资源推送方法、装置、计算机设备及介质与流程

1.本公开涉及互联网技术领域，尤其涉及一种资源推送方法、装置、计算机设备及介质。


背景技术：

2.随着互联网技术的飞速发展和网络用户规模的逐渐扩大，互联网类型的多媒体资源已经渗透到人们生活的方方面面，同时，多媒体资源的推送方法也随之迅速发展。通常地，在向网络用户推送多媒体资源时，网络用户针对其他多媒体资源所发生过的多种类型的交互行为，如点击行为、点赞行为、收藏行为等正向交互行为，屏蔽行为、跳过行为等负向交互行为以及针对其他多媒体资源的观看时长等，均会影响到多媒体资源的推送结果。因此，多媒体资源的推送问题是一个多目标(也即是多行为维度)优化问题，优化目的是在确保多媒体资源的观看时长的基础上，尽可能的提升用户的正向交互行为。
3.目前，在面对上述多目标优化问题时，需要平衡各个行为维度之间的关系，通常是由业务人员根据历史经验，为各个行为维度设定一个权重系数，进而基于各个行为维度的推送子参数以及各个行为维度对应的权重系数，来确定多媒体资源的推送参数，再基于多媒体资源的推送参数来向网络用户推送多媒体资源。
4.然而，上述过程中依赖于人为确定，降低了资源推送的效率和准确度。


技术实现要素：

5.本公开提供一种资源推送方法、装置、计算机设备及介质，在提升确定权重系数的效率的同时，还提升了确定权重系数的准确度，从而提升了资源推送的效率和准确度。本公开的技术方案如下：
6.根据本公开实施例的第一方面，提供一种资源推送方法，该方法包括：
7.获取目标对象的候选资源在至少两个行为维度上的行为预测参数，该行为预测参数表示该目标对象在该行为维度上与该候选资源发生交互行为的预测情况；
8.基于该目标对象在该行为维度上的第一参数和第二参数，确定该行为维度对应的权重系数，该第一参数表示该目标对象在该行为维度上相对于对象群体的差异，该第二参数表示该目标对象的多个该候选资源在该行为维度上的分布情况；
9.基于该候选资源在该至少两个行为维度上的行为预测参数与该至少两个行为维度对应的权重系数，确定该候选资源的推送参数，该推送参数用于确定为该目标对象推送资源时该候选资源的推送次序。
10.在一些实施例中，该第一参数的获取过程包括：
11.获取该目标对象在该行为维度上的第一平均值以及该对象群体在该行为维度上的第二平均值，该第一平均值为该目标对象的候选资源在该行为维度上的行为预测参数的平均值，该第二平均值为该对象群体所包括的多个对象的候选资源在该行为维度上的行为预测参数的平均值；
12.基于该第一平均值与该第二平均值，确定该第一参数，其中，该第一参数与该第一平均值成正相关，该第一参数与该第二平均值成负相关。
13.在一些实施例中，该第二参数的获取过程包括：
14.获取该目标对象的多个该候选资源在该行为维度上的行为预测参数的离散度，将该离散度确定为该第二参数。
15.在一些实施例中，基于该目标对象在该行为维度上的第一参数和第二参数，确定该行为维度对应的权重系数包括：
16.基于该目标对象在该行为维度上的第一参数和第二参数，确定该目标对象在该行为维度上的第三参数，其中，该第三参数与该第一参数成正相关，该第三参数与该第二参数成正相关；
17.基于该行为维度对应的初始权重系数以及该第三参数，确定该行为维度对应的权重系数，其中，该权重系数与该初始权重系数成正相关，该权重系数与该第三参数成正相关。
18.在一些实施例中，基于该目标对象在该行为维度上的第一参数和第二参数，确定该目标对象在该行为维度上的第三参数包括：
19.基于该目标对象在该行为维度上的第二参数，确定该目标对象在该行为维度上的第四参数，该第四参数与该第二参数成负相关；
20.基于该目标对象在该行为维度上的第一参数和第四参数，确定该第三参数，该第三参数与该第四参数成负相关。
21.在一些实施例中，获取目标对象的候选资源在至少两个行为维度上的行为预测参数包括：
22.基于该目标对象的对象特征信息与该候选资源的内容特征信息，确定该候选资源在该至少两个行为维度上的行为预测参数。
23.在一些实施例中，基于该目标对象的对象特征信息与该候选资源的内容特征信息，确定该候选资源在该至少两个行为维度上的行为预测参数包括：
24.将该目标对象的对象特征信息与该候选资源的内容特征信息输入该行为维度对应的行为预测模型，通过该行为预测模型对该候选资源在该行为维度上的行为预测参数进行预测，得到该候选资源在该行为维度上的行为预测参数，该行为预测模型基于样本对象的对象特征信息、该样本对象的候选资源的内容特征信息以及该样本对象的候选资源在该行为维度上的行为参数标签训练得到。
25.在一些实施例中，基于该候选资源在该至少两个行为维度上的行为预测参数与该至少两个行为维度对应的权重系数，确定该候选资源的推送参数包括：
26.在该至少两个行为维度上，分别按照该候选资源在该至少两个行为维度上的行为预测参数进行排序；
27.基于该候选资源在该至少两个行为维度上的排列次序，分别确定该候选资源在该至少两个行为维度上的推送子参数，该推送子参数与该排列次序成负相关；
28.基于该候选资源在该至少两个行为维度上的推送子参数与该至少两个行为维度对应的权重系数，确定该候选资源的推送参数。
29.在一些实施例中，在该至少两个行为维度上，分别按照该候选资源在该至少两个
行为维度上的行为预测参数进行排序包括：
30.分别在该至少两个行为维度对应的队列中，按照该候选资源在该至少两个行为维度上的行为预测参数进行排序。
31.在一些实施例中，基于该候选资源在该至少两个行为维度上的推送子参数与该至少两个行为维度对应的权重系数，确定该候选资源的推送参数包括：
32.基于该候选资源在该至少两个行为维度上的推送子参数与该至少两个行为维度对应的权重系数，进行加权求和，得到该候选资源的推送参数。
33.根据本公开实施例的第二方面，提供一种资源推送装置，该装置包括：
34.获取单元，被配置为执行获取目标对象的候选资源在至少两个行为维度上的行为预测参数，该行为预测参数表示该目标对象在该行为维度上与该候选资源发生交互行为的预测情况；
35.权重系数确定单元，被配置为执行基于该目标对象在该行为维度上的第一参数和第二参数，确定该行为维度对应的权重系数，该第一参数表示该目标对象在该行为维度上相对于对象群体的差异，该第二参数表示该目标对象的多个该候选资源在该行为维度上的分布情况；
36.推送参数确定单元，被配置为执行基于该候选资源在该至少两个行为维度上的行为预测参数与该至少两个行为维度对应的权重系数，确定该候选资源的推送参数，该推送参数用于确定为该目标对象推送资源时该候选资源的推送次序。
37.在一些实施例中，该权重系数确定单元，包括：
38.第一获取子单元，被配置为执行获取该目标对象在该行为维度上的第一平均值以及该对象群体在该行为维度上的第二平均值，该第一平均值为该目标对象的候选资源在该行为维度上的行为预测参数的平均值，该第二平均值为该对象群体所包括的多个对象的候选资源在该行为维度上的行为预测参数的平均值；
39.确定子单元，被配置为执行基于该第一平均值与该第二平均值，确定该第一参数，其中，该第一参数与该第一平均值成正相关，该第一参数与该第二平均值成负相关。
40.在一些实施例中，该权重系数确定单元，包括：
41.第二获取子单元，被配置为执行获取该目标对象的多个该候选资源在该行为维度上的行为预测参数的离散度，将该离散度确定为该第二参数。
42.在一些实施例中，该权重系数确定单元，包括：
43.第三参数确定子单元，被配置为执行基于该目标对象在该行为维度上的第一参数和第二参数，确定该目标对象在该行为维度上的第三参数，其中，该第三参数与该第一参数成正相关，该第三参数与该第二参数成正相关；
44.权重系数确定子单元，被配置为执行基于该行为维度对应的初始权重系数以及该第三参数，确定该行为维度对应的权重系数，其中，该权重系数与该初始权重系数成正相关，该权重系数与该第三参数成正相关。
45.在一些实施例中，该第三参数确定子单元，被配置为执行：
46.基于该目标对象在该行为维度上的第二参数，确定该目标对象在该行为维度上的第四参数，该第四参数与该第二参数成负相关；
47.基于该目标对象在该行为维度上的第一参数和第四参数，确定该第三参数，该第
三参数与该第四参数成负相关。
48.在一些实施例中，该获取单元，被配置为执行：
49.基于该目标对象的对象特征信息与该候选资源的内容特征信息，确定该候选资源在该至少两个行为维度上的行为预测参数。
50.在一些实施例中，该获取单元，被配置为执行：
51.将该目标对象的对象特征信息与该候选资源的内容特征信息输入该行为维度对应的行为预测模型，通过该行为预测模型对该候选资源在该行为维度上的行为预测参数进行预测，得到该候选资源在该行为维度上的行为预测参数，该行为预测模型基于样本对象的对象特征信息、该样本对象的候选资源的内容特征信息以及该样本对象的候选资源在该行为维度上的行为参数标签训练得到。
52.在一些实施例中，该推送参数确定单元，包括：
53.排序子单元，被配置为执行在该至少两个行为维度上，分别按照该候选资源在该至少两个行为维度上的行为预测参数进行排序；
54.确定子单元，被配置为执行基于该候选资源在该至少两个行为维度上的排列次序，分别确定该候选资源在该至少两个行为维度上的推送子参数，该推送子参数与该排列次序成负相关；
55.确定子单元，还被配置为执行基于该候选资源在该至少两个行为维度上的推送子参数与该至少两个行为维度对应的权重系数，确定该候选资源的推送参数。
56.在一些实施例中，该排序子单元，被配置为执行：
57.分别在该至少两个行为维度对应的队列中，按照该候选资源在该至少两个行为维度上的行为预测参数进行排序。
58.在一些实施例中，该确定子单元，还被配置为执行：
59.基于该候选资源在该至少两个行为维度上的推送子参数与该至少两个行为维度对应的权重系数，进行加权求和，得到该候选资源的推送参数。
60.根据本公开实施例的第三方面，提供一种计算机设备，该计算机设备包括：
61.一个或多个处理器；
62.用于存储该处理器可执行程序代码的存储器；
63.其中，该处理器被配置为执行该程序代码，以实现上述的资源推送方法。
64.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，该计算机可读存储介质包括：当该计算机可读存储介质中的程序代码由计算机设备的处理器执行时，使得计算机设备能够执行上述的资源推送方法。
65.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，该计算机程序被处理器执行时实现上述的资源推送方法。
66.本公开实施例所提供的技术方案，在为目标对象推送资源时，基于目标对象在各个行为维度上的第一参数和第二参数，来确定各个行为维度对应的权重系数，如此，在确定各个行为维度对应的权重系数时，不仅参考了目标对象在各个行为维度上相对于对象群体的差异，还参考了目标对象的多个候选资源在各个行为维度上的分布情况，使所确定出的权重系数，不仅能够体现目标对象在各个行为维度上的倾向程度，还能够体现候选资源在各个行为维度上的分布特点，如此，针对不同的对象，均会参考各个对象在不同的行为维度
上的第一参数和第二参数，来确定各个对象在不同的行为维度上的权重系数，使得针对不同的对象能够确定出不同的权重系数，以确定出能够体现各个对象的对象特征和资源特征的个性化的权重系数，在提升确定权重系数的效率的同时，还提升了确定权重系数的准确度，进而基于目标对象的候选资源在各个行为维度上的行为预测参数以及各个行为维度对应的权重系数，确定候选资源的推送参数，再基于该推送参数来进行资源推送，从而提升了资源推送的效率和准确度。
67.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
68.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。
69.图1是根据一示例性实施例示出的一种资源推送方法的实施环境示意图；
70.图2是根据一示例性实施例示出的一种资源推送方法的流程图；
71.图3是根据一示例性实施例示出的一种资源推送方法的流程图；
72.图4是根据一示例性实施例示出的一种资源推送方法的流程图；
73.图5是根据一示例性实施例示出的一种资源推送装置的框图；
74.图6是根据一示例性实施例示出的一种终端的框图；
75.图7是根据一示例性实施例示出的一种服务器的框图。
具体实施方式
76.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。
77.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。
78.本公开所涉及的数据或信息可以为经用户授权或者经过各方充分授权的数据或信息。
79.首先，针对本公开实施例涉及的应用场景进行描述：
80.本公开实施例所提供的资源推送方法，可应用在多媒体资源的推送场景中，如短视频的推送场景。在一些实施例中，在面对推送场景中的多目标(也即是多行为维度)优化问题时，可采用本公开实施例所提供的资源推送方法，以平衡各个行为维度之间的关系，如平衡多媒体资源的观看时长与正向交互行为之间的关系。
81.需要说明的是，多媒体资源的推送过程，通常需要经过召回、粗排、精排三个阶段。在一些实施例中，本公开实施例所提供的资源推送方法，应用在资源推送的精排阶段。
82.其中，召回阶段是推送的第一阶段，具体是根据用户特征和资源特征，从海量的多
媒体资源库中，快速找回一部分用户潜在感兴趣的多媒体资源，将这部分多媒体资源添加至召回队列中。粗排阶段是推送的第二阶段，具体是按照一些粗排的排序指标(如点击率)，对召回队列内的多媒体资源进行排序，以筛选出排序靠前的多媒体资源，并将所筛选出的多媒体资源添加至粗排队列中，以减少所召回的资源数目，从而减轻精排阶段的排序压力。精排阶段是推送的第三阶段，具体是按照一些精排的排序指标(如千次展示收益)，对粗排队列中的多媒体资源进行进一步排序得到精排队列，以筛选出排序最靠前的多媒体资源进行推送。
83.图1是本公开实施例提供的一种资源推送方法的实施环境示意图，参见图1，该实施环境包括：服务器101。
84.服务器101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文件系统，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(content delivery network，内容分发网络)、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。
85.在一些实施例中，服务器101提供有为用户推送多媒体资源的功能。本公开实施例中，服务器101用于获取目标对象的候选资源在至少两个行为维度上的行为预测参数，基于该目标对象在该行为维度上的第一参数和第二参数，确定该行为维度对应的权重系数，基于该候选资源在该至少两个行为维度上的行为预测参数与该至少两个行为维度对应的权重系数，确定该候选资源的推送参数。本公开实施例后续采用目标对象来指代待推送多媒体资源的用户。
86.在一些实施例中，上述服务器101的数量可以更多或更少，本公开实施例对此不加以限定。当然，服务器101还可以包括其他功能服务器，以便提供更全面且多样化的服务。
87.在一些实施例中，该实施环境还包括：终端102。在一些实施例中，服务器101与终端102通过有线或无线通信方式进行直接或间接的连接，本公开实施例对此不作限定。
88.终端102可以为智能手机、智能手表、台式电脑、手提电脑、虚拟现实终端、增强现实终端、无线终端和膝上型便携计算机等设备中的至少一种。终端102具有通信功能，可以接入有线网络或无线网络。终端102可以泛指多个终端中的一个，本实施例仅以终端102来举例说明。本领域技术人员可以知晓，上述终端的数量可以更多或更少。
89.在一些实施例中，终端102运行有具备多媒体资源播放功能的应用程序，如社交应用程序、直播应用程序、短视频应用程序等等。在一些实施例中，服务器101为终端102所运行的应用程序提供后台服务。本公开实施例中，终端102用于响应于目标对象所触发的资源推送请求，向服务器101发送该资源推送请求，以触发服务器101为该目标对象推送多媒体资源。
90.图2是根据一示例性实施例示出的一种资源推送方法的流程图，如图2所示，该方法由服务器执行，包括以下步骤：
91.在步骤201中，服务器获取目标对象的候选资源在至少两个行为维度上的行为预测参数，该行为预测参数表示该目标对象在该行为维度上与该候选资源发生交互行为的预测情况。
92.在步骤202中，服务器基于该目标对象在该行为维度上的第一参数和第二参数，确定该行为维度对应的权重系数，该第一参数表示该目标对象在该行为维度上相对于对象群
体的差异，该第二参数表示该目标对象的多个该候选资源在该行为维度上的分布情况。
93.在步骤203中，服务器基于该候选资源在该至少两个行为维度上的行为预测参数与该至少两个行为维度对应的权重系数，确定该候选资源的推送参数，该推送参数用于确定为该目标对象推送资源时该候选资源的推送次序。
94.本公开实施例提供的技术方案，在为目标对象推送资源时，基于目标对象在各个行为维度上的第一参数和第二参数，来确定各个行为维度对应的权重系数，如此，在确定各个行为维度对应的权重系数时，不仅参考了目标对象在各个行为维度上相对于对象群体的差异，还参考了目标对象的多个候选资源在各个行为维度上的分布情况，使所确定出的权重系数，不仅能够体现目标对象在各个行为维度上的倾向程度，还能够体现候选资源在各个行为维度上的分布特点，如此，针对不同的对象，均会参考各个对象在不同的行为维度上的第一参数和第二参数，来确定各个对象在不同的行为维度上的权重系数，使得针对不同的对象能够确定出不同的权重系数，以确定出能够体现各个对象的对象特征和资源特征的个性化的权重系数，在提升确定权重系数的效率的同时，还提升了确定权重系数的准确度，进而基于目标对象的候选资源在各个行为维度上的行为预测参数以及各个行为维度对应的权重系数，确定候选资源的推送参数，再基于该推送参数来进行资源推送，从而提升了资源推送的效率和准确度。
95.在一些实施例中，该第一参数的获取过程包括：
96.获取该目标对象在该行为维度上的第一平均值以及该对象群体在该行为维度上的第二平均值，该第一平均值为该目标对象的候选资源在该行为维度上的行为预测参数的平均值，该第二平均值为该对象群体所包括的多个对象的候选资源在该行为维度上的行为预测参数的平均值；
97.基于该第一平均值与该第二平均值，确定该第一参数，其中，该第一参数与该第一平均值成正相关，该第一参数与该第二平均值成负相关。
98.在一些实施例中，该第二参数的获取过程包括：
99.获取该目标对象的多个该候选资源在该行为维度上的行为预测参数的离散度，将该离散度确定为该第二参数。
100.在一些实施例中，基于该目标对象在该行为维度上的第一参数和第二参数，确定该行为维度对应的权重系数包括：
101.基于该目标对象在该行为维度上的第一参数和第二参数，确定该目标对象在该行为维度上的第三参数，其中，该第三参数与该第一参数成正相关，该第三参数与该第二参数成正相关；
102.基于该行为维度对应的初始权重系数以及该第三参数，确定该行为维度对应的权重系数，其中，该权重系数与该初始权重系数成正相关，该权重系数与该第三参数成正相关。
103.在一些实施例中，基于该目标对象在该行为维度上的第一参数和第二参数，确定该目标对象在该行为维度上的第三参数包括：
104.基于该目标对象在该行为维度上的第二参数，确定该目标对象在该行为维度上的第四参数，该第四参数与该第二参数成负相关；
105.基于该目标对象在该行为维度上的第一参数和第四参数，确定该第三参数，该第
三参数与该第四参数成负相关。
106.在一些实施例中，获取目标对象的候选资源在至少两个行为维度上的行为预测参数包括：
107.基于该目标对象的对象特征信息与该候选资源的内容特征信息，确定该候选资源在该至少两个行为维度上的行为预测参数。
108.在一些实施例中，基于该目标对象的对象特征信息与该候选资源的内容特征信息，确定该候选资源在该至少两个行为维度上的行为预测参数包括：
109.将该目标对象的对象特征信息与该候选资源的内容特征信息输入该行为维度对应的行为预测模型，通过该行为预测模型对该候选资源在该行为维度上的行为预测参数进行预测，得到该候选资源在该行为维度上的行为预测参数，该行为预测模型基于样本对象的对象特征信息、该样本对象的候选资源的内容特征信息以及该样本对象的候选资源在该行为维度上的行为参数标签训练得到。
110.在一些实施例中，基于该候选资源在该至少两个行为维度上的行为预测参数与该至少两个行为维度对应的权重系数，确定该候选资源的推送参数包括：
111.在该至少两个行为维度上，分别按照该候选资源在该至少两个行为维度上的行为预测参数进行排序；
112.基于该候选资源在该至少两个行为维度上的排列次序，分别确定该候选资源在该至少两个行为维度上的推送子参数，该推送子参数与该排列次序成负相关；
113.基于该候选资源在该至少两个行为维度上的推送子参数与该至少两个行为维度对应的权重系数，确定该候选资源的推送参数。
114.在一些实施例中，在该至少两个行为维度上，分别按照该候选资源在该至少两个行为维度上的行为预测参数进行排序包括：
115.分别在该至少两个行为维度对应的队列中，按照该候选资源在该至少两个行为维度上的行为预测参数进行排序。
116.在一些实施例中，基于该候选资源在该至少两个行为维度上的推送子参数与该至少两个行为维度对应的权重系数，确定该候选资源的推送参数包括：
117.基于该候选资源在该至少两个行为维度上的推送子参数与该至少两个行为维度对应的权重系数，进行加权求和，得到该候选资源的推送参数。
118.上述图2所示仅为本公开的基本流程，下面基于一种具体实施方式，来对本公开提供的方案进行进一步阐述，图3是根据一示例性实施例示出的一种资源推送方法的流程图，参见图3，该方法包括：
119.在步骤301中，终端向服务器发送目标对象的资源推送请求，该资源推送请求用于请求服务器为该目标对象推送资源。
120.其中，终端为目标对象对应的终端。目标对象是指目标用户，推送资源也即是推送多媒体资源，该目标用户也即是待推送多媒体资源的用户。在一些实施例中，目标对象采用对象标识来表示，例如，对象标识可以是对象名称、对象账号、对象id(identity，身份标识号码)等。
121.本公开实施例中，终端运行有具备多媒体资源播放功能的应用程序，如社交应用程序、直播应用程序、短视频应用程序等等。相应地，服务器为上述具备多媒体资源播放功
能的应用程序的后台服务器。在一些实施例中，多媒体资源为视频、图片或文章中的任一项。在一些实施例中，多媒体资源采用资源标识来表示，例如，资源标识可以是资源名称、资源编号、资源id等。
122.在一些实施例中，资源推送请求基于目标对象对上述具备多媒体资源播放功能的应用程序的启动操作触发，例如，目标对象在终端上进行操作，启动上述具备多媒体资源播放功能的应用程序，则终端响应于目标对象对该应用程序的启动操作，向服务器发送目标对象的资源推送请求，以请求服务器为该目标对象推送多媒体资源；或者，资源推送请求基于目标对象在该应用程序中的资源切换操作触发，例如，目标对象在该应用程序中观看多媒体资源的过程中，若对当前所展示的多媒体资源实施切换操作，则终端响应于目标对象对该多媒体资源的切换操作，向服务器发送资源推送请求，以请求服务器为该目标对象推送多媒体资源。当然，资源推送请求还能够基于目标对象的其他操作来触发，如目标对象对该应用程序中推送页面的访问操作或目标对象在该应用程序中的刷新操作或目标对象在该应用程序中的搜索操作等等，本公开实施例对此不作限定。
123.在步骤302中，服务器响应于目标对象的资源推送请求，获取该目标对象的候选资源在至少两个行为维度上的行为预测参数，该行为预测参数表示该目标对象在该行为维度上与该候选资源发生交互行为的预测情况。
124.其中，资源推送请求携带目标对象的对象标识。在一些实施例中，服务器接收该目标对象的资源推送请求后，获取该资源推送请求携带的目标对象的对象标识，基于该目标对象的对象标识，获取该目标对象的候选资源，进而基于该目标对象的候选资源，来获取该候选资源在至少两个行为维度上的行为预测参数。
125.本公开实施例中，候选资源是指候选的多媒体资源。在一些实施例中，候选资源的数量为多个。在一些实施例中，候选资源是指粗排队列所包括的多个多媒体资源，进而在推送的精排阶段，基于该粗排队列所包括的多个多媒体资源，结合本公开实施例提供的资源推送方法，来执行后续的资源推送过程。
126.本公开实施例中，行为维度是指不同类型的交互行为所对应的维度。在一些实施例中，行为维度包括点击维度(click)、点赞维度(like)、关注维度(follow)、评论维度(comment)、访问个人页维度(enter profile)、收藏维度、屏蔽维度、跳过维度以及多媒体资源的观看时长维度中的至少两项。相应地，行为预测参数包括点击率、点赞率、关注率、评论率、个人页的访问率、收藏率、屏蔽率、跳过率以及预测观看时长中的至少两项。其中，点击率表示目标对象针对该候选资源进行点击的概率；点赞率表示目标对象针对该候选资源进行点赞的概率；关注率表示目标对象针对该候选资源进行关注的概率；评论率表示目标对象针对该候选资源进行评论的概率；个人页的访问率表示目标对象针对该候选资源所关联的个人页进行访问的概率；收藏率表示目标对象针对该候选资源进行收藏的概率；屏蔽率表示目标对象针对该候选资源进行屏蔽的概率；跳过率表示目标对象针对该候选资源进行跳过的概率；预测观看时长表示目标对象针对该候选资源进行观看的预测时长。上述实施例示出了多种类型的行为维度，当然，在另一些实施例中，该行为维度还包括其他类型的行为维度，如转发维度、多媒体资源的观看次数维度等等，本公开实施例对此不作限定。
127.在一些实施例中，服务器基于该目标对象的对象特征信息与该候选资源的内容特征信息，确定该候选资源在该至少两个行为维度上的行为预测参数。
128.其中，对象特征信息表示目标对象的对象特征。在一些实施例中，对象特征信息包括目标对象的属性特征信息和行为特征信息，其中，属性特征信息表示目标对象的属性特征，如性别、年龄、城市、爱好等等，行为特征信息表示目标对象的行为特征，如点击、搜索、点赞、收藏等等。在一些实施例中，服务器基于目标对象的用户画像，获取上述属性特征信息和行为特征信息，该用户画像用于描述对象的属性信息和行为信息。内容特征信息表示候选资源的内容特征。在一些实施例中，内容特征信息为该候选资源的文本特征或者图像特征。在该实施例中，利用目标对象的对象特征信息与候选资源的内容特征信息，来预测目标对象与候选资源所发生的交互行为的情况，能够提升针对行为预测参数的预测准确度。
129.在一些实施例中，服务器采用行为预测模型，来预测该候选资源在该至少两个行为维度上的行为预测参数，相应过程为：对于任一个行为维度，服务器将该目标对象的对象特征信息与该候选资源的内容特征信息输入该行为维度对应的行为预测模型，通过该行为预测模型对该候选资源在该行为维度上的行为预测参数进行预测，得到该候选资源在该行为维度上的行为预测参数。如此，利用各个行为维度对应的行为预测模型，来预测目标对象与候选资源所发生的交互行为的情况，不仅提升了针对行为预测参数的预测效率，还提升了针对行为预测参数的预测准确度。
130.本公开实施例中，上述行为预测模型为已训练完成的模型。在一些实施例中，对于任一个行为维度对应的行为预测模型，该行为预测模型基于样本对象的对象特征信息、该样本对象的候选资源的内容特征信息以及该样本对象的候选资源在该行为维度上的行为参数标签训练得到。其中，行为参数标签表示样本对象在该行为维度上与该候选资源所发生的交互行为。
131.在一些实施例中，对于任一个行为维度，服务器获取多个样本对象的对象特征信息、该多个样本对象的候选资源的内容特征信息以及该多个样本对象的候选资源在该行为维度上的行为参数标签，基于该多个样本对象的对象特征信息、该多个样本对象的候选资源的内容特征信息以及该多个样本对象的候选资源在该行为维度上的行为参数标签，进行模型训练，得到行为预测模型。具体地，行为预测模型的训练过程包括：在第一次迭代过程中，分别将该多个样本对象的对象特征信息和该多个样本对象的候选资源的内容特征信息输入初始模型，得到第一次迭代过程的参数训练结果；基于第一次迭代过程的参数训练结果与对应样本对象的行为参数标签，确定损失函数，基于损失函数，对初始模型中的模型参数进行调整；将第一次迭代调整后的模型参数作为第二次迭代的模型参数，再进行第二次迭代；重复多次上述迭代过程，在第n次过程中，以第n-1次迭代调整后的模型参数作为新的模型参数，进行模型训练，直到训练满足目标条件，则将满足目标条件的迭代过程所对应的模型获取为行为预测模型。其中，n为正整数，且n大于1。在一些实施例中，训练满足的目标条件为初始模型的训练迭代次数达到目标次数，该目标次数是预先设定的训练迭代次数；或者，训练满足的目标条件为损失值满足目标阈值条件，如损失值小于0.00001。本公开实施例对目标条件的设置不作限定。
132.在步骤303中，对于任一个行为维度，服务器获取该目标对象在该行为维度上的第一参数，该第一参数表示该目标对象在该行为维度上相对于对象群体的差异。
133.其中，对象群体是指用户群体。在一些实施例中，对象群体是指使用上述具备多媒体资源播放功能的应用程序的全体对象，或者，对象群体是指已登录上述具备多媒体资源
播放功能的应用程序的对象。
134.在一些实施例中，服务器获取该目标对象在该行为维度上的第一平均值以及该对象群体在该行为维度上的第二平均值，基于该第一平均值与该第二平均值，确定该第一参数。其中，第一平均值为该目标对象的候选资源在该行为维度上的行为预测参数的平均值，第二平均值为该对象群体所包括的多个对象的候选资源在该行为维度上的行为预测参数的平均值。
135.本公开实施例中，该第一参数与该第一平均值成正相关，该第一参数与该第二平均值成负相关。相应地，服务器基于第一平均值与第二平均值来确定第一参数的过程为：在一种可选的实施例中，服务器确定该第一平均值与该第二平均值的比值，将该比值确定为该第一参数；或者，在另一种可选的实施例中，确定该第一平均值与该第二平均值的差值，将该差值确定为该第一参数。需要说明的是，上述确定比值为第一参数或确定差值为第一参数的方式为本公开实施例的一种示例性方式，在另一些实施例中，服务器可选用其他能够表示第一参数与第一平均值、第二平均值之间的相关关系的运算方式，来确定第一参数，本公开实施例对此不作限定。本公开实施例后续以确定比值作为该第一参数为例，来对方案进行说明。
136.在一些实施例中，服务器在实施本方案之前，确定该对象群体所包括的多个对象的候选资源在各个行为维度上的行为预测参数。可选地，服务器周期性地确定该对象群体所包括的多个对象的候选资源在各个行为维度上的行为预测参数，并实时更新该对象群体所包括的多个对象的候选资源在各个行为维度上的行为预测参数。
137.示例地，以目标对象为目标用户、候选资源为候选视频、行为维度为点赞维度为例，在目标用户的候选视频的数量为10的情况下，假设该10个候选视频的点赞率分别为a1、a2、
……
、a9、a10，则第一平均值也即是(a1+a2+
……
+a9+a10)/10；在对象群体所包括的多个对象的候选视频的数量为100的情况，假设该100个候选视频的点赞率分别为b1、b2、
……
、b99、b100，则第二平均值也即是(b1+b2+
……
+b99+b100)/100；进而，第一参数值也即是上述(a1+a2+
……
+a9+a10)/10与(b1+b2+
……
+b99+b100)/100的比值。
138.在上述实施例中，基于第一平均值与第二平均值，来确定为第一参数，由于第一平均值为目标对象在该行为维度上的行为预测参数的平均值，第二平均值为对象群体所包括的多个对象在该行为维度上的行为预测参数的平均值，如此，使得所确定出的第一参数能够体现目标对象在该行为维度上相对于对象群体的差异，以便后续基于该第一参数来确定行为维度对应的权重系数。
139.在步骤304中，服务器获取该目标对象在该行为维度上的第二参数，该第二参数表示该目标对象的多个该候选资源在该行为维度上的分布情况。
140.在一些实施例中，服务器获取该目标对象的多个该候选资源在该行为维度上的行为预测参数的离散度，将该离散度确定为该第二参数。
141.其中，离散度用于表示一个数据集的离散程度。相应地，服务器确定第二参数的过程为：在一种可选的实施例中，服务器获取该目标对象的多个该候选资源在该行为维度上的行为预测参数的方差，将该方差确定为该第二参数；或者，在另一种可选的实施例中，服务器获取该目标对象的多个该候选资源在该行为维度上的行为预测参数的标准差，将该标准差确定为该第二参数。需要说明的是，上述确定方差为第二参数或确定标准差为第二参
数的方式为本公开实施例的一种示例性方式，在另一些实施例中，服务器可选用其他能够表示离散程度的参数，作为该第二参数，本公开实施例对此不作限定。本公开实施例后续以确定标准差作为该第二参数为例，来对方案进行说明。
142.示例地，以确定标准差作为该第二参数为例，多个候选资源在该点赞维度上的行为预测参数的标准差，能够表示该多个候选资源在点赞维度上的分布情况；多个候选资源在该收藏维度上的行为预测参数的标准差，能够表示该多个候选资源在收藏维度上的分布情况。
143.在上述实施例中，将多个该候选资源在该行为维度上的行为预测参数的离散度，确定为第二参数，由于离散度能够反映一个数据集的离散程度，如此，使得所确定出的第二参数能够体现多个该候选资源在该行为维度上的分布情况，以便后续基于该第二参数来确定行为维度对应的权重系数。
144.在步骤305中，服务器基于该目标对象在该行为维度上的第一参数和第二参数，确定该行为维度对应的权重系数。
145.在一些实施例中，服务器基于该目标对象在该行为维度上的第一参数和第二参数，确定该目标对象在该行为维度上的第三参数，其中，该第三参数与该第一参数成正相关，该第三参数与该第二参数成正相关；进而，基于该行为维度对应的初始权重系数以及该第三参数，确定该行为维度对应的权重系数，其中，该权重系数与该初始权重系数成正相关，该权重系数与该第三参数成正相关。
146.本公开实施例中，该第三参数与该第一参数成正相关，该第三参数与该第二参数成正相关。下面对服务器基于第一参数和第二参数确定第三参数的过程进行说明，相应过程为：基于该目标对象在该行为维度上的第二参数，确定该目标对象在该行为维度上的第四参数，该第四参数与该第二参数成负相关；基于该目标对象在该行为维度上的第一参数和第四参数，确定该第三参数，该第三参数与该第四参数成负相关。
147.其中，该第四参数与该第二参数成负相关。相应地，服务器基于第二参数确定第四参数的过程为：在一种可选的实施例中，服务器基于该目标对象在该行为维度上的第二参数，确定一与该第二参数的差值，将该差值确定为该目标对象在该行为维度上的第四参数；或者，在另一种可选的实施例中，服务器在确定出一与第二参数的差值后，确定该差值的平方值，将该平方值确定为该目标对象在该行为维度上的第四参数。在该实施例中，通过对第二参数进行上述取差值或者对差值取平方值的过程，均能够快速确定出第四参数，且使所确定出的第四参数能够体现第二参数与第四参数之间的负相关关系，以便后续基于该第四参数来确定行为维度对应的权重系数。当然，在另一些实施例中，服务器可选用其他能够表示第四参数与第二参数之间的负相关关系的运算方式，来确定第四参数，例如对第二参数取倒数以得到第四参数等等，本公开实施例对此不作限定。本公开实施例后续以确定平方值作为该第四参数为例，来对方案进行说明。
148.其中，该第三参数与该第一参数成正相关，该第三参数与该第四参数成负相关。相应地，服务器基于第一参数和第四参数，确定该第三参数的过程为：在一种可选的实施例中，服务器确定该第一参数与该第四参数的比值，将该比值确定为该第三参数；或者，在另一种可选的实施例中，确定该第一参数与该第四参数的差值，将该差值确定为该第三参数。需要说明的是，上述确定比值为第三参数或确定差值为第三参数的方式为本公开实施例的
一种示例性方式，在另一些实施例中，服务器可选用其他能够表示第三参数与第一参数、第四参数之间的相关关系的运算方式，来确定第三参数，本公开实施例对此不作限定。本公开实施例后续以确定比值作为该第三参数为例，来对方案进行说明。
149.在上述实施例中，通过确定一个与第二参数成负相关的中间参数(第四参数)，再基于第三参数与第一参数之间的正相关关系，以及第三参数与该中间参数之间的负相关关系，来确定第三参数，使所确定出的第三参数不仅能够体现与第一参数之间的正相关关系，还能够体现与第二参数之间的正相关关系，以便后续利用该第三参数来确定行为维度对应的权重系数。需要说明的是，上述先确定第四参数再确定第三参数的方式为本公开实施例的一种示例性方式，在另一些实施例中，服务器可选用其他能够表示第三参数与第一参数、第二参数之间的正相关关系的运算方式，来确定第三参数，例如，服务器确定第一参数和第二参数的和值，作为该第三参数；或者，服务器确定第一参数和第二参数的乘积，作为该第三参数等等，本公开实施例对此不作限定。
150.本公开实施例中，该权重系数与该初始权重系数成正相关，该权重系数与该第三参数成正相关。下面对服务器基于该行为维度对应的初始权重系数以及该第三参数，确定该行为维度对应的权重系数的过程进行说明，相应过程为：在一种可选的实施例中，服务器确定该行为维度对应的初始权重系数与该第三参数的乘积，将该乘积确定为该行为维度对应的权重系数；或者，在另一种可选的实施例中，服务器确定该行为维度对应的初始权重系数与该第三参数的和值，将该和值确定为该行为维度对应的权重系数。需要说明的是，上述确定乘积为权重系数或确定和值为权重系数的方式为本公开实施例的一种示例性方式，在另一些实施例中，服务器可选用其他能够表示权重系数与初始权重系数、第三参数之间的相关关系的运算方式，来确定权重系数，本公开实施例对此不作限定。本公开实施例后续以确定乘积作为该权重系数为例，来对方案进行说明。
151.在一些实施例中，针对上述步骤303至步骤305的过程，可采用下述优化算法(1)来确定各个行为维度对应的权重系数，相应过程为：对于任一个行为维度，服务器基于该行为维度对应的初始权重系数、该目标对象在该行为维度上的第一平均值、该对象群体在该行为维度上的第二平均值、该目标对象在该行为维度上的第二参数以及下述优化算法(1)，来确定该行为维度对应的权重系数。
[0152][0153]
式中，i表示行为维度i，0≤i≤k，其中，k表示多个行为维度的总数量，如5；u表示目标对象；wi表示行为维度i对应的初始权重系数，如业务人员根据历史经验所设定的权重系数；表示权重系数的优化函数，用于输出行为维度i对应的优化后的权重系数；q
i,u
表示目标对象u的多个候选资源在行为维度i上的行为预测参数，相应地，avg(q
i,u
)表示目标对象u的多个候选资源在该行为维度上的行为预测参数的平均值，也即是第一平均值；all_user表示对象群体；score
i,all_user
表示对象群体所包括的多个对象的候选资源在行为维度i上的行为预测参数，0≤score
i,all_user
≤1，相应地，avg(score
i,all_user
)表示对象群体所包括的多个对象的候选资源在行为维度i上的行为预测参数的平均值，也即是第二平均值；std(q
i,u
)表示目标对象u的多个该候选资源在行为维度i上的行为预测参数
的离散度，也即是第二参数。需要说明的是，上述优化算法(1)右侧所示出的分式也即是第三参数，其中，该分式的分母部分也即是第四参数。
[0154]
在上述实施例中，基于第一参数与权重系数之间的正相关关系以及第二参数与权重系数之间的正相关关系，能够基于第一参数和第二参数快速确定出第三参数，进而，结合行为维度对应的初始权重系数，能够快速确定出该行为维度对应的权重系数，在提升确定权重系数的效率的同时，还提升了确定权重系数的准确度。
[0155]
为便于理解，下面对上述优化算法(1)进行详细说明：上述优化算法(1)右侧所示出的分式也即是权重系数的优化因子(或称作扰动因子)，将初始权重系数与该优化因子相乘即可得到优化后的权重系数。其中，在该分式的分子部分，其所指示的是对象层面(也即是用户层面)的显著性因子，具体是目标对象(也即是触发本次资源推送请求的用户)所对应的第一平均值与对象群体(也即是全体用户)所对应的第二平均值的比值，该比值(也即是第一参数)能够用来衡量目标对象与对象群体之间的差异。如此，通过该比值，能够体现目标对象在对应行为维度上相对于对象群体的倾向程度，例如，若该比值大于1，则表示目标对象相对于对象群体的平均水平，在对应的行为维度上具有较强的倾向性(如，点赞，关注等)，此时可以适当增大该行为维度的权重系数；若该比值小于1，则表示目标对象相对于对象群体的平均水平，在对应的行为维度上具有较弱的倾向性，此时可以适当减小该行为维度对应的权重系数。在该分式的分母部分，其所指示的是候选资源层面的显著性因子，具体是目标对象的多个候选资源在该行为维度上的行为预测参数的离散度，如标准差。如此，通过该离散度(也即是第二参数)，能够体现多个候选资源在该行为维度上的分布情况，例如，以标准差为例，若标准差越大，表示多个候选资源在该行为维度上的分布较离散，此时候选资源具有更为明显的区分度，可能会为后续的资源推送产生较大的贡献，可以适当增大该行为维度对应的权重系数；若标准差越小，表示多个候选资源在该行为维度上的分布较集中，此时候选资源不具有明显的区分度，可以适当减小该行为维度对应的权重系数。
[0156]
应理解地，对于每一个对象所触发的资源推送请求，该资源推送请求的推送结果可以采用f(u,r)来表示，其中u表示当前对象(如目标对象)，r表示当前对象所触发的资源推送请求，f(u,r)表示资源推送请求的推送结果与当前对象、当前对象所触发的资源推送请求相关。在面对资源推送的多目标优化问题(也即是对应有多个行为维度)时，一次请求可体现为多个行为维度的组合，相应地，该资源推送请求的推送结果可表示为φ(f(u,q
i,u
)
│
wi)，其中，φ为多个行为维度的融合函数，q
i,u
表示当前对象u的候选资源在行为维度i上的行为预测参数，wi表示行为维度i对应的初始权重系数。由此可见，对于单个行为维度来说，在初始权重系数确定的情况下，该行为维度对应的推送结果与对象u、候选资源q
i,u
相关，也就是说，一次请求的推送结果的差异主要体现在对象个体的差异与候选资源的差异这两方面。
[0157]
示例地，以点赞维度为例，在用户a与用户b分别触发一次资源推送请求的情况下，服务器经过召回阶段和粗排阶段，为用户a和用户b分别筛选得到n条候选视频，假设用户a相对于用户b具有更加频繁的点赞操作，那么，针对该用户a的n条候选视频所预测得到的点赞率会普遍高于针对用户b的n条候选视频所预测得到的点赞率，这也即是用户个体之间的差异。且，针对同一个用户的n条候选视频，其本身也会有差别，假设用户a的n条候选视频的点赞率均为0.5，用户b的候选视频的点赞率分布在0到1之间，可以发现，用户a的点赞率分
布比较集中，用户b的点赞率分布比较离散，这也即是候选视频之间的差异。
[0158]
本公开实施例中，基于上述所提到的对象个体的差异与候选资源的差异这两方面，提供了一种权重系数的优化方法，使各个行为维度的权重系数不再是固定不变的，而是能够基于上述对象个体的差异与候选资源的差异，对各个行为维度对应的权重系数进行自适应调整，实现了对权重系数的个性化调整，从而实现了多媒体资源的个性化推送。此时，一次请求的推送结果可表示为其中也即是上述优化算法(1)所示出的优化函数。
[0159]
针对上述确定第二参数的过程，以确定标准差作为第二参数为例，在一些实施例中，服务器采用下述运算公式(2)，来确定目标对象的多个候选资源在行为维度上的行为预测参数的标准差。
[0160][0161]
式中，x表示随机变量，对应上述实施例所提到的各个候选资源的行为预测参数；e(x)表示多个候选资源的行为预测参数的平均值；x2也表示随机变量；e(x2)表示多个候选资源的行为预测参数的平方值的平均值；需要说明的是，e(x2)-e(x)2表示多个候选资源在行为维度上的行为预测参数的方差。如此，通过上述运算公式(2)，即可在一次运算过程中同时对平均值和标准差进行计算，因此上述运算公式(2)的复杂度为o(n)，该o(n)是指运算公式的复杂性(也称作线性时间)，用于表示该运算公式(2)的复杂性呈线性增加且与所输入的数量成正比。针对本公开实施例所涉及的k个行为维度的多目标优化问题，本公开实施例整体的复杂度可表示为o(nk)，而考虑到多目标优化问题中候选资源的数量通常为常数(n≤500)，因此本公开所提供的资源推荐方法的复杂度为o(k)。如此，降低了资源推送方法的运算复杂度，提高了资源推送方法的运算效率。
[0162]
在上述实施例中，提供了一种基于第一参数与第二参数，来对初始权重系数进行优化，从而获得优化后的权重系数的方式，使所确定出的权重系数能够体现与第一参数之间的正相关关系，同时体现与第二参数之间的正相关关系。需要说明的是，上述所示出的权重系数的优化方式为本公开实施例的一种示例性方式，在另一些实施例中，服务器可选用其他能够表示权重系数与第一参数、第二参数之间的正相关关系的运算方式，来对初始权重系数进行优化，例如，服务器确定该行为维度对应的初始权重系数、第一参数与第二参数的乘积，将该乘积确定为优化后的权重系数等，本公开实施例对此不作限定。
[0163]
在步骤306中，服务器基于该候选资源在该至少两个行为维度上的行为预测参数与该至少两个行为维度对应的权重系数，确定该候选资源的推送参数，该推送参数用于确定为该目标对象推送资源时该候选资源的推送次序。
[0164]
服务器基于该候选资源在该至少两个行为维度上的行为预测参数与该至少两个行为维度对应的权重系数，确定该候选资源的推送参数的过程参见步骤(306a)至步骤(306c)：
[0165]
(306a)服务器在该至少两个行为维度上，分别按照该候选资源在该至少两个行为维度上的行为预测参数进行排序。
[0166]
在一些实施例中，服务器分别在该至少两个行为维度对应的队列中，按照该候选资源在该至少两个行为维度上的行为预测参数进行排序。
[0167]
在一种可选的实施例中，服务器在对任一个行为维度上的行为预测参数进行排序时，响应于该行为维度属于第一行为维度，则按照该候选资源在该行为维度上的行为预测参数由高至低的排列次序进行排序；在另一些实施例中，响应于该行为维度属于第二行为维度，则按照该候选资源在该行为维度上的行为预测参数由低至高的排列次序进行排序。其中，第一行为维度包括正向行为维度和多媒体资源的观看时长维度，其中，正向行为维度也即是点击行为、点赞行为、收藏行为等正向交互行为(positive action)对应的行为维度，第二行为维度表示负向行为维度，如屏蔽行为、跳过行为等负向交互行为(negative action)对应的行为维度。
[0168]
示例地，以至少两个行为维度为点赞维度、屏蔽维度、多媒体资源的观看时长维度为例，相应地，该至少两个行为维度对应的队列可以是点赞队列、屏蔽队列、多媒体资源的观看时长队列，进而，在该点赞队列中按照该候选资源的点赞率由高至低的排列次序进行排序，在该屏蔽队列中按照该候选资源的屏蔽率由低至高的排列次序进行排序，在该多媒体资源的观看时长队列中按照该候选资源的预测观看时长由高至低的排列次序进行排序。
[0169]
在上述实施例中，通过设置各个行为维度对应的队列，以便后续在各个行为维度对应的队列中，进行各个行为维度上的行为预测参数的排序过程。
[0170]
(306b)服务器基于该候选资源在该至少两个行为维度上的排列次序，分别确定该候选资源在该至少两个行为维度上的推送子参数。
[0171]
其中，推送子参数表示候选资源在对应行为维度上的排序情况。以队列为例，推送子参数表示候选资源在对应队列内的排序情况。
[0172]
本公开实施例中，该推送子参数与该排列次序成负相关。相应地，服务器确定推送子参数的过程为：在一种可选的实施例中，服务器确定该候选资源在该至少两个行为维度上的排列次序的倒数，将该倒数确定为该候选资源在该至少两个行为维度上的推送子参数；或者，在另一种可选的实施例中，服务器基于该候选资源在该至少两个行为维度上的排列次序，确定一与该排列次序的差值，将该差值确定为该候选资源在该至少两个行为维度上的推送子参数。在该实施例中，通过对候选资源在各个行为维度上的排列次序取倒数或取差值，均能够快速确定出候选资源在各个行为维度上的推送子参数，提高了确定推送子参数的效率。
[0173]
(306c)服务器基于该候选资源在该至少两个行为维度上的推送子参数与该至少两个行为维度对应的权重系数，确定该候选资源的推送参数。
[0174]
在一些实施例中，服务器基于该候选资源在该至少两个行为维度上的推送子参数与该至少两个行为维度对应的权重系数，进行加权求和，得到该候选资源的推送参数。在该实施例中，通过加权求和的方式，实现了对各个行为维度上的行为预测参数的融合，能够确定出准确度高的推送参数，进而基于该推送参数来进行资源推送，从而提升了资源推送的效率和准确度。
[0175]
在上述实施例中，基于候选资源在各个行为维度上的排列次序，来确定候选资源在各个行为维度上的推送子参数，使所确定出的推送子参数能够体现候选资源的排序情况，进而基于候选资源在各个行为维度上的推送子参数以及各个行为维度对应的权重系数，来确定候选资源的推送参数，如此，综合了候选资源在多个行为维度上的推送子参数，能够确定出准确度高的推送参数，进而基于该推送参数来进行资源推送，从而提升了资源
推送的效率和准确度。
[0176]
在步骤307中，服务器基于该候选资源的推送参数，为该目标对象推送资源。
[0177]
在一些实施例中，通过上述步骤301至步骤306，能够获得该目标对象的多个候选资源的推送参数，进而，按照该多个候选资源的推送参数由高至低的排列次序进行排序，再按照该多个候选资源的排列次序，依次向目标对象推送排列次序对应的多媒体资源。
[0178]
示例地，图4是根据一示例性实施例示出的一种资源推送方法的流程图，参见图4，首先，通过行为预测模型对目标用户(也即是目标对象)的n条候选视频(也即是候选资源)进行预测，分别得到k个行为维度上的行为预估值(也即是行为预测参数)，并根据n条候选视频在k个行为维度上的行为预估值生成k个行为队列；再利用上述优化算法(1)计算各个行为维度对应的扰动因子，并对各个行为维度的初始权重系数进行优化，以得到优化后的权重系数，具体地，在行为预测模型置信的条件下，由于候选视频在同一行为维度上的行为预测参数的整体水平，能够体现目标用户在当前行为维度上的倾向性，因此，统计目标用户的n条候选视频的行为预估值的平均值，并与用户群体(也即是对象群体)所包括的多个用户的行为预估值的平均值做比值，以体现目标用户在当前行为维度上的倾向程度，同时，统计目标用户的n条候选视频在当前行为维度上的行为预估值的标准差，以体现目标用户的多个候选视频在当前行为维度上的分布情况，进而，利用上述优化算法(1)对各个行为维度的初始权重系数进行优化，以得到优化后的权重系数；再利用候选视频在各个行为维度对应的队列内部分数(rank score，也即是推送子参数)和各个行为维度对应的优化后的权重系数，来确定候选视频的排序分数(ensemble score，也即是推送参数)，基于上述过程，能够获取到多个候选视频的排序分数，基于多个候选视频的排序分数来进行排序，再按照该多个候选资源的排列次序来进行资源推送。
[0179]
本公开实施例提供的技术方案，在为目标对象推送资源时，基于目标对象在各个行为维度上的第一参数和第二参数，来确定各个行为维度对应的权重系数，如此，在确定各个行为维度对应的权重系数时，不仅参考了目标对象在各个行为维度上相对于对象群体的差异，还参考了目标对象的多个候选资源在各个行为维度上的分布情况，使所确定出的权重系数，不仅能够体现目标对象在各个行为维度上的倾向程度，还能够体现候选资源在各个行为维度上的分布特点，如此，针对不同的对象，均会参考各个对象在不同的行为维度上的第一参数和第二参数，来确定各个对象在不同的行为维度上的权重系数，使得针对不同的对象能够确定出不同的权重系数，以确定出能够体现各个对象的对象特征和资源特征的个性化的权重系数，在提升确定权重系数的效率的同时，还提升了确定权重系数的准确度，进而基于目标对象的候选资源在各个行为维度上的行为预测参数以及各个行为维度对应的权重系数，确定候选资源的推送参数，再基于该推送参数来进行资源推送，从而提升了资源推送的效率和准确度。
[0180]
需要说明的是，在资源推送的精排阶段，应用本公开实施例提供的资源推送方法，一方面，提升了应用程序的使用时长以及应用程序的用户留存率，另一方面，还提升了多媒体资源的有效播放次数以及基于多媒体资源的互动率。
[0181]
图5是根据一示例性实施例示出的一种资源推送装置的框图。参见图5，该装置包括获取单元501，权重系数确定单元502和推送参数确定单元503。
[0182]
获取单元501，被配置为执行获取目标对象的候选资源在至少两个行为维度上的
行为预测参数，该行为预测参数表示该目标对象在该行为维度上与该候选资源发生交互行为的预测情况；
[0183]
权重系数确定单元502，被配置为执行基于该目标对象在该行为维度上的第一参数和第二参数，确定该行为维度对应的权重系数，该第一参数表示该目标对象在该行为维度上相对于对象群体的差异，该第二参数表示该目标对象的多个该候选资源在该行为维度上的分布情况；
[0184]
推送参数确定单元503，被配置为执行基于该候选资源在该至少两个行为维度上的行为预测参数与该至少两个行为维度对应的权重系数，确定该候选资源的推送参数，该推送参数用于确定为该目标对象推送资源时该候选资源的推送次序。
[0185]
本公开实施例提供的技术方案，在为目标对象推送资源时，基于目标对象在各个行为维度上的第一参数和第二参数，来确定各个行为维度对应的权重系数，如此，在确定各个行为维度对应的权重系数时，不仅参考了目标对象在各个行为维度上相对于对象群体的差异，还参考了目标对象的多个候选资源在各个行为维度上的分布情况，使所确定出的权重系数，不仅能够体现目标对象在各个行为维度上的倾向程度，还能够体现候选资源在各个行为维度上的分布特点，如此，针对不同的对象，均会参考各个对象在不同的行为维度上的第一参数和第二参数，来确定各个对象在不同的行为维度上的权重系数，使得针对不同的对象能够确定出不同的权重系数，以确定出能够体现各个对象的对象特征和资源特征的个性化的权重系数，在提升确定权重系数的效率的同时，还提升了确定权重系数的准确度，进而基于目标对象的候选资源在各个行为维度上的行为预测参数以及各个行为维度对应的权重系数，确定候选资源的推送参数，再基于该推送参数来进行资源推送，从而提升了资源推送的效率和准确度。
[0186]
在一些实施例中，该权重系数确定单元502，包括：
[0187]
第一获取子单元，被配置为执行获取该目标对象在该行为维度上的第一平均值以及该对象群体在该行为维度上的第二平均值，该第一平均值为该目标对象的候选资源在该行为维度上的行为预测参数的平均值，该第二平均值为该对象群体所包括的多个对象的候选资源在该行为维度上的行为预测参数的平均值；
[0188]
确定子单元，被配置为执行基于该第一平均值与该第二平均值，确定该第一参数，其中，该第一参数与该第一平均值成正相关，该第一参数与该第二平均值成负相关。
[0189]
在一些实施例中，该权重系数确定单元502，包括：
[0190]
第二获取子单元，被配置为执行获取该目标对象的多个该候选资源在该行为维度上的行为预测参数的离散度，将该离散度确定为该第二参数。
[0191]
在一些实施例中，该权重系数确定单元502，包括：
[0192]
第三参数确定子单元，被配置为执行基于该目标对象在该行为维度上的第一参数和第二参数，确定该目标对象在该行为维度上的第三参数，其中，该第三参数与该第一参数成正相关，该第三参数与该第二参数成正相关；
[0193]
权重系数确定子单元，被配置为执行基于该行为维度对应的初始权重系数以及该第三参数，确定该行为维度对应的权重系数，其中，该权重系数与该初始权重系数成正相关，该权重系数与该第三参数成正相关。
[0194]
在一些实施例中，该第三参数确定子单元，被配置为执行：
[0195]
基于该目标对象在该行为维度上的第二参数，确定该目标对象在该行为维度上的第四参数，该第四参数与该第二参数成负相关；
[0196]
基于该目标对象在该行为维度上的第一参数和第四参数，确定该第三参数，该第三参数与该第四参数成负相关。
[0197]
在一些实施例中，该获取单元501，被配置为执行：
[0198]
基于该目标对象的对象特征信息与该候选资源的内容特征信息，确定该候选资源在该至少两个行为维度上的行为预测参数。
[0199]
在一些实施例中，该获取单元501，被配置为执行：
[0200]
将该目标对象的对象特征信息与该候选资源的内容特征信息输入该行为维度对应的行为预测模型，通过该行为预测模型对该候选资源在该行为维度上的行为预测参数进行预测，得到该候选资源在该行为维度上的行为预测参数，该行为预测模型基于样本对象的对象特征信息、该样本对象的候选资源的内容特征信息以及该样本对象的候选资源在该行为维度上的行为参数标签训练得到。
[0201]
在一些实施例中，该推送参数确定单元503，包括：
[0202]
排序子单元，被配置为执行在该至少两个行为维度上，分别按照该候选资源在该至少两个行为维度上的行为预测参数进行排序；
[0203]
确定子单元，被配置为执行基于该候选资源在该至少两个行为维度上的排列次序，分别确定该候选资源在该至少两个行为维度上的推送子参数，该推送子参数与该排列次序成负相关；
[0204]
确定子单元，还被配置为执行基于该候选资源在该至少两个行为维度上的推送子参数与该至少两个行为维度对应的权重系数，确定该候选资源的推送参数。
[0205]
在一些实施例中，该排序子单元，被配置为执行：
[0206]
分别在该至少两个行为维度对应的队列中，按照该候选资源在该至少两个行为维度上的行为预测参数进行排序。
[0207]
在一些实施例中，该确定子单元，还被配置为执行：
[0208]
基于该候选资源在该至少两个行为维度上的推送子参数与该至少两个行为维度对应的权重系数，进行加权求和，得到该候选资源的推送参数。
[0209]
需要说明的是：上述实施例提供的资源推送装置在资源推送时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的资源推送装置与资源推送方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0210]
本公开实施例所提到的计算机设备可提供为一种终端。图6示出了本公开一个示例性实施例提供的终端600的结构框图。该终端600可以是：智能手机、平板电脑、mp3播放器(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端600还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
[0211]
通常，终端600包括有：处理器601和存储器602。
[0212]
处理器601可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器601可以采用dsp(digital signal processing，数字信号处理)、fpga(field－progra mmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器601也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器601可以集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器601还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0213]
存储器602可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器602还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器602中的非暂态的计算机可读存储介质用于存储至少一个程序代码，该至少一个程序代码用于被处理器601所执行以实现本公开中方法实施例提供的资源推送方法中终端执行的过程。
[0214]
在一些实施例中，终端600还可选包括有：外围设备接口603和至少一个外围设备。处理器601、存储器602和外围设备接口603之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口603相连。具体地，外围设备包括：射频电路604、显示屏605、摄像头组件606、音频电路607、定位组件608和电源609中的至少一种。
[0215]
外围设备接口603可被用于将i/o(input/output，输入/输出)相关的至少一个外围设备连接到处理器601和存储器602。在一些实施例中，处理器601、存储器602和外围设备接口603被集成在同一芯片或电路板上；在一些其他实施例中，处理器601、存储器602和外围设备接口603中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
[0216]
射频电路604用于接收和发射rf(radio frequency，射频)信号，也称电磁信号。射频电路604通过电磁信号与通信网络以及其他通信设备进行通信。射频电路604将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路604包括：天线系统、rf收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路604可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2g、3g、4g及5g)、无线局域网和/或wifi(wireless fidelity，无线保真)网络。在一些实施例中，射频电路604还可以包括nfc(near field communication，近距离无线通信)有关的电路，本公开对此不加以限定。
[0217]
显示屏605用于显示ui(user interface，用户界面)。该ui可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏605是触摸显示屏时，显示屏605还具有采集在显示屏605的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器601进行处理。此时，显示屏605还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏605可以为一个，设置在终端600的前面板；在另一些实施例中，显示屏605可以为至少两个，分别设置在终端600的不同表面或呈折叠设计；在另一些
实施例中，显示屏605可以是柔性显示屏，设置在终端600的弯曲表面上或折叠面上。甚至，显示屏605还可以设置成非矩形的不规则图形，也即异形屏。显示屏605可以采用lcd(liquid crystal display，液晶显示屏)、oled(organic light-emitting diode，有机发光二极管)等材质制备。
[0218]
摄像头组件606用于采集图像或视频。可选地，摄像头组件606包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及vr(virtual reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件606还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
[0219]
音频电路607可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器601进行处理，或者输入至射频电路604以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端600的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器601或射频电路604的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路607还可以包括耳机插孔。
[0220]
定位组件608用于定位终端600的当前地理位置，以实现导航或lbs(location based service，基于位置的服务)。
[0221]
电源609用于为终端600中的各个组件进行供电。电源609可以是交流电、直流电、一次性电池或可充电电池。当电源609包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
[0222]
在一些实施例中，终端600还包括有一个或多个传感器610。该一个或多个传感器610包括但不限于：加速度传感器611、陀螺仪传感器612、压力传感器613、指纹传感器614、光学传感器615以及接近传感器616。
[0223]
加速度传感器611可以检测以终端600建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器611可以用于检测重力加速度在三个坐标轴上的分量。处理器601可以根据加速度传感器611采集的重力加速度信号，控制显示屏605以横向视图或纵向视图进行用户界面的显示。加速度传感器611还可以用于游戏或者用户的运动数据的采集。
[0224]
陀螺仪传感器612可以检测终端600的机体方向及转动角度，陀螺仪传感器612可以与加速度传感器611协同采集用户对终端600的3d动作。处理器601根据陀螺仪传感器612采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变ui)、拍摄时的图像稳定、游戏控制以及惯性导航。
[0225]
压力传感器613可以设置在终端600的侧边框和/或显示屏605的下层。当压力传感器613设置在终端600的侧边框时，可以检测用户对终端600的握持信号，由处理器601根据压力传感器613采集的握持信号进行左右手识别或快捷操作。当压力传感器613设置在显示
屏605的下层时，由处理器601根据用户对显示屏605的压力操作，实现对ui界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
[0226]
指纹传感器614用于采集用户的指纹，由处理器601根据指纹传感器614采集到的指纹识别用户的身份，或者，由指纹传感器614根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器601授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器614可以被设置在终端600的正面、背面或侧面。当终端600上设置有物理按键或厂商logo时，指纹传感器614可以与物理按键或厂商logo集成在一起。
[0227]
光学传感器615用于采集环境光强度。在一个实施例中，处理器601可以根据光学传感器615采集的环境光强度，控制显示屏605的显示亮度。具体地，当环境光强度较高时，调高显示屏605的显示亮度；当环境光强度较低时，调低显示屏605的显示亮度。在另一个实施例中，处理器601还可以根据光学传感器615采集的环境光强度，动态调整摄像头组件606的拍摄参数。
[0228]
接近传感器616，也称距离传感器，通常设置在终端600的前面板。接近传感器616用于采集用户与终端600的正面之间的距离。在一个实施例中，当接近传感器616检测到用户与终端600的正面之间的距离逐渐变小时，由处理器601控制显示屏605从亮屏状态切换为息屏状态；当接近传感器616检测到用户与终端600的正面之间的距离逐渐变大时，由处理器601控制显示屏605从息屏状态切换为亮屏状态。
[0229]
本领域技术人员可以理解，图6中示出的结构并不构成对终端600的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
[0230]
本公开实施例所提到的计算机设备可提供为一种服务器。图7是根据一示例性实施例示出的一种服务器的框图，该服务器700可因配置或性能不同而产生比较大的差异，可以包括一个或多个处理器(central processing units，cpu)701和一个或多个的存储器702，其中，该一个或多个存储器702中存储有至少一条程序代码，该至少一条程序代码由该一个或多个处理器701加载并执行以实现上述各个方法实施例提供的资源推送方法中服务器执行的过程。当然，该服务器700还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器700还可以包括其他用于实现设备功能的部件，在此不做赘述。
[0231]
在示例性实施例中，还提供了一种包括程序代码的计算机可读存储介质，例如包括程序代码的存储器702，上述程序代码可由服务器700的处理器701执行以完成上述资源推送方法。可选地，计算机可读存储介质可以是rom(read-only memory，只读内存)、ram(random access memory，随机存取存储器)、cd-rom(compact-disc read-only memory，只读光盘)、磁带、软盘和光数据存储设备等。
[0232]
在示例性实施例中，还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的资源推送方法。
[0233]
在一些实施例中，本公开实施例所涉及的计算机程序可被部署在一个计算机设备上执行，或者在位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行，分布在多个地点且通过通信网络互连的多个计算
机设备可以组成区块链系统。
[0234]
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。本公开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。
[0235]
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。

技术特征：
1.一种资源推送方法，其特征在于，所述方法包括：获取目标对象的候选资源在至少两个行为维度上的行为预测参数，所述行为预测参数表示所述目标对象在所述行为维度上与所述候选资源发生交互行为的预测情况；基于所述目标对象在所述行为维度上的第一参数和第二参数，确定所述行为维度对应的权重系数，所述第一参数表示所述目标对象在所述行为维度上相对于对象群体的差异，所述第二参数表示所述目标对象的多个所述候选资源在所述行为维度上的分布情况；基于所述候选资源在所述至少两个行为维度上的行为预测参数与所述至少两个行为维度对应的权重系数，确定所述候选资源的推送参数，所述推送参数用于确定为所述目标对象推送资源时所述候选资源的推送次序。2.根据权利要求1所述的资源推送方法，其特征在于，所述第一参数的获取过程包括：获取所述目标对象在所述行为维度上的第一平均值以及所述对象群体在所述行为维度上的第二平均值，所述第一平均值为所述目标对象的候选资源在所述行为维度上的行为预测参数的平均值，所述第二平均值为所述对象群体所包括的多个对象的候选资源在所述行为维度上的行为预测参数的平均值；基于所述第一平均值与所述第二平均值，确定所述第一参数，其中，所述第一参数与所述第一平均值成正相关，所述第一参数与所述第二平均值成负相关。3.根据权利要求1所述的资源推送方法，其特征在于，所述第二参数的获取过程包括：获取所述目标对象的多个所述候选资源在所述行为维度上的行为预测参数的离散度，将所述离散度确定为所述第二参数。4.根据权利要求1所述的资源推送方法，其特征在于，所述基于所述目标对象在所述行为维度上的第一参数和第二参数，确定所述行为维度对应的权重系数包括：基于所述目标对象在所述行为维度上的第一参数和第二参数，确定所述目标对象在所述行为维度上的第三参数，其中，所述第三参数与所述第一参数成正相关，所述第三参数与所述第二参数成正相关；基于所述行为维度对应的初始权重系数以及所述第三参数，确定所述行为维度对应的权重系数，其中，所述权重系数与所述初始权重系数成正相关，所述权重系数与所述第三参数成正相关。5.根据权利要求4所述的资源推送方法，其特征在于，所述基于所述目标对象在所述行为维度上的第一参数和第二参数，确定所述目标对象在所述行为维度上的第三参数包括：基于所述目标对象在所述行为维度上的第二参数，确定所述目标对象在所述行为维度上的第四参数，所述第四参数与所述第二参数成负相关；基于所述目标对象在所述行为维度上的第一参数和第四参数，确定所述第三参数，所述第三参数与所述第四参数成负相关。6.根据权利要求1所述的资源推送方法，其特征在于，所述获取目标对象的候选资源在至少两个行为维度上的行为预测参数包括：基于所述目标对象的对象特征信息与所述候选资源的内容特征信息，确定所述候选资源在所述至少两个行为维度上的行为预测参数。7.一种资源推送装置，其特征在于，所述装置包括：获取单元，被配置为执行获取目标对象的候选资源在至少两个行为维度上的行为预测
参数，所述行为预测参数表示所述目标对象在所述行为维度上与所述候选资源发生交互行为的预测情况；权重系数确定单元，被配置为执行基于所述目标对象在所述行为维度上的第一参数和第二参数，确定所述行为维度对应的权重系数，所述第一参数表示所述目标对象在所述行为维度上相对于对象群体的差异，所述第二参数表示所述目标对象的多个所述候选资源在所述行为维度上的分布情况；推送参数确定单元，被配置为执行基于所述候选资源在所述至少两个行为维度上的行为预测参数与所述至少两个行为维度对应的权重系数，确定所述候选资源的推送参数，所述推送参数用于确定为所述目标对象推送资源时所述候选资源的推送次序。8.一种计算机设备，其特征在于，所述计算机设备包括：一个或多个处理器；用于存储所述处理器可执行程序代码的存储器；其中，所述处理器被配置为执行所述程序代码，以实现如权利要求1至6中任一项所述的资源推送方法。9.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的程序代码由计算机设备的处理器执行时，使得计算机设备能够执行如权利要求1至6中任一项所述的资源推送方法。10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的资源推送方法。

技术总结
本公开关于一种资源推送方法、装置、计算机设备及介质，属于互联网技术领域。本公开实施例中，在为目标对象推送资源时，基于目标对象在各个行为维度上的第一参数和第二参数，来确定各个行为维度对应的权重系数，如此，在确定各个行为维度对应的权重系数时，不仅参考了目标对象在各个行为维度上相对于对象群体的差异，还参考了目标对象的多个候选资源在各个行为维度上的分布情况，在提升确定权重系数的效率的同时，还提升了确定权重系数的准确度，进而基于目标对象的候选资源在各个行为维度上的行为预测参数以及各个行为维度对应的权重系数，确定候选资源的推送参数，再基于该推送参数来进行资源推送，从而提升了资源推送的效率和准确度。效率和准确度。效率和准确度。


技术研发人员：袁坤
受保护的技术使用者：北京达佳互联信息技术有限公司
技术研发日：2022.03.14
技术公布日：2023/9/23