本發(fā)明涉及計(jì)算機(jī)，尤其涉及一種資源推薦方法和裝置。

背景技術(shù)：

1、私域運(yùn)營(yíng)是指企業(yè)通過(guò)建立和管理自己的私域流量，進(jìn)行用戶關(guān)系的精細(xì)化運(yùn)營(yíng)，以實(shí)現(xiàn)用戶留存、活躍、轉(zhuǎn)化和裂變等目標(biāo)。私域運(yùn)營(yíng)方在推廣活動(dòng)期間，會(huì)統(tǒng)一向私域用戶群體中的各個(gè)用戶發(fā)放一種經(jīng)濟(jì)化消費(fèi)的資源，以便用戶憑借該資源消費(fèi)可以獲取優(yōu)惠。本發(fā)明實(shí)施例的資源可以具體化為優(yōu)惠券、客戶的權(quán)益，例如vip客戶權(quán)益等。

2、在實(shí)現(xiàn)本發(fā)明過(guò)程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術(shù)中存在如下問(wèn)題：

3、現(xiàn)有的統(tǒng)一發(fā)放資源的方式，雖然可以起到一定的推廣運(yùn)營(yíng)目的，不過(guò)由于缺乏精準(zhǔn)化個(gè)性化的資源推薦，可能會(huì)導(dǎo)致資源利用不合理，高價(jià)值用戶的推薦力度投入不足，低價(jià)值用戶浪費(fèi)了發(fā)放的資源，不能保證最大化的利用資源，而且也難以同時(shí)兼顧到資源的領(lǐng)取率和使用率，不能保證資源發(fā)放的有效性。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明實(shí)施例提供一種資源推薦方法和裝置，實(shí)現(xiàn)了精準(zhǔn)、個(gè)性化的資源的推薦，充分利用基于自注意力機(jī)制的多任務(wù)學(xué)習(xí)模型的學(xué)習(xí)能力，計(jì)算出用戶對(duì)各個(gè)待推薦資源的領(lǐng)取概率和使用概率，再根據(jù)領(lǐng)取概率和使用概率確定對(duì)應(yīng)的推薦值，不僅保證了資源利用的合理性，實(shí)現(xiàn)推薦資源的個(gè)性化發(fā)放，而且還平衡了資源的領(lǐng)取率和使用率，保證了資源發(fā)放的有效性。

2、為實(shí)現(xiàn)所述目的，根據(jù)本發(fā)明實(shí)施例的一個(gè)方面，提供了一種資源推薦方法，包括：

3、獲取用戶群體中用戶的行為特征和所述用戶群體的屬性特征，將所述行為特征和所述屬性特征進(jìn)行組合，得到共享特征；

4、將所述共享特征輸入預(yù)先訓(xùn)練完畢的資源推薦模型，得到所述資源推薦模型輸出的所述用戶對(duì)各個(gè)待推薦資源的領(lǐng)取概率和使用概率，所述資源推薦模型采用基于自注意力機(jī)制的多任務(wù)學(xué)習(xí)模型；

5、根據(jù)所述用戶對(duì)各個(gè)所述待推薦資源的領(lǐng)取概率和使用概率，計(jì)算所述用戶對(duì)各個(gè)所述待推薦資源的推薦值，根據(jù)所述推薦值，從各個(gè)所述待推薦資源中確定所述用戶的推薦資源，并向所述用戶發(fā)送所述推薦資源。

6、可選地，將所述共享特征輸入預(yù)先訓(xùn)練完畢的資源推薦模型，得到所述資源推薦模型輸出的所述用戶對(duì)各個(gè)待推薦資源的領(lǐng)取概率和使用概率，包括：將所述共享特征輸入所述資源推薦模型的門(mén)控網(wǎng)絡(luò)和專(zhuān)家網(wǎng)絡(luò)；使用自注意力機(jī)制對(duì)所述專(zhuān)家網(wǎng)絡(luò)接收到的共享特征中的所述行為特征進(jìn)行理解和識(shí)別，獲取影響資源領(lǐng)取和資源使用的關(guān)鍵行為特征；再利用所述專(zhuān)家網(wǎng)絡(luò)對(duì)所述關(guān)鍵行為特征和所述共享特征中的屬性特征進(jìn)行預(yù)測(cè)，得到資源領(lǐng)取中間向量和資源使用中間向量；根據(jù)所述資源領(lǐng)取中間向量、所述資源使用中間向量、以及所述門(mén)控網(wǎng)絡(luò)基于所述共享特征輸出的領(lǐng)取權(quán)重和使用權(quán)重，獲取所述用戶對(duì)各個(gè)待推薦資源的領(lǐng)取概率和使用概率。

7、可選地，所述專(zhuān)家網(wǎng)絡(luò)包括資源領(lǐng)取專(zhuān)家網(wǎng)絡(luò)和資源使用專(zhuān)家網(wǎng)絡(luò)；使用自注意力機(jī)制對(duì)所述專(zhuān)家網(wǎng)絡(luò)接收到的共享特征中的所述行為特征進(jìn)行理解和識(shí)別，獲取影響資源領(lǐng)取和資源使用的關(guān)鍵行為特征，包括：分別將所述資源領(lǐng)取專(zhuān)家網(wǎng)絡(luò)和所述資源使用專(zhuān)家網(wǎng)絡(luò)中的行為特征編碼轉(zhuǎn)換為高維行為向量；使用自注意力機(jī)制計(jì)算所述資源領(lǐng)取專(zhuān)家網(wǎng)絡(luò)中所述高維行為向量的各個(gè)行為向量之間的領(lǐng)取關(guān)聯(lián)權(quán)重，以及所述資源使用專(zhuān)家網(wǎng)絡(luò)中所述高維行為向量的各個(gè)行為向量之間的使用關(guān)聯(lián)權(quán)重；根據(jù)所述領(lǐng)取關(guān)聯(lián)權(quán)重，對(duì)所述資源領(lǐng)取專(zhuān)家網(wǎng)絡(luò)中所述高維行為向量的各個(gè)所述行為向量進(jìn)行加權(quán)求和，得到影響資源領(lǐng)取的關(guān)鍵行為特征；根據(jù)所述使用關(guān)聯(lián)權(quán)重，對(duì)所述資源使用專(zhuān)家網(wǎng)絡(luò)中所述高維行為向量的各個(gè)所述行為向量進(jìn)行加權(quán)求和，得到影響資源使用的關(guān)鍵行為特征。

8、可選地，所述門(mén)控網(wǎng)絡(luò)包括資源領(lǐng)取門(mén)控網(wǎng)絡(luò)和資源使用門(mén)控網(wǎng)絡(luò)；所述資源領(lǐng)取門(mén)控網(wǎng)絡(luò)輸出第一領(lǐng)取權(quán)重和第一使用權(quán)重；所述資源使用門(mén)控網(wǎng)絡(luò)輸出第二領(lǐng)取權(quán)重和第二使用權(quán)重；根據(jù)所述資源領(lǐng)取中間向量、資源使用中間向量、以及所述門(mén)控網(wǎng)絡(luò)基于所述共享特征輸出的領(lǐng)取權(quán)重和使用權(quán)重，獲取所述用戶對(duì)各個(gè)待推薦資源的領(lǐng)取概率和使用概率，包括：將所述第一領(lǐng)取權(quán)重和所述第一使用權(quán)重，以及所述第二領(lǐng)取權(quán)重和第二使用權(quán)重，以廣播傳輸?shù)姆绞阶饔糜谒鲑Y源領(lǐng)取中間向量和所述資源使用中間向量，求取資源領(lǐng)取向量和資源使用向量；將所述資源領(lǐng)取向量和所述資源使用向量聚合輸入所述資源推薦模型中的資源領(lǐng)取塔式網(wǎng)絡(luò)和資源使用塔式網(wǎng)絡(luò)，獲得所述用戶對(duì)各個(gè)待推薦資源的領(lǐng)取概率和使用概率。

9、可選地，根據(jù)所述用戶對(duì)各個(gè)所述待推薦資源的領(lǐng)取概率和使用概率，計(jì)算所述用戶對(duì)各個(gè)所述待推薦資源的推薦值，包括：將所述用戶對(duì)各個(gè)所述待推薦資源的領(lǐng)取概率和使用概率進(jìn)行分值映射，生成所述用戶對(duì)各個(gè)所述待推薦資源的領(lǐng)取得分和使用得分；將所述領(lǐng)取得分和所述使用得分的乘積作為所述用戶對(duì)各個(gè)所述待推薦資源的推薦值。

10、可選地，根據(jù)所述推薦值，從各個(gè)所述待推薦資源中確定所述用戶的推薦資源，包括：對(duì)各個(gè)所述待推薦資源按照其對(duì)應(yīng)的推薦值進(jìn)行降序排序；按照降序排序的結(jié)果，從前向后選取指定個(gè)數(shù)的待推薦資源作為所述用戶的推薦資源。

11、可選地，向所述用戶發(fā)送所述推薦資源，包括：通過(guò)所述用戶群體發(fā)送推薦資源的領(lǐng)取鏈接；監(jiān)聽(tīng)到所述用戶的領(lǐng)取動(dòng)作，將所述用戶對(duì)應(yīng)的所述推薦資源返回到所述用戶的領(lǐng)取頁(yè)面，以使所述用戶領(lǐng)取到所述推薦資源。

12、根據(jù)本發(fā)明實(shí)施例的第二方面，提供一種資源推薦裝置，包括：

13、共享特征確定模塊，用于獲取用戶群體中用戶的行為特征和所述用戶群體的屬性特征，將所述行為特征和所述屬性特征進(jìn)行組合，得到共享特征；

14、概率數(shù)據(jù)獲取模塊，用于將所述共享特征輸入預(yù)先訓(xùn)練完畢的資源推薦模型，得到所述資源推薦模型輸出的所述用戶對(duì)各個(gè)待推薦資源的領(lǐng)取概率和使用概率，所述資源推薦模型采用基于自注意力機(jī)制的多任務(wù)學(xué)習(xí)模型；

15、推薦資源確定模塊，用于根據(jù)所述用戶對(duì)各個(gè)所述待推薦資源的領(lǐng)取概率和使用概率，計(jì)算所述用戶對(duì)各個(gè)所述待推薦資源的推薦值，根據(jù)所述推薦值，從各個(gè)所述待推薦資源中確定所述用戶的推薦資源，并向所述用戶發(fā)送所述推薦資源。

16、根據(jù)本發(fā)明實(shí)施例的第三方面，提供一種資源推薦的電子設(shè)備，包括：

17、一個(gè)或多個(gè)處理器；

18、存儲(chǔ)裝置，用于存儲(chǔ)一個(gè)或多個(gè)程序，

19、當(dāng)所述一個(gè)或多個(gè)程序被所述一個(gè)或多個(gè)處理器執(zhí)行，使得所述一個(gè)或多個(gè)處理器實(shí)現(xiàn)本發(fā)明實(shí)施例第一方面提供的方法。

20、根據(jù)本發(fā)明實(shí)施例的第四方面，提供一種計(jì)算機(jī)可讀介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)本發(fā)明實(shí)施例第一方面提供的方法。

21、所述發(fā)明中的一個(gè)實(shí)施例具有如下優(yōu)點(diǎn)或有益效果：通過(guò)獲取用戶群體中用戶的行為特征和用戶群體的屬性特征，將行為特征和屬性特征進(jìn)行組合，得到共享特征；將共享特征輸入預(yù)先訓(xùn)練完畢的資源推薦模型，得到資源推薦模型輸出的用戶對(duì)各個(gè)待推薦資源的領(lǐng)取概率和使用概率，資源推薦模型采用基于自注意力機(jī)制的多任務(wù)學(xué)習(xí)模型；根據(jù)用戶對(duì)各個(gè)待推薦資源的領(lǐng)取概率和使用概率，計(jì)算用戶對(duì)各個(gè)待推薦資源的推薦值，根據(jù)推薦值，從各個(gè)待推薦資源中確定用戶的推薦資源，并向用戶發(fā)送推薦資源的技術(shù)方案，實(shí)現(xiàn)了一種精準(zhǔn)、個(gè)性化的資源推薦方法，充分利用基于自注意力機(jī)制的多任務(wù)學(xué)習(xí)模型的學(xué)習(xí)能力，計(jì)算出用戶對(duì)各個(gè)待推薦資源的領(lǐng)取概率和使用概率，再根據(jù)領(lǐng)取概率和使用概率確定對(duì)應(yīng)的推薦值，不僅保證了資源利用的合理性，實(shí)現(xiàn)推薦資源的個(gè)性化發(fā)放，而且還平衡了資源的領(lǐng)取率和使用率，保證了資源發(fā)放的有效性。