一种多媒体资源推荐的方法、装置、设备和存储介质

技术领域

本申请涉及人工智能领域的机器学习技术领域，尤其涉及一种多媒体资源推荐的方法、装置、设备和存储介质。

背景技术

随着互联网技术的快速发展，基于互联网所实现的多媒体资源推荐得到相应地发展，且多媒体资源推荐的方法被广泛应用在新闻、视频、音乐、有声读物、电商等各种场景。多媒体资源推荐是指向对象推荐对象可能喜欢的产品，以增加对象的停留时长和点击转化率。目前，多媒体资源推荐的方法需要快速和准确的响应对象当前的需求，通常需要预先对对象行为进行分析得到对象兴趣，再将对象兴趣映射到用户画像上，从而基于用户画像进行多媒体资源推荐，因此推荐对象是根据用户画像确定的，由于通过对象兴趣映射得到的用户画像可能存在不准确的情况，由此将降低多媒体资源推荐的准确度。因此，如何提升多媒体资源推荐的准确度是亟需解决的问题。

发明内容

本申请实施例提供了一种多媒体资源推荐的方法、装置、设备和存储介质，分别基于不同时间周期内的行为数据得到第一行为序列以及第二行为序列，由于第一行为序列包括在第一时间周期内相同维度的特征，第二行为序列包括在第二时间周期内不同维度的特征，因此通过对目标对象的第一行为序列和第二行为序列进行特征建模，得到目标对象对多个预设多媒体资源的目标特征向量，且该目标特征向量能够准确地表征目标对象在不同时间周期内各个维度下的特征，由此通过兴趣度预测模型输出的目标对象对多个预设多媒体资源的兴趣度更符合目标对象的实际行为数据，即多个预设多媒体资源的兴趣度的准确度较高，因此向目标对象所推荐的目标多媒体资源也更符合目标对象的实际行为数据，由此提升多媒体资源推荐的准确度。

有鉴于此，本申请第一方面提供了一种多媒体资源推荐的方法，包括：

获取目标对象在第一时间周期内的第一行为数据，以及在第二时间周期内的第二行为数据，其中，第一时间周期的长度大于第二时间周期的长度，且第一时间周期包括第二时间周期；

根据第一行为数据以及第二行为数据，得到N个第一行为序列以及M个第二行为序列，其中，第一行为序列包括在第一时间周期内相同维度的特征，第二行为序列包括在第二时间周期内不同维度的特征，M与N均为大于1的正整数；

根据N个第一行为序列以及M个第二行为序列，确定目标对象对L个预设多媒体资源的目标特征向量，其中，L为大于1的正整数；

基于目标对象对L个预设多媒体资源的目标特征向量，通过兴趣度预测模型获取目标对象对每个预设多媒体资源的预测兴趣度；

对目标对象对每个预设多媒体资源的预测兴趣度进行顺序排列，并基于顺序排列结果从L个预设多媒体资源中确定推荐给目标对象的目标多媒体资源，其中，目标多媒体资源包括至少一个预设多媒体资源。

本申请第二方面提供了一种多媒体资源推荐装置，包括：

获取模块，用于获取目标对象在第一时间周期内的第一行为数据，以及在第二时间周期内的第二行为数据，其中，第一时间周期的长度大于第二时间周期的长度，且第一时间周期包括第二时间周期；

获取模块，还用于根据第一行为数据以及第二行为数据，得到N个第一行为序列以及M个第二行为序列，其中，第一行为序列包括在第一时间周期内相同维度的特征，第二行为序列包括在第二时间周期内不同维度的特征，M与N均为大于1的正整数；

确定模块，用于根据N个第一行为序列以及M个第二行为序列，确定目标对象对L个预设多媒体资源的目标特征向量，其中，L为大于1的正整数；

获取模块，还用于基于目标对象对L个预设多媒体资源的目标特征向量，通过兴趣度预测模型获取目标对象对每个预设多媒体资源的预测兴趣度；

确定模块，还用于对目标对象对每个预设多媒体资源的预测兴趣度进行顺序排列，并基于顺序排列结果从L个预设多媒体资源中确定推荐给目标对象的目标多媒体资源，其中，目标多媒体资源包括至少一个预设多媒体资源。

在一个可能的实施方式中，获取模块，具体用于根据第一行为数据得到N个第一行为序列；

根据第二行为数据得到M个第二行为序列。

在一个可能的实施方式中，获取模块，具体用于对第一行为数据进行信息提取处理，得到在第一时间周期内的N个维度分别对应的第一访问行为，其中，第一访问行为是目标对象访问预设多媒体资源时生成的；

基于在第一时间周期内N个维度分别对应的第一访问行为，生成N个第一行为序列。

在一个可能的实施方式中，获取模块，具体用于对第二行为数据进行信息提取处理，得到在第二时间周期内的M个第二访问行为，其中，第二访问行为是目标对象访问预设多媒体资源时生成的；

基于在第二时间周期内的M个第二访问行为，生成M个第二行为序列。

在一个可能的实施方式中，确定模块，具体用于根据N个第一行为序列确定目标对象对L个预设多媒体资源的第一特征向量；

根据M个第二行为序列确定目标对象对L个预设多媒体资源的第二特征向量；

将第一特征向量以及第二特征向量进行融合处理，得到目标特征向量。

在一个可能的实施方式中，多媒体资源推荐装置还包括处理模块；

获取模块，还用于获取目标对象的基础属性信息；

处理模块，用于对目标对象的基础属性信息进行特征化处理，得到目标对象的用户画像特征；

确定模块，具体用于根据N个第一行为序列以及目标对象的用户画像特征，确定第一特征向量；

确定模块，具体用于根据N个第一行为序列以及目标对象的用户画像特征，确定第一特征向量；

确定模块，具体用于将第一特征向量、第二特征向量以及目标对象的用户画像特征进行融合处理，得到目标特征向量。

在一个可能的实施方式中，获取模块，还用于获取多媒体资源特征集合，其中，多媒体资源特征集合包括F个多媒体资源特征子集合，多媒体资源特征子集合包括L个预设多媒体资源的相同维度的特征，且不同的多媒体资源特征子集合包括特征的维度不同，F为大于1的正整数，且F大于或等于N；

确定模块，具体用于基于N个第一行为序列、目标对象的用户画像特征以及多媒体资源特征集合，确定第一特征向量；

确定模块，具体用于基于M个第二行为序列、目标对象的用户画像特征以及多媒体资源特征集合，确定第二特征向量；

获取模块，具体用于基于目标特征向量以及多媒体资源特征集合，通过兴趣度预测模型获取目标对象对每个预设多媒体资源的预测兴趣度。

在一个可能的实施方式中，获取模块，具体用于获取预设多媒体资源集合，其中，预设多媒体资源集合包括L个预设多媒体资源，且L个预设多媒体资源包括F个维度的特征；

基于F个维度对L个预设多媒体资源进行特征提取，得到每个维度对应的多媒体资源特征子集合；

基于每个维度对应的多媒体资源特征子集合，生成多媒体资源特征集合。

在一个可能的实施方式中，多媒体资源推荐装置还包括训练模块；

获取模块，还用于获取目标对象的第一行为数据样本集合、第二行为数据样本集合、预设多媒体资源集合以及真实标签集合，其中，第一行为数据样本集合包括多个第一行为数据样本，第二行为数据样本集合包括多个第二行为数据样本，第一行为数据样本集合与第二行为数据样本集合为不同时间周期内的行为数据样本，预设多媒体资源集合包括L个预设多媒体资源，真实标签集合包括目标对象对每个预设多媒体资源对应的真实标签；

确定模块，还用于基于第一行为数据样本集合以及第二行为数据样本集合，确定第一行为样本序列集合以及第二行为样本序列集合，其中，第一行为样本序列集合包括多个第一行为样本序列，第二行为样本序列集合包括多个第二行为样本序列，且第一行为样本序列包括相同维度的特征，第二行为样本序列包括不同维度的特征；

确定模块，还用于根据第一行为样本序列集合以及第二行为样本序列集合，确定目标对象对L个预设多媒体资源的目标特征向量；

获取模块，还用于基于目标对象对L个预设多媒体资源的目标特征向量以及预设多媒体资源集合，通过待训练兴趣度预测模型获取目标对象对每个预设多媒体资源的预测兴趣度；

训练模块，用于根据真实标签集合以及目标对象对每个预设多媒体资源的预测兴趣度，对待训练兴趣度预测模型进行训练，以得到兴趣度预测模型。

在一个可能的实施方式中，训练模块，具体用于基于目标对象对每个预设多媒体资源的预测兴趣度，确定目标对象对每个预设多媒体资源对应的预测标签；

根据真实标签集合以及目标对象对每个预设多媒体资源对应的预测标签，根据目标损失函数更新待训练兴趣度预测模型的模型参数，以得到兴趣度预测模型。

在一个可能的实施方式中，确定模块，具体用于使用最大堆排序法，对目标对象对每个预设多媒体资源的预测兴趣度进行顺序排列；

确定顺序排列结果为每个预设多媒体资源的预测兴趣度从高到底排序；

基于顺序排列结果从高到低依次提取目标兴趣度；

将目标兴趣度对应的预设多媒体资源确定为目标多媒体资源。

本申请的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。

本申请的第四方面提供了一种计算机设备，其特征在于，包括：存储器、收发器、处理器以及总线系统；其中，所述存储器用于存储程序；所述处理器用于执行所述存储器中的程序，以实现上述各方面所述的方法；所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。

本申请的第五方面提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方面所述的方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请实施例中，提供了一种多媒体资源推荐的方法，获取目标对象在第一时间周期内的第一行为数据，以及在第二时间周期内的第二行为数据，第一时间周期的长度大于第二时间周期的长度，且第一时间周期包括第二时间周期，由此根据第一行为数据以及第二行为数据，得到N个第一行为序列以及M个第二行为序列，第一行为序列包括在第一时间周期内相同维度的特征，第二行为序列包括在第二时间周期内不同维度的特征，M与N均为大于1的正整数。基于此，根据N个第一行为序列以及M个第二行为序列，确定目标对象对L个预设多媒体资源的目标特征向量，L为大于1的正整数，将目标对象对L个预设多媒体资源的目标特征向量作为兴趣度预测模型，通过兴趣度预测模型输出目标对象对每个预设多媒体资源的预测兴趣度，再对目标对象对每个预设多媒体资源的预测兴趣度进行顺序排列，并基于顺序排列结果从L个预设多媒体资源中确定推荐给目标对象的目标多媒体资源，该目标多媒体资源包括至少一个预设多媒体资源。通过上述方法，分别基于不同时间周期内的行为数据得到第一行为序列以及第二行为序列，由于第一行为序列包括在第一时间周期内相同维度的特征，第二行为序列包括在第二时间周期内不同维度的特征，因此通过对目标对象的第一行为序列和第二行为序列进行特征建模，得到目标对象对多个预设多媒体资源的目标特征向量，且该目标特征向量能够准确地表征目标对象在不同时间周期内各个维度下的特征，由此通过兴趣度预测模型输出的目标对象对多个预设多媒体资源的兴趣度更符合目标对象的实际行为数据，即多个预设多媒体资源的兴趣度的准确度较高，因此向目标对象所推荐的目标多媒体资源也更符合目标对象的实际行为数据，由此提升多媒体资源推荐的准确度。

附图说明

图1为本申请实施例中多媒体资源推荐的方法的一个系统示意图；

图2为本申请实施例提供的多媒体资源推荐的方法的一个流程示意图；

图3为本申请实施例提供的多媒体资源推荐的方法的一种实施例示意图；

图4为本申请实施例提供的展示目标多媒体资源的一种界面示意图；

图5为本申请实施例提供的对待训练兴趣度预测模型进行训练的一个流程示意图；

图6为本申请实施例提供的一种多媒体资源推荐装置的结构示意图；

图7为本申请实施例终端相关的手机的部分结构的框图。

具体实施方式

本申请实施例提供了一种多媒体资源推荐的方法、装置、设备和存储介质，分别基于不同时间周期内的行为数据得到第一行为序列以及第二行为序列，由于第一行为序列包括在第一时间周期内相同维度的特征，第二行为序列包括在第二时间周期内不同维度的特征，因此通过对目标对象的第一行为序列和第二行为序列进行特征建模，得到目标对象对多个预设多媒体资源的目标特征向量，且该目标特征向量能够准确地表征目标对象在不同时间周期内各个维度下的特征，由此通过兴趣度预测模型输出的目标对象对多个预设多媒体资源的兴趣度更符合目标对象的实际行为数据，即多个预设多媒体资源的兴趣度的准确度较高，因此向目标对象所推荐的目标多媒体资源也更符合目标对象的实际行为数据，由此提升多媒体资源推荐的准确度。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

随着互联网技术的快速发展，基于互联网所实现的多媒体资源推荐得到相应地发展，且多媒体资源推荐的方法被广泛应用在新闻、视频、音乐、有声读物、电商等各种场景。多媒体资源推荐是指向对象推荐对象可能喜欢的产品，以增加对象的停留时长和点击转化率。目前，多媒体资源推荐的方法需要快速和准确的响应对象当前的需求，通常需要预先对对象行为进行分析得到对象兴趣，再将对象兴趣映射到用户画像上，从而基于用户画像进行多媒体资源推荐，因此推荐对象是根据用户画像确定的，由于通过对象兴趣映射得到的用户画像可能存在不准确的情况，由此将降低多媒体资源推荐的准确度。或者，在部分推荐系统中，采用两阶段的方式，首先在召回阶段召回可能的候选集，然后在排序阶段进行精准排序推荐，因此需要在召回阶段精准的刻画对象的兴趣，业界召回模型普遍采用的方法为基于多媒体资源的协同过滤，但是协同过滤模型只能考虑对象的静态兴趣，而不能捕获对象的动态兴趣，因此所刻画的对象兴趣并不能准确反表征对象动态行为，因此也会降低多媒体资源推荐的准确度，因此如何提升多媒体资源推荐的准确度是亟需解决的问题。基于此，为了解决前述问题，本申请实施例提供了一种多媒体资源推荐的方法，所得到的目标特征向量能够准确地表征对象在不同时间周期内各个维度下的特征，因此目标多媒体资源符合对象的实际行为数据，从而提升多媒体资源推荐的准确度。

首先，为了便于理解，先对本申请实施例涉及到的一些术语或概念进行解释。

一、会话(session)

session指的是网络访问的一次会话，即对象通过终端设备所展示的多媒体资源浏览界面对多媒体资源进行一次操作，此时终端设备与服务器之间的交互产生一次会话，该会话即为本实施例所介绍的访问行为。

二、低维特征向量(Embedding)

Embedding就是用一个低维向量表示一个物体,可以是一个词,或是一个商品,或是一个电影等等。本实施例中具体通过将标识(Identity document，id)类系数特征转化为Embedding的特征向量。

三、独热(One-Hot)编码

One-Hot编码是一种编码方式，用于将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点，从而得到一种稀疏向量表示，所得到的向量值为0或者1，一个向量只有一个1，其它的值为0。

四、多热(Multi-Hot)编码

Multi-Hot编码也是一种编码方式，用于将多个属性同时编码到一个特征中，从而一种稀疏向量表示，所得到的向量值为0或者1，一个向量可以有多个1，其它的值为0。

五、多媒体资源

本实施例中所介绍的多媒体资源可以包括但不限于虚拟商品的广告推荐页面、虚拟商品的商品详情页面以及虚拟道具推荐页面等。应理解，在实际应用中的不同场景下多媒体资源也不同。例如，若应用于虚拟商品购物应用上，那么多媒体资源可以为虚拟商品的广告推荐页面或者虚拟商品的商品详情页面。若应用于终端游戏应用上，那么多媒体资源可以为虚拟道具推荐页面。若应用于视频播放应用上，那么多媒体资源还可以为视频推荐页面。以及若应用于音乐播放应用上，那么多媒体资源还可以为音乐推荐页面等。因此前述示例不应理解为对多媒体资源的具体限定。

六、行为序列

行为序列具体为对象的历史行为序列向量，行为序列可以包括对象发生过访问行为对应的多媒体资源id、多媒体资源类目、多媒体资源品牌以及多媒体资源行业等。

下面对本申请实施例的应用场景进行介绍。可以理解的，该多媒体资源推荐的方法可以由终端设备来执行，也可以由服务器来执行，请参阅图1，图1为本申请实施例中多媒体资源推荐的方法的一个系统示意图，如图1所示，该多媒体资源推荐系统中包括服务器和终端设备。基于此，可实施的，当该多媒体资源推荐的方法部署于终端设备上时，终端设备先通过模型训练得到兴趣度预测模型，然后在对象访问任一预设多媒体资源时将对应的行为数据存储于本地，因此能够从本地存储中获取目标对象在第一时间周期内的第一行为数据以及在第二时间周期内的第二行为数据，并通过本申请实施例所介绍的多媒体资源推荐方法确定推荐给目标对象的目标多媒体资源，再将目标多媒体资源展示于终端设备的显示界面，以完成准确地多媒体资源推荐，此时终端设备无需联网，能够更好的保护对象行为数据的隐私性，多媒体资源推荐过程也更加便捷。

当该多媒体资源推荐的方法部署于服务器上时，服务器特可以先通过模型训练得到兴趣度预测模型，并且实时获取目标对象在第一时间周期内的第一行为数据以及在第二时间周期内的第二行为数据，基于服务器的硬件性能为行为数据提供更丰富的行为信息，因此通过本申请实施例所介绍的多媒体资源推荐方法确定推荐给目标对象的目标多媒体资源，能够提高确定目标多媒体资源的处理效率，再将所得到的目标多媒体资源下发至目标对象所使用的终端设备，从而提高多媒体资源推荐的效率以及实时性。

需要说明的是，本申请涉及的服务器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、内容分发网络(ContentDelivery Network，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。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、车载设备等，但并不局限于此。终端以及服务器可以通过有线通信方式、无线通信方式或可移动存储进行直接或间接地连接，本申请在此不做限制。其中，上述的无线通信方式使用标准通信技术和/或协议。无线网络通常为因特网、但也可以是任何网络，包括但不限于蓝牙、局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(WideArea Network，WAN)、移动、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，可以使用定制或专用数据通信技术取代或者补充上述数据通信技术。可移动存储介质可以为通用串行总线(Universal Serial Bus，USB)闪存盘、移动硬盘或其他可移动存储介质等。

虽然图1中仅示出了五个终端设备和一个服务器，但应当理解，图1中的示例仅用于理解本方案，具体终端设备和服务器的数量均应当结合实际情况灵活确定。

通过前述实施例可知，本申请实施例中进行模型训练的过程需要基于人工智能(Artificial Intelligence，AI)技术实现，在对本申请实施例提供的多媒体资源推荐的方法开始介绍之前，先对人工智能领域的一些基础概念进行介绍。AI是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大多媒体资源推荐技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

随着人工智能技术研究和进步，人工智能技术在多种方向展开研究，机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

其次，本发明实施例可应用于各种场景，包括但不限于云技术(Cloudtechnology)、购物平台的广告推荐、游戏场景的道具推荐等。其中，云技术是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。云技术基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个多媒体资源都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。

而云计算(cloud computing)指IT基础设施的交付和使用模式，指通过网络以按需、易扩展的方式获得所需资源；广义云计算指服务的交付和使用模式，指通过网络以按需、易扩展的方式获得所需服务。这种服务可以是IT和软件、互联网相关，也可是其他服务。云计算是网格计算(Grid Computing)、分布式计算(DistributedComputing)、并行计算(Parallel Computing)、效用计算(Utility Computing)、网络存储(Network StorageTechnologies)、虚拟化(Virtualization)、负载均衡(Load Balance)等传统计算机和网络技术发展融合的产物。

随着互联网、实时数据流、连接设备多样化的发展，以及搜索服务、社会网络、移动商务和开放协作等需求的推动，云计算迅速发展起来。不同于以往的并行分布式计算，云计算的产生从理念上将推动整个互联网模式、企业管理模式发生革命性的变革。物联网(TheInternet of Things，简称IOT)是指通过各种信息传感器、射频识别技术、全球定位系统、红外感应器、激光扫描器等各种装置与技术，实时采集任何需要监控、连接、互动的物体或过程，采集其声、光、热、电、力学、化学、生物、位置等各种需要的信息，通过各类可能的网络接入，实现物与物、物与人的泛在连接，实现对多媒体资源和过程的智能化感知、识别和管理。物联网是一个基于互联网、传统电信网等的信息承载体，它让所有能够被独立寻址的普通物理对象形成互联互通的网络。

云物联(Cloud IOT)旨在将传统物联网中传感设备感知的信息和接受的指令连入互联网中，真正实现网络化，并通过云计算技术实现海量数据存储和运算，由于物联网的特性是物与物相连接，实时感知各个“物体”当前的运行状态，在这个过程中会产生大量的数据信息，如何将这些信息汇总,如何在海量信息中筛取有用信息为后续发展做决策支持,这些已成为影响物联网发展的关键问题，而基于云计算和云存储技术的物联云也因此成为物联网技术和应用的有力支持。

为了便于理解，请参阅图2，图2为本申请实施例提供的多媒体资源推荐的方法的一个流程示意图，请参阅图2，多媒体资源推荐的方法的流程分为二个阶段，具体为兴趣度预测模型训练阶段以及多媒体资源推荐阶段。下面将针对各个阶段的功能和流程进行介绍，具体地：

在兴趣度预测模型训练阶段A1中，首先获取目标对象在不同时间周期内的行为数据样本，以得到目标对象的第一行为数据样本集合以及第二行为数据样本集合。其次，基于多个预设多媒体资源生成预设多媒体资源集合，该预设多媒体资源可以为预设推荐广告库中所得到的预设推荐广告，或预设推荐商品库中所得到的预设推荐商品。其次，通过人工标注的方式确定目标对象对每个预设多媒体资源对应的真实标签，例如，对预设多媒体资源感兴趣则真实标签为1，对预设多媒体资源不感兴趣则真实标签为0，对每个预设多媒体资源均进行前述人工标注，由此得到真实标签集合。

基于此，基于第一行为数据样本集合以及第二行为数据样本集合，确定第一行为样本序列集合以及第二行为样本序列集合，第一行为样本序列包括相同维度的特征，第二行为样本序列包括不同维度的特征，由此根据第一行为样本序列集合以及第二行为样本序列集合，确定目标对象对L个预设多媒体资源的目标特征向量，并且将目标对象对L个预设多媒体资源的目标特征向量作为待训练兴趣度预测模型的输入，通过待训练兴趣度预测模型输出目标对象对每个预设多媒体资源的预测兴趣度。进一步次，将目标对象对每个预设多媒体资源的预测兴趣度与预设兴趣度阈值进行对比，以确定目标对象对每个预设多媒体资源对应的预测标签，例如，预设兴趣度阈值为60％，那么目标对象对预设多媒体资源的预测兴趣度大于60％，则确定目标对象对该预设多媒体资源对应的预测标签为1，反之，目标对象对预设多媒体资源的预测兴趣度小于60％，则确定目标对象对该预设多媒体资源对应的预测标签为0。最后，根据真实标签集合以及目标对象对每个预设多媒体资源对应的预测标签，根据目标损失函数更新待训练兴趣度预测模型的模型参数，从而得到兴趣度预测模型。

在多媒体资源推荐阶段A2中，在需要对目标对象进行多媒体资源推荐时，先获取目标对象在第一时间周期内的第一行为数据，以及在第二时间周期内的第二行为数据，第一时间周期的长度大于第二时间周期的长度，且第一时间周期包括第二时间周期。基于此，根据第一行为数据以及第二行为数据，得到N个第一行为序列以及M个第二行为序列，其中，第一行为序列包括在第一时间周期内相同维度的特征，第二行为序列包括在第二时间周期内不同维度的特征，再根据N个第一行为序列以及M个第二行为序列，确定目标对象对L个预设多媒体资源的目标特征向量，L为大于1的正整数。进一步地，将目标对象对L个预设多媒体资源的目标特征向量作为阶段A1所得到的兴趣度预测模型的输入，通过阶段A1所得到的兴趣度预测模型输出目标对象对每个预设多媒体资源的预测兴趣度，然后对目标对象对每个预设多媒体资源的预测兴趣度进行顺序排列，并基于顺序排列结果从L个预设多媒体资源中确定推荐给目标对象的目标多媒体资源，该目标多媒体资源包括至少一个预设多媒体资源。在阶段A2中所得到的目标特征向量能够准确地表征目标对象在不同时间周期内各个维度下的特征，由此通过兴趣度预测模型输出的目标对象对多个预设多媒体资源的兴趣度更符合目标对象的实际行为数据，即多个预设多媒体资源的兴趣度的准确度较高，因此向目标对象所推荐的目标多媒体资源也更符合目标对象的实际行为数据，由此提升多媒体资源推荐的准确度。

结合上述介绍，下面以执行主体为终端设备为例，对本申请中多媒体资源推荐的方法进行介绍，请参阅图3，图3为本申请实施例提供的多媒体资源推荐的方法的一种实施例示意图，如图3所示，该方法包括：

101、获取目标对象在第一时间周期内的第一行为数据，以及在第二时间周期内的第二行为数据。

本实施例中，终端设备获取目标对象在第一时间周期内的第一行为数据，以及在第二时间周期内的第二行为数据，第一时间周期的长度大于第二时间周期的长度，且第一时间周期包括第二时间周期。具体地，行为数据指的目标对象在某个时间周期对预设多媒体资源进行的交互操作行为所对应的数据，该行为数据包括但不限于对预设多媒体资源进行访问、对预设多媒体资源进行收藏、对预设多媒体资源进行分享或者对预设多媒体资源进行购买等，具体此处不做限定。并且，本申请实施例中所描述的对象均为实际用户，下面不再对此进行具体描述。

进一步地，前述第一时间周期为时间跨度长于第二时间周期，且第一时间周期的时间跨度包括第二时间周期的时间跨度，例如，第一时间周期为2021年1月份的1号至7号，那么第二时间周期可以2021年1月份的1号至3号。或者第一时间周期为2021年第三季度(即7月至9月)，那么第二时间周期可以2021年的7月。以及前述预设多媒体资源可以包括但不限于预设推荐广告或者预设推荐商品等，以及该预设多媒体资源可以为预设推荐广告库中的预设推荐广告，或者为预设推荐商品库中的预设推荐商品，例如，预设多媒体资源A为衣物A的广告，以及预设多媒体资源B为衣物B的广告等。应理解，前述示例仅用于理解本方案，而不应理解为本方案的具体限定。

102、根据第一行为数据以及第二行为数据，得到N个第一行为序列以及M个第二行为序列。

本实施例中，终端设备根据第一行为数据以及第二行为数据，得到N个第一行为序列以及M个第二行为序列，前述N个第一行为序列对应于第一行为数据，且第一行为序列包括在第一时间周期内相同维度的特征。以及前述M个第二行为序列对应于第二行为数据，且第二行为序列包括在第二时间周期内不同维度的特征，M与N均为大于1的正整数。

具体地，第一行为序列具体为同一维度下多次访问行为对应的特征，即N个第一行为序列中包括N个维度下的第一行为序列，而第二行为序列具体为同一访问行为下多个维度分别对应的特征，即M个第二行为序列中包括M个访问行为分别对应的第二行为序列，且前述每一个特征具体可以表示成一个one-hot向量。通过前述实施例所介绍的可知，本实施例所介绍的一次访问行为具体为一次会话，即目标对象通过终端设备所展示的多媒体资源浏览界面对多媒体资源进行一次操作，此时终端设备与服务器之间的交互产生一次访问行为。并且本实施例中所描述的维度具体为访问行为所指示的预设多媒体资源对应的多个维度，例如，预设多媒体资源所对应的多媒体资源标识，预设多媒体资源所对应的多媒体资源类别，预设多媒体资源所对应的具体行业，预设多媒体资源所对应的品牌，预设多媒体资源所对应的价格区间等，具体的维度需要根据预设多媒体资源运维人员基于具体场景需求进行划分，此处不做限定。

基于此，通过公式(1)以及公式(2)具体描述N个第一行为序列以及M个第二行为序列。

公式(1)如下：

其中，L

公式(2)如下：

其中，S

103、根据N个第一行为序列以及M个第二行为序列，确定目标对象对L个预设多媒体资源的目标特征向量。

本实施例中，终端设备根据N个第一行为序列以及M个第二行为序列，确定目标对象对L个预设多媒体资源的目标特征向量，且L为大于1的正整数。具体地，前述L个预设多媒体资源为预设多媒体资源库中全部的预设多媒体资源，例如，预设多媒体资源库包括预设多媒体资源1，预设多媒体资源2以及预设多媒体资源3至预设多媒体资源10，即预设多媒体资源库包括10个预设多媒体资源。那么目标特征向量具体包括目标对象对前述10个预设多媒体资源分别对应的特征向量。

104、基于目标对象对L个预设多媒体资源的目标特征向量，通过兴趣度预测模型获取目标对象对每个预设多媒体资源的预测兴趣度。

本实施例中，终端设备将步骤103所得到的目标对象对L个预设多媒体资源的目标特征向量作为兴趣度预测模型的输入，通过兴趣度预测模型输出目标对象对每个预设多媒体资源的预测兴趣度。具体地，预测兴趣度具体为百分比，且预测兴趣度表征目标对象对该预设多媒体资源的兴趣度，也就是可以表征在实际应用中目标对象对该预设多媒体资源进行访问以及购买等操作的可能性。示例性地，L个预设多媒体资源为预设多媒体资源1，预设多媒体资源2，预设多媒体资源3以及预设多媒体资源4，那么兴趣度预测模型将输出目标对象对预设多媒体资源1的预测兴趣度，目标对象对预设多媒体资源2的预测兴趣度，目标对象对预设多媒体资源3的预测兴趣度，以及目标对象对预设多媒体资源4的预测兴趣度。应理解，前述示例仅用于理解本方案，而不应理解为本方案的具体限定。

105、对目标对象对每个预设多媒体资源的预测兴趣度进行顺序排列，并基于顺序排列结果从L个预设多媒体资源中确定推荐给目标对象的目标多媒体资源。

本实施例中，终端设备对目标对象对每个预设多媒体资源的预测兴趣度进行顺序排列，并基于顺序排列结果从L个预设多媒体资源中确定推荐给目标对象的目标多媒体资源，目标多媒体资源包括至少一个预设多媒体资源。具体地，前述预测兴趣度越大表征目标对象对该预设多媒体资源的兴趣度越高，说明在实际应用中目标对象对该预设多媒体资源进行访问以及购买等操作的可能性较大，反之，预测兴趣度越小表征目标对象对该预设多媒体资源的兴趣度越低，说明在实际应用中目标对象对该预设多媒体资源进行访问以及购买等操作的可能性较小。

基于此，终端设备所确定的目标多媒体资源为L个预设多媒体资源中兴趣度较大的多媒体资源。示例性地，若L个预设多媒体资源为预设多媒体资源1，预设多媒体资源2，预设多媒体资源3以及预设多媒体资源4，且兴趣度预测模型所输出的目标对象对预设多媒体资源1的预测兴趣度为80％，目标对象对预设多媒体资源2的预测兴趣度为20％，目标对象对预设多媒体资源3的预测兴趣度为60％，以及目标对象对预设多媒体资源4的预测兴趣度为45％，由此可知预设多媒体资源1的预测兴趣度为80％为最大的兴趣度，此时终端设备可以将预设多媒体资源1确定为推荐给目标对象的目标多媒体资源，或者基于具体需求，将预设多媒体资源1以及预设多媒体资源3确定为推荐给目标对象的目标多媒体资源。此处不对具体确定目标多媒体资源的方法进行限定，且目标多媒体资源可以为一个或多个预设多媒体资源。

进一步地，终端设备在确定推荐给目标对象的目标多媒体资源之后，还可以将目标多媒体资源展示于终端设备的显示界面，以完成准确地多媒体资源推荐。为便于理解，图4为本申请实施例提供的展示目标多媒体资源的一种界面示意图，如图4所示，图4中(A)图具体示出的为终端设备某应用的多媒体资源推荐界面，在该多媒体资源推荐界面上显示目标多媒体资源，且所显示的目标多媒体资源具体为预设多媒体资源B11以及预设多媒体资源B12。其次，图4中(B)图具体示出的为终端设备以弹窗的方式在某应用的显示界面展示目标多媒体资源的方式，且以弹窗的方式所展示的目标多媒体资源具体为预设多媒体资源B2。应理解，图4的示例仅用于理解如何展示目标多媒体资源，具体展示方式需要根据具体场景、以及应用需求灵活确定，因此图4的实施例不应理解为本方案的具体限定。

本实施例中，提供了一种多媒体资源推荐的方法，采用上述方法，分别基于不同时间周期内的行为数据得到第一行为序列以及第二行为序列，由于第一行为序列包括在第一时间周期内相同维度的特征，第二行为序列包括在第二时间周期内不同维度的特征，因此通过对目标对象的第一行为序列和第二行为序列进行特征建模，得到目标对象对多个预设多媒体资源的目标特征向量，且该目标特征向量能够准确地表征目标对象在不同时间周期内各个维度下的特征，由此通过兴趣度预测模型输出的目标对象对多个预设多媒体资源的兴趣度更符合目标对象的实际行为数据，即多个预设多媒体资源的兴趣度的准确度较高，因此向目标对象所推荐的目标多媒体资源也更符合目标对象的实际行为数据，由此提升多媒体资源推荐的准确度。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的多媒体资源推荐的方法一个可选实施例中，根据第一行为数据以及第二行为数据，得到N个第一行为序列以及M个第二行为序列，具体包括：

根据第一行为数据得到N个第一行为序列；

根据第二行为数据得到M个第二行为序列。

本实施例中，终端设备按照不同的时间周期下的行为数据划分不同的行为序列，即具体根据第一行为数据得到N个第一行为序列，以及具体根据第二行为数据得到M个第二行为序列。下面将详细介绍如何得到第一行为序列以及第二行为序列。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的多媒体资源推荐的方法一个可选实施例中，根据第一行为数据得到N个第一行为序列，具体包括：

对第一行为数据进行信息提取处理，得到在第一时间周期内的N个维度分别对应的第一访问行为，其中，第一访问行为是目标对象访问预设多媒体资源时生成的；

基于在第一时间周期内N个维度分别对应的第一访问行为，生成N个第一行为序列。

本实施例中，终端设备对第一行为数据进行信息提取处理，能够得到在第一时间周期内的N个维度分别对应的第一访问行为，该第一访问行为是目标对象访问预设多媒体资源时生成的。具体地，由于本实施例中所描述的维度具体为访问行为所指示的预设多媒体资源对应的多个维度，例如，预设多媒体资源所对应的多媒体资源标识，预设多媒体资源所对应的多媒体资源类别，预设多媒体资源所对应的具体行业，预设多媒体资源所对应的品牌，预设多媒体资源所对应的价格区间等。

而对象在时间跨度较长的第一时间周期内所包括的访问行为较多，为了时间跨度较长的第一时间周期内的行为序列，终端设备需要从不同的维度刻画目标对象在第一时间周期内的行为，例如，目标对象经常浏览某种类型的广告，或者购买某一类型的商品等。因此终端设备对第一时间周期内的第一行为数据进行信息提取处理，得到第一行为数据中所包括的N个维度，例如，多媒体资源标识、多媒体资源类别、多媒体资源行业以及多媒体资源广告主等。然后基于N个维度划分第一行为数据，从而获取N个维度分别对应的第一访问行为。

例如，第一行为数据包括第一访问行为1，第一访问行为2以及第一访问行为3，且第一访问行为1所访问多媒体资源的多媒体资源标识为“id 1”以及多媒体资源类别为“衣物”，第一访问行为2所访问多媒体资源的多媒体资源标识为“id 2”、多媒体资源类别为“家化”以及多媒体资源广告主为“广告主1”，以及第一访问行为3所访问多媒体资源的多媒体资源标识为“id 3”以及多媒体资源广告主为“广告主2”。那么对第一行为数据进行信息提取处理可以得到3个维度，具体为多媒体资源标识、多媒体资源类别以及多媒体资源广告主，而对于多媒体资源标识这一维度而言，可以对应第一访问行为1，第一访问行为2以及第一访问行为3。同理可知，对于多媒体资源类别这一维度而言，由于第一访问行为3未包括多媒体资源类别这一信息，因此第一访问行为3不在多媒体资源类比这一维度对应的访问行为中，即多媒体资源类别这一维度可以对应第一访问行为1以及第一访问行为2。同理可知，对于多媒体资源广告主这一维度而言，由于第一访问行为1未包括多媒体资源广告主这一信息，因此第一访问行为1不在多媒体资源广告主这一维度对应的访问行为中，即多媒体资源广告主这一维度可以对应第一访问行为2以及第一访问行为3。

基于此，终端设备基于在第一时间周期内N个维度分别对应的第一访问行为，生成前述N个第一行为序列。进一步地基于前述示例进行介绍，由于多媒体资源标识这一维度可以对应第一访问行为1，第一访问行为2以及第一访问行为3，多媒体资源类别这一维度可以对应第一访问行为1以及第一访问行为2，以及多媒体资源广告主这一维度可以对应第一访问行为2以及第一访问行为3。那么前述3个维度分别对应的第一访问行为进行编码处理，由此生成3个第一行为序列。

由此可知，3个第一行为序列具体包括多媒体资源标识维度的第一行为序列、多媒体资源类别维度的第一行为序列、以及多媒体资源广告主维度的第一行为序列，以及多媒体资源标识维度的第一行为序列为第一访问行为1，第一访问行为2以及第一访问行为3对应的多媒体资源标识的特征，即多媒体资源标识维度的第一行为序列包括第一访问行为1所访问多媒体资源的多媒体资源标识为“id 1”，第一访问行为2所访问多媒体资源的多媒体资源标识为“id 2”，以及第一访问行为3所访问多媒体资源的多媒体资源标识为“id3”。同理可知，多媒体资源类别维度的第一行为序列为第一访问行为1以及第一访问行为2对应的特征，即多媒体资源类别维度的第一行为序列包括第一访问行为1所访问多媒体资源的多媒体资源类别为“衣物”，以及第一访问行为2所访问多媒体资源的多媒体资源类别为“家化”。多媒体资源广告主维度的第一行为序列为第一访问行为2以及第一访问行为3对应的特征，即多媒体资源广告主维度的第一行为序列包括第一访问行为2所访问多媒体资源的多媒体资源广告主为“广告主1”，以及第一访问行为3所访问多媒体资源的多媒体资源广告主为“广告主2”。应理解，前述示例仅用于理解本方案，而不应理解为本方案的具体限定。

本实施例中，提供了一种行为序列的生成方法，采用上述方法，通过对时间跨度较长的第一时间周期内的第一行为数据进行信息提取，得到N个维度分别对应的第一访问行为，由此能够从不同的维度刻画目标对象在第一时间周期内的行为，由此得到的第一行为序列能够从多个维度描述目标对象的实际行为数据，从而提升第一行为序列的灵活性以及应用性。其次，在实际应用中，在时间跨度较长的第一时间周期内的第一访问行为通常较多，因此基于不同维度对第一访问信息进行划分还能够降低后续特征处理的数据量，从而提升多媒体资源推荐的效率。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的多媒体资源推荐的方法一个可选实施例中，根据第二行为数据得到M个第二行为序列，具体包括：

对第二行为数据进行信息提取处理，得到在第二时间周期内的M个第二访问行为，其中，第二访问行为是目标对象访问预设多媒体资源时生成的；

基于在第二时间周期内的M个第二访问行为，生成M个第二行为序列。

本实施例中，终端设备对第二行为数据进行信息提取处理，得到在第二时间周期内的M个第二访问行为，该第二访问行为是目标对象访问预设多媒体资源时生成的。例如，对象在第二时间周期内对预设多媒体资源1，预设多媒体资源2以及预设多媒体资源3分别进行了一次访问，那么即可得到在第二时间周期内的3个第二访问行为，且第二访问行为1是目标对象访问预设多媒体资源1时生成的，第二访问行为2是目标对象访问预设多媒体资源2时生成的，以及第二访问行为3是目标对象访问预设多媒体资源3时生成的。

基于此，终端设备基于在第二时间周期内的M个第二访问行为，生成M个第二行为序列，且第二行为序列具体为同一访问行为下多个维度分别对应的特征。具体地，终端设备直接对在第二时间周期内的M个第二访问行为分别进行编码处理，由此得到每个第二访问行为所应的第二行为序列。再次基于前述示例进行介绍，终端设备对第二访问行为1，第二访问行为2以及第二访问行为3分别进行编码处理，得到第二访问行为1所应的第二行为序列1，第二访问行为2所应的第二行为序列2，以及第二访问行为3所应的第二行为序列3。

进一步地，若第二访问行为1所访问多媒体资源的多媒体资源标识为“id 1”以及多媒体资源类别为“衣物”，第二访问行为2所访问多媒体资源的多媒体资源标识为“id 2”、多媒体资源类别为“家化”以及多媒体资源广告主为“广告主1”，以及第二访问行为3所访问多媒体资源的多媒体资源标识为“id 3”以及多媒体资源广告主为“广告主2”。由于第二行为序列具体为同一访问行为下多个维度分别对应的特征，那么第二行为序列1为第二访问行为1所访问多媒体资源的多媒体资源标识以及多媒体资源类别为“衣物”，同理可知，第二行为序列2为第二访问行为2所访问多媒体资源的多媒体资源标识为“id2”、多媒体资源类别为“家化”以及多媒体资源广告主为“广告主1”，以及第二行为序列3为第二访问行为3所访问多媒体资源的多媒体资源标识为“id 3”以及多媒体资源广告主为“广告主2”。应理解，前述示例仅用于理解本方案，而不应理解为本方案的具体限定。

本实施例中，提供了另一种行为序列的生成方法，采用上述方法，通过对时间跨度较短的第二时间周期内的第二行为数据进行信息提取，得到多个基于访问预设多媒体资源生成的第二访问行为，由此直接刻画目标对象在第二时间周期内的访问行为，因此所得到由此得到的第二行为序列更符合对象第二时间周期内各个维度下的实际行为数据，因此保证第二行为序列的可靠性。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的多媒体资源推荐的方法一个可选实施例中，根据N个第一行为序列以及M个第二行为序列，确定目标对象对L个预设多媒体资源的目标特征向量，具体包括：

根据N个第一行为序列确定目标对象对L个预设多媒体资源的第一特征向量；

根据M个第二行为序列确定目标对象对L个预设多媒体资源的第二特征向量；

将第一特征向量以及第二特征向量进行融合处理，得到目标特征向量。

本实施例中，终端设备具体根据N个第一行为序列确定目标对象对L个预设多媒体资源的第一特征向量，以及根据M个第二行为序列确定目标对象对L个预设多媒体资源的第二特征向量，从而将第一特征向量以及第二特征向量进行融合处理，得到目标特征向量。具体地，终端设备通过公式(3)将第一特征向量以及第二特征向量进行融合处理，得到目标特征向量。

公式(3)如下：

o

其中，o

本实施例中，提供了一种目标特征向量确定的方法，采用上述方法，由于第一特征向量是基于能够从多个维度描述目标对象的实际行为数据的第一行为序列得到的，以及第二特征向量是基于更符合对象第二时间周期内各个维度下的实际行为数据的第二行为序列得到的，因此将第一特征向量以及第二特征向量进行融合处理，所得到的目标特征向量能够准确地表征目标对象在不同时间周期内各个维度下的特征，由此使得后续兴趣度预测模型能够基于目标特征向量学习到更多特征信息，因此所得到的兴趣度更符合目标对象的实际行为数据，即多个预设多媒体资源的兴趣度的准确度较高，进一步地提升多媒体资源推荐的准确度。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的多媒体资源推荐的方法一个可选实施例中，多媒体资源推荐的方法还包括：

获取目标对象的基础属性信息；

对目标对象的基础属性信息进行特征化处理，得到目标对象的用户画像特征；

根据N个第一行为序列确定目标对象对L个预设多媒体资源的第一特征向量，具体包括：

根据N个第一行为序列以及目标对象的用户画像特征，确定第一特征向量；

根据M个第二行为序列确定目标对象对L个预设多媒体资源的第二特征向量，具体包括：

根据M个第二行为序列以及目标对象的用户画像特征，确定第二特征向量；

将第一特征向量以及第二特征向量进行融合处理，得到目标特征向量，具体包括：

将第一特征向量、第二特征向量以及目标对象的用户画像特征进行融合处理，得到目标特征向量。

本实施例中，终端设备还能够获取目标对象的基础属性信息，基础属性信息可以包括但不限于目标对象的性别、目标对象的年龄区间、目标对象的学历以及目标对象的资产等多个维度的基础信息，具体此处不做限定。基于此，终端设备对目标对象的基础属性信息进行特征化处理，得到目标对象的用户画像特征。具体地，若目标对象的基础属性信息包括P个维度的基础信息，那么所得到的目标对象的用户画像特征也包括P个维度对应的画像特征，为便于理解，公式(4)描述的为目标对象的用户画像特征。

公式(4)如下：

其中，e

基于此，终端设备能够根据N个第一行为序列以及目标对象的用户画像特征，确定目标对象对L个预设多媒体资源的第一特征向量。以及根据M个第二行为序列以及目标对象的用户画像特征，确定目标对象对L个预设多媒体资源的第二特征向量。以及进一步地将第一特征向量、第二特征向量以及目标对象的用户画像特征进行融合处理，得到目标特征向量，具体地，终端设备通过公式(5)将将第一特征向量、第二特征向量以及目标对象的用户画像特征进行融合处理，得到目标特征向量。

公式(5)如下：

G

o

其中，o

应理解，在实际应用中，终端设备具体确定目标对象在不同时间周期内的特征向量，还可以对不同时间周期内所访问的预设多媒体资源具体页面进行文本特征提取，得到不同行为数据所对应的所有上下文特征，该上下文特征可以包括上下文的具体信息、访问页面的时间等，以及进一步地获取终端设备本身的基础信息，例如，终端设备的具体类型以及终端设备的机型等。然后将这个特征与前述行为序列进行共同的特征建模，以得到更为准确且信息更为丰富的特征向量，具体处理过程此处不进行详述。

本实施例中，提供了一种特征向量确定的方法，采用上述方法，将第一特征向量、第二特征向量以及用户画像特征进行融合处理，不但使得目标特征向量能够准确地表征目标对象在不同时间周期内各个维度下的特征，还能够使得目标特征向量能够更全面的表征目标对象的基础特征信息，因此后续兴趣度预测能够学习到关于与对象行为相关的特征以及用户画像特征，进一步地提升所输出的兴趣度的准确度较高，由此提升多媒体资源推荐的准确度。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的多媒体资源推荐的方法一个可选实施例中，多媒体资源推荐的方法还包括：

获取多媒体资源特征集合，其中，多媒体资源特征集合包括F个多媒体资源特征子集合，多媒体资源特征子集合包括L个预设多媒体资源的相同维度的特征，且不同的多媒体资源特征子集合包括特征的维度不同，F为大于1的正整数，且F大于或等于N；

根据N个第一行为序列以及目标对象的用户画像特征，确定第一特征向量，具体包括：

基于N个第一行为序列、目标对象的用户画像特征以及多媒体资源特征集合，确定第一特征向量；

根据M个第二行为序列以及目标对象的用户画像特征，确定第二特征向量，具体包括：

基于M个第二行为序列、目标对象的用户画像特征以及多媒体资源特征集合，确定第二特征向量；

基于目标特征向量以及多媒体资源特征集合，通过兴趣度预测模型获取目标对象对每个预设多媒体资源的预测兴趣度。

本实施例中，终端设备还能够获取多媒体资源特征集合，该多媒体资源特征集合包括F个多媒体资源特征子集合，且多媒体资源特征子集合包括L个预设多媒体资源的相同维度的特征，不同的多媒体资源特征子集合包括特征的维度不同，且F为大于1的正整数，且F大于或等于N，也就是前述L个预设多媒体资源所包括的所有维度的数量可以与行为数据中多个访问行为所包括的所有维度的数量相同，也可以大于行为数据中多个访问行为所包括的所有维度的数量，具体此处不做限定。基于此，终端设备还可以将目标特征向量以及多媒体资源特征集合作为兴趣度预测模型的输入，通过兴趣度预测模型获取所述目标对象对每个预设多媒体资源的预测兴趣度。

进一步地，公式(6)描述的为多媒体资源特征集合，公式(6)如下：

其中，

示例性地，以多媒体资源特征集合包括3个多媒体资源特征子集合作为示例进行说明，即多媒体资源特征集合包括多媒体资源特征子集合1、多媒体资源特征子集合2以及多媒体资源特征子集合3。且那么多媒体资源特征子集合1、多媒体资源特征子集合2以及多媒体资源特征子集合3所包括特征的维度不同。基于此，多媒体资源特征子集合1包括L个预设多媒体资源的多媒体资源标识的特征，应理解，若L个预设多媒体资源中存在不具有对应多媒体资源标识的预设多媒体资源，那么该预设多媒体资源的多媒体资源标识对应的特征值为“0”。同理可知，多媒体资源特征子集合2包括L个预设多媒体资源的多媒体资源类别的特征，同上可知，若L个预设多媒体资源中存在不具有对应多媒体资源类别的预设多媒体资源，那么该预设多媒体资源的多媒体资源类别对应的特征值为“0”。以及多媒体资源特征子集合3包括L个预设多媒体资源的多媒体资源行业的特征，同上可知，若L个预设多媒体资源中存在不具有对应多媒体资源行业的预设多媒体资源，那么该预设多媒体资源的多媒体资源行业对应的特征值为“0”。应理解，前述示例仅用于理解本方案，而不应理解为本方案的具体限定。

基于此，终端设备具体基于N个第一行为序列、目标对象的用户画像特征以及多媒体资源特征集合，确定第一特征向量。为便于理解，终端设备具体通过公式(7)至公式(10)确定第一特征向量。

公式(7)如下：

/>

其中，

公式(8)如下：

其中，

基于此，对于第一行为序列中一个维度都是用相同的隐藏层进行建模，学习对象对不同维度的行为在第一时间周期内的偏好程度,由此生成第一特征向量。具体地，公式(9)如下：

其中，Z

公式(10)如下：

p

其中，p

以及，终端设备还能够基于M个第二行为序列、目标对象的用户画像特征以及多媒体资源特征集合，确定第二特征向量。为便于理解，终端设备具体通过公式(11)至公式(17)确定第二特征向量，且预设对第二特征向量进行建模的步骤总长为T。

公式(11)如下：

其中，

公式(12)如下：

其中，

公式(13)如下：

其中，

公式(14)如下：

其中，

公式(15)如下：

其中，

基于此，第二行为序列中每个第二访问行为所访问的预设多媒体资源均对应一个最终隐藏层输出，然后再使用一个注意力(attention)层，通过attention层学习到目标对象对不同第二访问行为所访问的预设多媒体资源的偏好程度，具体地，公式(16)如下：

其中，α

基于此，最终所得到的第二特征向量如公式(17)如所示：

其中，s

本实施例中，提供了另一种目标特征向量确定的方法，采用上述方法，通过基于行为序列、目标对象的用户画像特征以及多媒体资源特征集合进行特征建模，所得到的第一特征向量能够准确地表征目标对象对不同维度的行为在第一时间周期内的偏好程度，而第二特性向量能够准确地表征目标对象对在第二时间周期内的所访问的预设多媒体资源的偏好程度，因此进一步地提升后续所得到的目标特征向量能够表征的信息的完整度，从而使得目标特征向量能够更加全面的表征目标对象的特征信息，进一步地后续所得到的兴趣度的准确度较高，由此提升多媒体资源推荐的准确度。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的多媒体资源推荐的方法一个可选实施例中，获取多媒体资源特征集合，具体包括：

获取预设多媒体资源集合，其中，预设多媒体资源集合包括L个预设多媒体资源，且L个预设多媒体资源包括F个维度的特征；

基于F个维度对L个预设多媒体资源进行特征提取，得到每个维度对应的多媒体资源特征子集合；

基于每个维度对应的多媒体资源特征子集合，生成多媒体资源特征集合。

本实施例中，终端设备获取预设多媒体资源集合，该预设多媒体资源集合包括L个预设多媒体资源，且L个预设多媒体资源包括F个维度的特征。具体地，在实际应用中，目标对象通常不仅仅关注预设多媒体资源本身，还需要关注预设多媒体资源对应的不同的维度的多媒体资源属性，例如，预设多媒体资源的类型、预设多媒体资源的行业以及预设多媒体资源的价格等都是目标对象可能关注的不同的维度的多媒体资源属性。

因此，本方案中将使用不同的维度的多媒体资源属性来刻画以及表征预设多媒体资源，如，通过预设多媒体资源的多媒体资源标识、预设多媒体资源的行业，以及基于实际情况划分的预设多媒体资源的一级分类和预设多媒体资源的二级分类等。基于此，终端设备基于每个预设多媒体资源所包括的F个维度对L个预设多媒体资源进行特征提取，得到每个维度对应的多媒体资源特征子集合，即F个维度对应的多媒体资源特征子集合，从而得到不同的维度的多媒体资源属性分别对应的多媒体资源特征子集合，因此每个多媒体资源特征子集合所包括的特征的维度均不同相同，应理解，并非所有预设多媒体资源均包括F个维度的特征，前述F个维度的特征是L个维度共同包括的特征。最后，终端设备对每个维度对应的多媒体资源特征子集合进行拼接处理，以生成多媒体资源特征集合。

示例性地，预设多媒体资源集合包括5个预设多媒体资源作为示例进行说明，即预设多媒体资源集合包括预设多媒体资源1，预设多媒体资源2，预设多媒体资源3，预设多媒体资源4以及预设多媒体资源10。若前述5个预设多媒体资源共同包括5个维度的特征，即预设多媒体资源1至预设多媒体资源5一共包括多媒体资源标识特征、多媒体资源类别特征、多媒体资源行业特征、文本语义特征以及图像特征，且文本语义特征是对预设多媒体资源的文本处理后得到的特征，图像特征是对预设多媒体资源的图像处理后得到的特征。基于此，基于前述5个维度对前述5个预设多媒体资源进行特征提取，得到前述5个维度分别对应的多媒体资源特征子集合，即得到的5个多媒体资源特征子集合包括多媒体资源标识特征子集合、多媒体资源类别特征子集合、多媒体资源行业特征子集合、文本语义特征子集合以及图像特征子集合，由此对前述5个维度分别对应的多媒体资源特征子集进行拼接处理，以生成多媒体资源特征集合，也就是多媒体资源特征集合包括多媒体资源标识特征子集合、多媒体资源类别特征子集合、多媒体资源行业特征子集合、文本语义特征子集合以及图像特征子集合。

本实施例中，提供了一种多媒体资源特征集合生成的方法，采用上述方法，使用不同的维度的多媒体资源属性来刻画以及表征预设多媒体资源，由此得到每个维度对应的多媒体资源特征子集合，并且对每个维度对应的多媒体资源特征子集合进行拼接处理，以生成多媒体资源特征集合，因此所得到的多媒体资源特征集合能够更为准确地反映预设多媒体资源在各个维度的特征信息，由此提升后续模型学习特征信息的全面性，从而提升兴趣度的准确度，以提升多媒体资源推荐的准确度。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的多媒体资源推荐的方法一个可选实施例中，多媒体资源推荐的方法还包括：

获取目标对象的第一行为数据样本集合、第二行为数据样本集合、预设多媒体资源集合以及真实标签集合，其中，第一行为数据样本集合包括多个第一行为数据样本，第二行为数据样本集合包括多个第二行为数据样本，第一行为数据样本集合与第二行为数据样本集合为不同时间周期内的行为数据样本，预设多媒体资源集合包括L个预设多媒体资源，真实标签集合包括目标对象对每个预设多媒体资源对应的真实标签；

基于第一行为数据样本集合以及第二行为数据样本集合，确定第一行为样本序列集合以及第二行为样本序列集合，其中，第一行为样本序列集合包括多个第一行为样本序列，第二行为样本序列集合包括多个第二行为样本序列，且第一行为样本序列包括相同维度的特征，第二行为样本序列包括不同维度的特征；

根据第一行为样本序列集合以及第二行为样本序列集合，确定目标对象对L个预设多媒体资源的目标特征向量；

基于目标对象对L个预设多媒体资源的目标特征向量以及预设多媒体资源集合，通过待训练兴趣度预测模型获取目标对象对每个预设多媒体资源的预测兴趣度；

根据真实标签集合以及目标对象对每个预设多媒体资源的预测兴趣度，对待训练兴趣度预测模型进行训练，以得到兴趣度预测模型。

本实施例中，终端设备在进行多媒体资源推荐之前，需要通过兴趣度预测模型得到本方案中所需的兴趣度预测模型。首先，终端设备能够获取目标对象的第一行为数据样本集合以及第二行为数据样本集合，第一行为数据样本集合包括多个第一行为数据样本，第二行为数据样本集合包括多个第二行为数据样本，第一行为数据样本集合与第二行为数据样本集合为不同时间周期内的行为数据样本，且第一行为数据样本时间周期的时间跨度包括第二行为数据样本时间周期的时间跨度，例如，第一行为数据样本集合可以包括2021年第二季度(4月至6月)的多个行为数据样本，那么第一行为数据样本集合可以包括2021年4月的多个行为数据样本，具体与前述实施例中所介绍的第一行为数据与第二行为数据类似，具体此处不再赘述。

其次，终端设备还能够获取预设多媒体资源集合以及真实标签集合，前述预设多媒体资源集合包括L个预设多媒体资源，具体L个预设多媒体资源前述实施例中所介绍的类似，此次不再赘述。以及真实标签集合包括目标对象对每个预设多媒体资源对应的真实标签，真实标签是通过人工标注的方式所确定，例如，对预设多媒体资源1感兴趣则真实标签为1，对预设多媒体资源1不感兴趣则真实标签为0，由此得到预设多媒体资源1对应的真实标签，对体L个预设多媒体资源均进行前述标签标注，由此得到每个预设多媒体资源对应的真实标签，以生成前述真实标签集合。

进一步地，终端设备基于第一行为数据样本集合以及第二行为数据样本集合，确定第一行为样本序列集合以及第二行为样本序列集合，该第一行为样本序列集合包括多个第一行为样本序列，第二行为样本序列集合包括多个第二行为样本序列，且第一行为样本序列包括相同维度的特征，第二行为样本序列包括不同维度的特征。通过行为数据样本集合得到对应行为样本序列集合的方法与前述实施例类似，此处也不再赘述。

由此，终端设备根据第一行为样本序列集合以及第二行为样本序列集合，确定目标对象对L个预设多媒体资源的目标特征向量。具体地，为了让输入模型的特征能够全面的表征目标对象的基础特征信息，终端设备还能够获取目标对象的基础属性信息，并且采用前述实施例类似的方法对目标对象的基础属性信息进行特征化处理，得到目标对象的用户画像特征，其次，为了让输入模型的特征能更为准确地反映预设多媒体资源在各个维度的特征信息，终端设备还能够通过前述实施例类似的方法基于预设多媒体资源集合获取多媒体资源特征集合。基于此，从而终端设备将多个第一行为样本序列、目标对象的用户画像特征以及多媒体资源特征集合，确定目标对象对L个预设多媒体资源的第一特征向量，并且根据多个第二行为样本序列、目标对象的用户画像特征以及多媒体资源特征集合，确定目标对象对L个预设多媒体资源的第二特征向量。最后，终端设备通过前述实施例类似的方法将第一特征向量、第二特征向量以及目标对象的用户画像特征进行融合处理，得到前述目标特征向量。

进一步地，终端设备基于前述方式基于预设多媒体资源集合获取多媒体资源特征集合，因此能够具体将前述目标特征向量以及多媒体资源特征集合作为待训练兴趣度预测模型的输入，然后通过待训练兴趣度预测模型输出目标对象对每个预设多媒体资源的预测兴趣度，进而根据真实标签集合以及目标对象对每个预设多媒体资源的预测兴趣度，对待训练兴趣度预测模型进行训练，以得到兴趣度预测模型。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的多媒体资源推荐的方法一个可选实施例中，根据真实标签集合以及目标对象对每个预设多媒体资源的预测兴趣度，对待训练兴趣度预测模型进行训练，以得到兴趣度预测模型，具体包括：

基于目标对象对每个预设多媒体资源的预测兴趣度，确定目标对象对每个预设多媒体资源对应的预测标签；

根据真实标签集合以及目标对象对每个预设多媒体资源对应的预测标签，根据目标损失函数更新待训练兴趣度预测模型的模型参数，以得到兴趣度预测模型。

本实施例中，终端设备具体基于目标对象对每个预设多媒体资源的预测兴趣度，确定目标对象对每个预设多媒体资源对应的预测标签，具体地，以每个预设多媒体资源对应的预测标签与预设兴趣度阈值的大小进行判断，大于或等于预设兴趣度阈值为一类预测标签，小于预设兴趣度阈值为另一类预测标签，例如，以预设兴趣度阈值为60％作为示例进行说明，那么目标对象对预设多媒体资源的预测兴趣度为80％(大于60％)，则确定目标对象对该预设多媒体资源对应的预测标签为1，反之，目标对象对预设多媒体资源的预测兴趣度为40％小于60％)，则确定目标对象对该预设多媒体资源对应的预测标签为0。基于此，终端设备据真实标签集合以及目标对象对每个预设多媒体资源对应的预测标签，根据目标损失函数更新待训练兴趣度预测模型的模型参数，以得到兴趣度预测模型。

具体地，将目标对象对每个预设多媒体资源对应的真实标签作为目标进行迭代训练，即根据目标对象对每个预设多媒体资源对应的真实标签以及目标对象对每个预设多媒体资源对应的预测标签之间的差异确定目标损失函数的损失值，根据目标损失函数的损失值判断损失函数是否达到收敛条件，若未达到收敛条件，则利用目标损失函数的损失值更新待训练兴趣度预测模型的模型参数，直至目标损失函数达到收敛条件，则将目标损失函数的该次的损失值确定为待训练兴趣度预测模型的模型参数，从而得到兴趣度预测模型。

为了理解前述训练过程，图5为本申请实施例提供的对待训练兴趣度预测模型进行训练的一个流程示意图，如图5所示，终端设备先获取目标对象的第一行为数据样本集合C1、第二行为数据样本集合C2、预设多媒体资源集合C3以及真实标签集合C4。然后基于第一行为数据样本集合C1确定第一行为样本序列集合C5，以及基于第二行为数据样本集合C2确定第二行为样本序列集合C6，再根据第一行为样本序列集合C5以及第二行为样本序列集合C6，确定目标对象对L个预设多媒体资源的目标特征向量C7，并且将目标对象对L个预设多媒体资源的目标特征向量C7以及预设多媒体资源集合C3作为待训练兴趣度预测模型C8的输入，再通过待训练兴趣度预测模型C8输出目标对象对每个预设多媒体资源的预测兴趣度C9，进而基于目标对象对每个预设多媒体资源的预测兴趣度C9，确定目标对象对每个预设多媒体资源对应的预测标签C10。由此，根据真实标签集合C4以及目标对象对每个预设多媒体资源对应的预测标签C10，根据目标损失函数更新待训练兴趣度预测模型C8的模型参数，也就是基于目标对象对每个预设多媒体资源对应的预测标签C10、真实标签集合C4以及目标损失函数，对待训练兴趣度预测模型C8进行迭代训练，直至更新后的模型参数使得目标损失函数达到收敛条件，从而生成兴趣度预测模型。应当理解，图5中的示例仅为方便理解本方案，而不用于限定本方案。

进一步地，本方案中目标损失函数如公式(18)，公式(18)如下：

其中，L

应理解，前述目标损失函数的收敛条件可以为目标损失函数的值小于或等于第一预设阈值，作为示例，例如第一预设阈值的取值可以为0.005、0.01、0.02或其它趋近于0的数值；也可以为目标损失函数的相邻两次的值的差值小于或等于第二预设阈值，第二阈值的取值可以与第一阈值的取值相同或不同，作为示例，例如第二预设阈值的取值可以为0.005、0.01、0.02或其它趋近于0的数值等，终端设备还可以采用其它收敛条件等，此处不做限定。

本实施例中，提供了一种兴趣度预测模型训练的方法，采用上述方法，基于目标特征向量、多媒体资源特征集合以及真实标签集合训练得到兴趣度预测模型，由于目标特征向量能够准确地表征目标对象在不同时间周期内各个维度下的特征，而多媒体资源特征集合能够更为准确地反映预设多媒体资源在各个维度的特征信息，使得兴趣度预测模型在训练过程中通过多次迭代学习到更为全面以及准确地关于对象对预设多媒体资源的各类信息，因此所得到的兴趣度预测模型可靠性较高，以保证后续输出的兴趣度更符合目标对象的实际行为数据，由此提升多媒体资源推荐的准确度。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的多媒体资源推荐的方法一个可选实施例中，对目标对象对每个预设多媒体资源的预测兴趣度进行顺序排列，并基于顺序排列结果确定推荐给目标对象的目标多媒体资源，具体包括：

使用最大堆排序法，对目标对象对每个预设多媒体资源的预测兴趣度进行顺序排列；

确定顺序排列结果为每个预设多媒体资源的预测兴趣度从高到底排序；

基于顺序排列结果从高到低依次提取目标兴趣度；

将目标兴趣度对应的预设多媒体资源确定为目标多媒体资源。

本实施例中，终端设备使用最大堆排序法，对目标对象对每个预设多媒体资源的预测兴趣度进行顺序排列，并且确定顺序排列结果为每个预设多媒体资源的预测兴趣度从高到底排序。例如，预设多媒体资源集合中包括预设多媒体资源1，预设多媒体资源2，预设多媒体资源3，预设多媒体资源4以及预设多媒体资源5，且兴趣度预测模型所输出的目标对象对预设多媒体资源1的预测兴趣度为75％，目标对象对预设多媒体资源2的预测兴趣度为20％，目标对象对预设多媒体资源3的预测兴趣度为60％，目标对象对预设多媒体资源4的预测兴趣度为45％，以及目标对象对预设多媒体资源5的预测兴趣度为90％。基于此，所得到的顺序排列结果为预设多媒体资源5的预测兴趣度，预设多媒体资源1的预测兴趣度，预设多媒体资源3的预测兴趣度，预设多媒体资源4的预测兴趣度至预设多媒体资源2的预测兴趣度。

进一步地，终端设备基于顺序排列结果从高到低依次提取目标兴趣度，并且将目标兴趣度对应的预设多媒体资源确定为目标多媒体资源，前述目标兴趣度可以包括1个或多个预设多媒体资源的预测兴趣度，此时不做限定。例如，基于前述示例进行进一步地的介绍，由于顺序排列结果为预设多媒体资源5的预测兴趣度，预设多媒体资源1的预测兴趣度，预设多媒体资源3的预测兴趣度，预设多媒体资源4的预测兴趣度至预设多媒体资源2的预测兴趣度，若基于场景以及应用需求仅需要推荐1件多媒体资源，那么终端设备可以将预设多媒体资源5的预测兴趣度确定为目标兴趣度，也就是可以确定预设多媒体资源5为目标多媒体资源。同理，若基于场景以及应用需求需要推荐3件多媒体资源，那么终端设备可以将预设多媒体资源5的预测兴趣度，预设多媒体资源1的预测兴趣度以及预设多媒体资源3的预测兴趣度确定为目标兴趣度，也就是可以确定预设多媒体资源5、预设多媒体资源1以及预设多媒体资源3为目标多媒体资源。应理解，前述示例仅用于理解本方案，而不应理解为本方案的具体限定。

本实施例中，提供了另一种多媒体资源推荐的方法，采用上述方法，通过多个预设多媒体资源的兴趣度从高到低排序，基于需求从高到低提取所需数量的目标兴趣度，从而基于目标兴趣度确定目标多媒体资源，使得所进行的多媒体资源推荐更符合对象对预设多媒体资源的兴趣度，从而保证多媒体资源推荐的可靠性。

图6为本申请实施例提供的一种多媒体资源推荐装置的结构示意图，如图6所示，该多媒体资源推荐装置600包括：

获取模块601，用于获取目标对象在第一时间周期内的第一行为数据，以及在第二时间周期内的第二行为数据，其中，第一时间周期的长度大于第二时间周期的长度，且第一时间周期包括第二时间周期；

获取模块601，还用于根据第一行为数据以及第二行为数据，得到N个第一行为序列以及M个第二行为序列，其中，第一行为序列包括在第一时间周期内相同维度的特征，第二行为序列包括在第二时间周期内不同维度的特征，M与N均为大于1的正整数；

确定模块602，用于根据N个第一行为序列以及M个第二行为序列，确定目标对象对L个预设多媒体资源的目标特征向量，其中，L为大于1的正整数；

获取模块601，还用于基于目标对象对L个预设多媒体资源的目标特征向量，通过兴趣度预测模型获取目标对象对每个预设多媒体资源的预测兴趣度；

确定模块602，还用于对目标对象对每个预设多媒体资源的预测兴趣度进行顺序排列，并基于顺序排列结果从L个预设多媒体资源中确定推荐给目标对象的目标多媒体资源，其中，目标多媒体资源包括至少一个预设多媒体资源。

可选地，在上述图6所对应的实施例的基础上，本申请实施例提供的多媒体资源推荐装置600的另一实施例中，获取模块601，具体用于根据第一行为数据得到N个第一行为序列；

根据第二行为数据得到M个第二行为序列。

可选地，在上述图6所对应的实施例的基础上，本申请实施例提供的多媒体资源推荐装置600的另一实施例中，获取模块601，具体用于对第一行为数据进行信息提取处理，得到在第一时间周期内的N个维度分别对应的第一访问行为，其中，第一访问行为是目标对象访问预设多媒体资源时生成的；

基于在第一时间周期内N个维度分别对应的第一访问行为，生成N个第一行为序列。

可选地，在上述图6所对应的实施例的基础上，本申请实施例提供的多媒体资源推荐装置600的另一实施例中，获取模块601，具体用于对第二行为数据进行信息提取处理，得到在第二时间周期内的M个第二访问行为，其中，第二访问行为是目标对象访问预设多媒体资源时生成的；

基于在第二时间周期内的M个第二访问行为，生成M个第二行为序列。

可选地，在上述图6所对应的实施例的基础上，本申请实施例提供的多媒体资源推荐装置600的另一实施例中，确定模块602，具体用于根据N个第一行为序列确定目标对象对L个预设多媒体资源的第一特征向量；

根据M个第二行为序列确定目标对象对L个预设多媒体资源的第二特征向量；

将第一特征向量以及第二特征向量进行融合处理，得到目标特征向量。

可选地，在上述图6所对应的实施例的基础上，本申请实施例提供的多媒体资源推荐装置600的另一实施例中，多媒体资源推荐装置600还包括处理模块603；

获取模块601，还用于获取目标对象的基础属性信息；

处理模块603，用于对目标对象的基础属性信息进行特征化处理，得到目标对象的用户画像特征；

确定模块602，具体用于根据N个第一行为序列以及目标对象的用户画像特征，确定第一特征向量；

确定模块602，具体用于根据N个第一行为序列以及目标对象的用户画像特征，确定第一特征向量；

确定模块602，具体用于将第一特征向量、第二特征向量以及目标对象的用户画像特征进行融合处理，得到目标特征向量。

可选地，在上述图6所对应的实施例的基础上，本申请实施例提供的多媒体资源推荐装置600的另一实施例中，获取模块601，还用于获取多媒体资源特征集合，其中，多媒体资源特征集合包括F个多媒体资源特征子集合，多媒体资源特征子集合包括L个预设多媒体资源的相同维度的特征，且不同的多媒体资源特征子集合包括特征的维度不同，F为大于1的正整数，且F大于或等于N；

确定模块602，具体用于基于N个第一行为序列、目标对象的用户画像特征以及多媒体资源特征集合，确定第一特征向量；

确定模块602，具体用于基于M个第二行为序列、目标对象的用户画像特征以及多媒体资源特征集合，确定第二特征向量；

获取模块601，具体用于基于目标特征向量以及多媒体资源特征集合，通过兴趣度预测模型获取目标对象对每个预设多媒体资源的预测兴趣度。

可选地，在上述图6所对应的实施例的基础上，本申请实施例提供的多媒体资源推荐装置600的另一实施例中，获取模块601，具体用于获取预设多媒体资源集合，其中，预设多媒体资源集合包括L个预设多媒体资源，且L个预设多媒体资源包括F个维度的特征；

基于F个维度对L个预设多媒体资源进行特征提取，得到每个维度对应的多媒体资源特征子集合；

基于每个维度对应的多媒体资源特征子集合，生成多媒体资源特征集合。

可选地，在上述图6所对应的实施例的基础上，本申请实施例提供的多媒体资源推荐装置600的另一实施例中，多媒体资源推荐装置600还包括训练模块604；

获取模块601，还用于获取目标对象的第一行为数据样本集合、第二行为数据样本集合、预设多媒体资源集合以及真实标签集合，其中，第一行为数据样本集合包括多个第一行为数据样本，第二行为数据样本集合包括多个第二行为数据样本，第一行为数据样本集合与第二行为数据样本集合为不同时间周期内的行为数据样本，预设多媒体资源集合包括L个预设多媒体资源，真实标签集合包括目标对象对每个预设多媒体资源对应的真实标签；

确定模块602，还用于基于第一行为数据样本集合以及第二行为数据样本集合，确定第一行为样本序列集合以及第二行为样本序列集合，其中，第一行为样本序列集合包括多个第一行为样本序列，第二行为样本序列集合包括多个第二行为样本序列，且第一行为样本序列包括相同维度的特征，第二行为样本序列包括不同维度的特征；

确定模块602，还用于根据第一行为样本序列集合以及第二行为样本序列集合，确定目标对象对L个预设多媒体资源的目标特征向量；

获取模块601，还用于基于目标对象对L个预设多媒体资源的目标特征向量以及预设多媒体资源集合，通过待训练兴趣度预测模型获取目标对象对每个预设多媒体资源的预测兴趣度；

训练模块604，用于根据真实标签集合以及目标对象对每个预设多媒体资源的预测兴趣度，对待训练兴趣度预测模型进行训练，以得到兴趣度预测模型。

可选地，在上述图6所对应的实施例的基础上，本申请实施例提供的多媒体资源推荐装置600的另一实施例中，训练模块604，具体用于基于目标对象对每个预设多媒体资源的预测兴趣度，确定目标对象对每个预设多媒体资源对应的预测标签；

根据真实标签集合以及目标对象对每个预设多媒体资源对应的预测标签，根据目标损失函数更新待训练兴趣度预测模型的模型参数，以得到兴趣度预测模型。

可选地，在上述图6所对应的实施例的基础上，本申请实施例提供的多媒体资源推荐装置600的另一实施例中，确定模块602，具体用于使用最大堆排序法，对目标对象对每个预设多媒体资源的预测兴趣度进行顺序排列；

确定顺序排列结果为每个预设多媒体资源的预测兴趣度从高到底排序；

基于顺序排列结果从高到低依次提取目标兴趣度；

将目标兴趣度对应的预设多媒体资源确定为目标多媒体资源。

本申请实施例还提供了另一种多媒体资源推荐装置，多媒体资源推荐装置都部署于终端设备，如图7所示，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。以终端设备为手机为例进行说明：

图7示出的是与本申请实施例提供的终端相关的手机的部分结构的框图。参考图7，手机包括：射频(Radio Frequency，RF)电路1110、存储器1120、输入单元1130、显示单元1140、传感器1150、音频电路1160、无线保真(wireless fidelity，WiFi)模块1170、处理器1180、以及电源1190等部件。本领域技术人员可以理解，图7中示出的手机结构并不构成对手机的限定，可以包括比图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。

下面结合图7对手机的各个构成部件进行具体的介绍：

RF电路1110可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器1180处理；另外，将设计上行的数据发送给基站。通常，RF电路1110包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier，LNA)、双工器等。此外，RF电路1110还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication，GSM)、通用分组无线服务(General Packet RadioService，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等。

存储器1120可用于存储软件程序以及模块，处理器1180通过运行存储在存储器1120的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器1120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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1120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。

输入单元1130可用于接收输入的数字或字符信息，以及产生与手机的对象设置以及功能控制有关的键信号输入。具体地，输入单元1130可包括触控面板1131以及其他输入设备1132。触控面板1131，也称为触摸屏，可收集对象在其上或附近的触摸操作(比如对象使用手指、触笔等任何适合的物体或附件在触控面板1131上或在触控面板1131附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板1131可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测对象的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器1180，并能接收处理器1180发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1131。除了触控面板1131，输入单元1130还可以包括其他输入设备1132。具体地，其他输入设备1132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元1140可用于显示由对象输入的信息或提供给对象的信息以及手机的各种菜单。显示单元1140可包括显示面板1141，可选的，可以采用液晶显示器(LiquidCrystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode，OLED)等形式来配置显示面板1141。进一步的，触控面板1131可覆盖显示面板1141，当触控面板1131检测到在其上或附近的触摸操作后，传送给处理器1180以确定触摸事件的类型，随后处理器1180根据触摸事件的类型在显示面板1141上提供相应的视觉输出。虽然在图7中，触控面板1131与显示面板1141是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板1131与显示面板1141集成而实现手机的输入和输出功能。

手机还可包括至少一种传感器1150，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1141的亮度，接近传感器可在手机移动到耳边时，关闭显示面板1141和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，此处不做赘述。

音频电路1160、扬声器1161，传声器1162可提供对象与手机之间的音频接口。音频电路1160可将接收到的音频数据转换后的电信号，传输到扬声器1161，由扬声器1161转换为声音信号输出；另一方面，传声器1162将收集的声音信号转换为电信号，由音频电路1160接收后转换为音频数据，再将音频数据输出处理器1180处理后，经RF电路1110以发送给比如另一手机，或者将音频数据输出至存储器1120以便进一步处理。

WiFi属于短距离无线传输技术，手机通过WiFi模块1170可以帮助对象收发电子邮件、浏览网页和访问流式媒体等，它为对象提供了无线的宽带互联网访问。虽然图7示出了WiFi模块1170，但是可以理解的是，其并不属于手机的必须构成。

处理器1180是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器1120内的软件程序和/或模块，以及调用存储在存储器1120内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器1180可包括一个或多个处理单元；优选的，处理器1180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、对象界面和应用程序等，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1180中。

手机还包括给各个部件供电的电源1190(比如电池)，优选的，电源可以通过电源管理系统与处理器1180逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管未示出，手机还可以包括摄像头、蓝牙模块等，此处不做赘述。

在本申请实施例中，该终端所包括的处理器1180用于执行如图3所示实施例以及图3对应的各个实施例。

本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行如前述图3所示实施例描述的方法中终端设备所执行的步骤。

本申请实施例中还提供一种包括程序的计算机程序产品，当其在计算机上运行时，使得计算机执行如前述图3所示实施例描述的方法中终端设备所执行的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如至少两个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到至少两个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。