感兴趣的资源，负样本即用户不感兴趣的资源，基于分类标签进行模型训练。

基于前述已经得到的预测兴趣度，对样本资源进行二分类，得到样本资源的分类结果；其中，分类结果为正样本或负样本；之后，基于样本资源的分类结果和该样本数据的分类标签，确定损失值；再基于损失值调整初始预测模型，直至满足收敛条件，得到兴趣度预测模型。

在一些实施例中，收敛条件可以为达到预设迭代次数则中止训练，或者损失值保持不变的情况下也可以中止训练，获取兴趣度预测模型。

本公开实施例中，基于样本资源以及样本资源对应的操作参数对初始预测模型进行训练，从样本自身出发可以更好地实现对初始预测模型进行训练，进而获取到预测结果更为准确的兴趣度估计模型。

在一些实施例中，在构建的样本数据集中样本数据的条数较大的情况下，为了提高模型的训练效率，可以对样本数据集进行随机负采样，得到训练集；将训练集中的每条样本数据分别输入初始预测模型，得到初始预测模型针对每条样本数据分别输出的预测兴趣度。

本公开实施例中，针对样本数据进行随机负采样的方式，可以平等地对待每个样本资源，对每个样本以相等的概率进行采样。随机负采样算法逻辑上较简单，在采样效率上有着很大的优势，可以提升训练效率，检索因训练模型导致的资源消耗。

其中，在具体实施时，如前文所阐述的类似，需要将样本资源的操作参数的特征值输入至初始预测模型，得到样本资源的预测兴趣度；获取特征值的操作与前述将操作参数量化为特征值的方式相同，这里不进行一一赘述。

基于相同的技术构思，本公开还提出了一种资源推荐装置，包括：

第一获取模块401，用于获取目标用户的多个相似用户；

筛选模块402，用于从各相似用户感兴趣的资源中筛选出目标用户未浏览的资源，得到候选资源；

投票模块403，用于基于多个相似用户中的用户子集对候选资源的兴趣度，对候选资源进行投票，得到候选资源的投票结果；

推荐模块404，用于在候选资源的投票结果满足推荐条件的情况下，将候选资源推荐给目标用户。

在一些实施例中，投票模块403，包括：

筛选单元，用于从多个相似用户中筛选出满足预设条件的相似用户，得到用户子集；其中，预设条件包括以下中的至少一种：条件1、浏览过候选资源；条件2、未浏览过候选资源且候选资源在指定时间范围内已推荐给相似用户；

兴趣度确定单元，用于确定用户子集中各相似用户分别对候选资源的兴趣度；

结果确定单元，用于基于用户子集中各相似用户分别和目标用户的相似度、以及用户子集中各相似用户分别对候选资源的兴趣度，确定候选资源的投票结果。

在一些实施例中，结果确定单元，用于：

在用户子集包括一个相似用户的情况下，将一个相似用户和目标用户的相似度与一个相似用户对候选资源的兴趣度执行乘法操作，得到候选资源的投票结果；

在用户子集包括n个相似用户的情况下，针对n个相似用户中的每个相似用户，将相似用户对候选资源的兴趣度确定为相似用户和目标用户的相似度的权重因子；并，对n个相似用户分别和目标用户的相似度执行加权求和操作，得到候选资源的投票结果其中，n为大于1的正整数。

在一些实施例中，兴趣度确定单元，用于：

针对用户子集中的每个相似用户，获取相似用户对候选资源的操作参数；

将操作参数转换为特征值；

将操作参数的特征值输入兴趣度估计模型，得到相似用户对候选资源兴趣度。

在一些实施例中，兴趣度确定单元，用于：

在候选资源为相似用户的历史浏览资源的情况下，获取相似用户对候选资源的行为记录和相似用户对候选资源的行为发生概率中的至少一种，得到操作参数；

在候选资源为相似用户未浏览过的资源的情况下，获取相似用户对候选资源的行为发生概率，得到操作参数。

在一些实施例中，行为记录包括以下中的至少一种：对候选资源的点击行为记录、阅读时长记录、点赞记录、评论记录、关注记录、收藏记录、打赏记录、购买记录、完播率；

行为发生概率包括以下中的至少一种：对候选资源的预估点击率、预估阅读时长、预估点赞率、预估评论率、预估关注率、预估收藏率、预估打赏率、预估购买率。

基于相同的技术构思，本公开提出了一种资源推荐模型的训练装置，包括：

第二获取模块501，用于获取多个样本资源；

参数确定模块502，用于针对每个样本资源，获取至少一个样本用户分别对样本资源的操作参数；

构建模块503，用于构建样本数据集，样本数据集中包括多条样本数据，每条样本数据中包括样本资源以及样本资源对应的一条操作参数；

预测模块504，用于基于样本数据集和初始预测模型，得到初始预测模型输出的预测兴趣度；

训练模块505，用于基于预测兴趣度对初始预测模型的模型参数进行调整，在初始预测模型的模型参数满足收敛条件的情况下，结束训练，得到兴趣度估计模型。

在一些实施例中，预测模块504，用于：

对样本数据集进行随机负采样，得到训练集；

将训练集中的每条样本数据分别输入初始预测模型，得到初始预测模型针对每条样本数据分别输出的预测兴趣度。

本公开实施例的装置的各模块、子模块的具体功能和示例的描述，可以参见上述方法实施例中对应步骤的相关描述，在此不再赘述。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如资源推荐方法/资源推荐模型的训练方法。例如，在一些实施例中，资源推荐方法/资源推荐模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的资源推荐方法/资源推荐模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行资源推荐方法/资源推荐模型的训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。