资源召回方法、装置及存储介质与流程

1.本公开涉及计算机技术领域，尤其涉及一种资源召回方法、装置及存储介质。


背景技术：

2.广告是一种比较特殊的资讯和内容资源。相对于一般的资讯和内容，广告由于其展示的成本相对高昂，因此对用户的针对性有更高的要求。通常，每个广告单元都会有其针对的目标人群，广告方总是希望广告单元可以精准地面向其设计的目标人群进行展示。为此，广告平台会为每个广告单元设定人群展示规则。当用户的客户端请求在某个广告展位展示广告时，广告平台需要从备选的广告中筛选出合适的广告。
3.通常，这个筛选过程是通过将各广告单元与各用户进行匹配，判断用户是否符合该广告单元的目标人群特征，来决定向用户投放哪些广告。当备选的广告数量非常庞大，例如达到1万条时，筛选过程涉及的参数量巨大，而每次计算仅能获得一个广告单元与一个用户之间的匹配概率，在经过多次计算获得用户与每个广告单元之间的匹配概率后，才能进一步进行广告筛选，导致筛选效率低。


技术实现要素：

4.本公开提供一种资源召回方法、装置及存储介质，能够提升资源筛选效率。本公开的技术方案如下：
5.根据本公开实施例的第一方面，提供一种资源召回方法，包括：
6.获取用户集和资源集，其中，所述用户集包括多个用户的用户信息，所述资源集包括多个待投放资源的资源信息；
7.对所述用户集中所有用户信息的用户特征进行拼接，获得拼接用户特征，对所述资源集中所有资源信息的资源特征进行拼接，获得拼接资源特征；
8.对所述拼接用户特征和所述拼接资源特征进行匹配处理，获得预测匹配数据，所述预测匹配数据包括分别与所述用户集中每个用户信息对应的用户匹配数据和/或，分别与所述资源集中每个资源信息对应的资源匹配数据，其中，所述用户匹配数据用于表征对应的用户信息与所述资源集中每个资源信息之间的匹配概率，所述资源匹配数据用于表征对应的资源信息与所述用户集中每个所述用户信息之间的匹配概率；
9.根据所述预测匹配数据，从所述资源集中筛选出各用户信息对应的用户需召回的目标资源。
10.在一示例性实施例中，所述方法还包括：对所述用户信息和所述资源信息分别进行特征提取，获得所述用户集中每个用户信息的用户特征以及所述资源集中每个资源信息的资源特征。
11.在一示例性实施例中，所述根据所述预测匹配数据，从所述资源集中筛选出各用户信息对应的用户需召回的目标资源，包括：
12.从每个用户匹配数据包含的多个匹配概率中或者每个资源匹配数据包含的多个
匹配概率中，确定目标匹配概率；
13.确定与所述目标匹配概率关联的资源信息和用户信息，将所述目标匹配概率关联的资源信息，作为与所述目标匹配概率关联的用户信息对应的用户需召回的目标资源。
14.在一示例性实施例中，所述从每个用户匹配数据包含的多个匹配概率中或者每个资源匹配数据包含的多个匹配概率中，确定目标匹配概率，包括：
15.对每个用户匹配数据包含的各匹配概率进行排序，基于排序结果确定目标匹配概率；或者，对每个资源匹配数据包含的各匹配概率进行排序，基于排序结果确定目标匹配概率；或者，根据每个用户匹配数据包含的各匹配概率与预设阈值之间的比较结果，确定目标匹配概率；或者，根据每个资源匹配数据包含的各匹配概率与预设阈值之间的比较结果，确定目标匹配概率。
16.在一示例性实施例中，所述确定与所述目标匹配概率关联的资源信息和用户信息，包括：
17.获取所述目标匹配概率对应的资源标识和用户标识；
18.根据所述资源标识确定与所述目标匹配概率关联的资源信息，根据所述用户标识确定与所述目标匹配概率关联的用户信息，
19.其中，所述用户标识为所述用户信息的用户特征输入所述预测模型的输入顺序信息或者预设的用户编号信息，所述资源标识为所述资源信息的资源特征输入所述预测模型的输入顺序信息或者预设的资源编号信息。
20.在一示例性实施例中，将所述用户集中的用户信息和所述资源集中的资源信息输入预测模型，通过所述预测模型获得所述预测匹配数据，所述预测模型通过以下方法训练得到：
21.获取样本数据，所述样本数据包括样本用户集、样本资源集和标签集，所述样本用户集包括多个样本用户信息，所述样本资源集包括多个样本资源信息，所述标签集包括与每个样本用户信息或者每个样本资源信息对应的标签值，每个标签值用于表征一个样本用户信息与一个样本资源信息之间是否匹配；
22.将所述样本用户信息和所述样本资源信息输入深度学习模型，获取样本拼接用户特征和样本拼接资源特征，对所述样本拼接用户特征和所述样本拼接资源特征进行匹配处理，获得样本预测匹配数据；
23.根据所述样本预测匹配数据和所述样本数据中的标签值，确定与所述样本预测匹配数据对应的标签数据；
24.根据样本预测匹配数据与所述标签数据，计算得到损失值；
25.根据所述损失值训练深度学习模型，得到预测模型。
26.在一示例性实施例中，所述获取样本拼接用户特征和样本拼接资源特征，对所述样本拼接用户特征和所述样本拼接资源特征进行匹配处理，获得样本预测匹配数据，包括：
27.对所述样本用户集中所有样本用户信息的样本用户特征进行拼接，获得样本拼接用户特征，对所述样本资源集中所有样本资源信息的样本资源特征进行拼接，获得样本拼接资源特征；
28.对所述样本拼接用户特征和所述样本拼接资源特征进行匹配处理，获得样本预测匹配数据，所述样本预测匹配数据包括分别与所述样本用户集中每个样本用户信息对应的
样本用户匹配数据和/或，分别与所述样本资源集中每个样本资源信息对应的样本资源匹配数据，其中，所述样本用户匹配数据用于表征对应的样本用户信息与所述样本资源集中每个样本资源信息之间的匹配概率，所述样本资源匹配数据用于表征对应的样本资源信息与所述样本用户集中每个样本用户信息之间的匹配概率。
29.在一示例性实施例中，所述方法还包括：对所述样本用户信息进行特征提取，得到所述样本用户信息的样本用户特征；对所述样本资源信息进行特征提取，得到所述样本资源信息的样本资源特征。
30.在一示例性实施例中，所述根据所述样本预测匹配数据和所述样本数据中的标签值，确定与所述样本预测匹配数据对应的标签数据，包括：
31.确定与所述样本匹配数据中每个样本用户匹配数据的每个匹配概率关联的样本用户标识和样本资源标识；
32.根据所述匹配概率关联的样本用户标识和样本资源标识，获取与每个匹配概率对应的标签值；
33.根据与每个匹配概率对应的标签值以及各匹配概率在所述样本匹配数据中的排序，生成标签数据，其中，各标签值在所述标签数据中的排序，与各标签值所对应的匹配概率在所述样本匹配数据中的排序相同。
34.在一示例性实施例中，所述方法还包括：将所述样本用户信息输入深度学习模型的用户特征提取网络，利用所述用户特征提取网络对所述样本用户信息进行特征提取，得到所述样本用户信息的样本用户特征；将所述样本资源信息输入深度学习模型的资源特征提取网络，利用所述资源特征提取网络对所述样本资源信息进行特征提取，得到所述样本资源信息的样本资源特征。
35.根据本公开实施例的第二方面，提供一种资源召回装置，包括：
36.信息获取单元，被配置为获取用户集和资源集，其中，所述用户集包括多个用户的用户信息，所述资源集包括多个待投放资源的资源信息；
37.预测匹配数据获取单元，被配置为对所述用户集中所有用户信息的用户特征进行拼接，获得拼接用户特征，对所述资源集中所有资源信息的资源特征进行拼接，获得拼接资源特征；对所述拼接用户特征和所述拼接资源特征进行匹配处理，获得预测匹配数据，所述预测匹配数据包括分别与所述用户集中每个用户信息对应的用户匹配数据和/或，分别与所述资源集中每个资源信息对应的资源匹配数据，其中，所述用户匹配数据用于表征对应的用户信息与所述资源集中每个资源信息之间的匹配概率，所述资源匹配数据用于表征对应的资源信息与所述用户集中每个所述用户信息之间的匹配概率；
38.目标资源确定单元，被配置为根据所述预测匹配数据，从所述资源集中筛选出各用户信息对应的用户需召回的目标资源。
39.在一示例性实施例中，所述预测匹配数据获取单元，被配置为对所述用户信息和所述资源信息分别进行特征提取，获得所述用户集中每个用户信息的用户特征以及所述资源集中每个资源信息的资源特征。
40.在一示例性实施例中，所述目标资源确定单元包括：
41.目标匹配概率选取模块，被配置为从每个用户匹配数据包含的多个匹配概率中或者每个资源匹配数据包含的多个匹配概率中，确定目标匹配概率；
42.目标资源确定模块，被配置为确定与所述目标匹配概率关联的资源信息和用户信息，将所述目标匹配概率关联的资源信息，作为与所述目标匹配概率关联的用户信息对应的用户需召回的目标资源。
43.在一示例性实施例中，所述目标匹配概率选取模块，被配置为：对每个用户匹配数据包含的各匹配概率进行排序，基于排序结果确定目标匹配概率；或者，对每个资源匹配数据包含的各匹配概率进行排序，基于排序结果确定目标匹配概率；或者，根据每个用户匹配数据包含的各匹配概率与预设阈值之间的比较结果，确定目标匹配概率；或者，根据每个资源匹配数据包含的各匹配概率与预设阈值之间的比较结果，确定目标匹配概率。
44.在一示例性实施例中，所述目标资源确定模块包括：
45.标识获取子模块，被配置为获取所述目标匹配概率对应的资源标识和用户标识；
46.确定子模块，被配置为根据所述资源标识确定与所述目标匹配概率关联的资源信息，根据所述用户标识确定与所述目标匹配概率关联的用户信息，其中，所述用户标识为所述用户信息的用户特征输入所述预测模型的输入顺序信息或者预设的用户编号信息，所述资源标识为所述资源信息的资源特征输入所述预测模型的输入顺序信息或者预设的资源编号信息。
47.在一示例性实施例中，所述装置还包括模型获取单元，所述模型获取单元用于对所述用户集中的用户信息和所述资源集中的资源信息进行处理，获得所述预测匹配数据；所述模型获取单元包括：
48.样本获取模块，被配置为获取样本数据，所述样本数据包括样本用户集、样本资源集和标签集，所述样本用户集包括多个样本用户信息，所述样本资源集包括多个样本资源信息，所述标签集包括与每个样本用户信息或者每个样本资源信息对应的标签值，每个标签值用于表征一个样本用户信息与一个样本资源信息之间是否匹配；
49.模型训练模块，被配置为将所述样本用户信息和所述样本资源信息输入深度学习模型，获取样本拼接用户特征和样本拼接资源特征，对所述样本拼接用户特征和所述样本拼接资源特征进行匹配处理，获得样本预测匹配数据；根据所述样本预测匹配数据和所述样本数据中的标签值，确定与所述样本预测匹配数据对应的标签数据；根据样本预测匹配数据与所述标签数据，计算得到损失值；根据所述损失值训练深度学习模型，得到预测模型。
50.在一示例性实施例中，所述模型训练模块，被配置为：
51.对所述样本用户集中所有样本用户信息的样本用户特征进行拼接，获得样本拼接用户特征，对所述样本资源集中所有样本资源信息的样本资源特征进行拼接，获得样本拼接资源特征；
52.对所述样本拼接用户特征和所述样本拼接资源特征进行匹配处理，获得样本预测匹配数据，所述样本预测匹配数据包括分别与所述样本用户集中每个样本用户信息对应的样本用户匹配数据和/或，分别与所述样本资源集中每个样本资源信息对应的样本资源匹配数据，其中，所述样本用户匹配数据用于表征对应的样本用户信息与所述样本资源集中每个样本资源信息之间的匹配概率，所述样本资源匹配数据用于表征对应的样本资源信息与所述样本用户集中每个样本用户信息之间的匹配概率。
53.在一示例性实施例中，所述模型训练模块，被配置为对所述样本用户信息进行特
征提取，得到所述样本用户信息的样本用户特征；对所述样本资源信息进行特征提取，得到所述样本资源信息的样本资源特征。
54.在一示例性实施例中，所述模型训练模块包括：
55.样本标识确定子模块，被配置为确定与所述样本匹配数据中每个样本用户匹配数据的每个匹配概率关联的样本用户标识和样本资源标识；
56.标签值获取子模块，被配置为根据所述匹配概率关联的样本用户标识和样本资源标识，获取与每个匹配概率对应的标签值；
57.标签数据生成子模块，被配置为根据与每个匹配概率对应的标签值以及各匹配概率在所述样本匹配数据中的排序，生成标签数据，其中，各标签值在所述标签数据中的排序，与各标签值所对应的匹配概率在所述样本匹配数据中的排序相同。
58.在一示例性实施例中，所述模型训练模块还包括：
59.样本特征获取子模块，被配置为将所述样本用户信息输入深度学习模型的用户特征提取网络，利用所述用户特征提取网络对所述样本用户信息进行特征提取，得到所述样本用户信息的样本用户特征；将所述样本资源信息输入深度学习模型的资源特征提取网络，利用所述资源特征提取网络对所述样本资源信息进行特征提取，得到所述样本资源信息的样本资源特征。
60.根据本公开实施例的第三方面，提供一种电子设备，包括：
61.处理器；
62.用于存储所述处理器可执行指令的存储器；
63.其中，所述处理器被配置为执行所述指令，以实现如上述第一方面所述的资源召回方法。
64.根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的资源召回方法。
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，当所述计算机程序产品中的指令由计算机设备的处理器执行时，使得计算机设备能够执行第一方面所述的资源召回方法。
66.本公开的实施例提供的技术方案至少带来以下有益效果：
67.本公开实施例提供的资源召回方法、装置及存储介质，通过获取用户集中多个用户的用户信息和资源集中多个资源的资源信息，确定每个用户信息的用户特征和每个资源信息的资源特征，对用户集中所有用户信息的用户特征进行拼接，得到拼接用户特征，对资源集中所有资源信息的资源特征进行拼接，得到拼接资源特征，然后对拼接用户特征和拼接资源特征进行匹配处理，获得预测匹配数据，根据预测匹配数据，从资源集中筛选出各用户信息对应的用户需召回的目标资源。本公开实施例中，对拼接用户特征和拼接资源特征进行匹配获得的预测匹配数据，不是表征单个用户信息与各资源信息之间的匹配关系，而是表征用户集中所有用户与资源集中所有资源之间的匹配关系，具体包括分别与用户集中每个用户信息对应的用户匹配数据和/或，分别与资源集中每个资源信息对应的资源匹配数据，其中，用户匹配数据用于表征对应的用户信息与资源集中每个资源信息之间的匹配概率，资源匹配数据用于表征对应的资源信息与用户集中每个用户信息之间的匹配概率；实现了通过一次匹配处理获得多个用户信息与多个资源信息之间的匹配结果，减少了用户
信息与资源信息匹配过程中参与计算的参数的数量，减少了匹配计算的次数，因此可以提升资源召回的响应速度，解决相关技术中资源筛选效率低的问题。
68.本公开实施例中，将样本用户集中的样本用户信息和样本资源集中的样本资源信息输入深度学习模型，基于深度学习模型输出的样本预测匹配数据，结合样本数据中的标签值确定出与样本预测数据对应的标签数据，进而基于标签数据与样本预测匹配数据之间的损失值来训练深度学习模型，得到预测模型，能够使预测模型自动学习到将多个用户信息和多个资源信息之间的匹配概率以整体数据的形式输出的能力，实现在不降低模型预测能力的基础上，提升模型的数据处理效率。
69.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
70.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。
71.图1是根据一示例性实施例示出的一种资源召回方法的实施环境示意图。
72.图2是相关技术中用于预测点击率的模型的网络结构示意图。
73.图3是根据一示例性实施例示出的一种资源召回方法的流程示意图。
74.图4是根据一示例性实施例示出的一种资源召回方法的流程图。
75.图5是根据一示例性实施例示出的一种预测模型的训练方法的流程图。
76.图6是根据一示例性实施例示出的一种预测模型的网络结构示意图。
77.图7是根据一示例性实施例示出的一种根据预测模型进行资源召回的方法的流程示意图。
78.图8是根据一示例性实施例示出的一种资源召回装置的结构示意图。
79.图9是根据一示例性实施例示出的另一种资源召回装置的结构示意图。
80.图10是根据一示例性实施例示出的一种资源召回方法的服务器的框图。
具体实施方式
81.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。
82.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。
83.图1是根据一示例性实施例示出的一种资源召回方法的实施环境示意图；请参考图1，该实施环境包括：客户端01、服务器03。
84.客户端01可以包括：智能手机、平板电脑、笔记本电脑、数字助理、智能可穿戴设备、车载终端等类型的实体设备，也可以包括运行于实体设备中的软体。客户端01可以基于
浏览器/服务器模式(browser/server，b/s)或客户端/服务器模式(client/server，c/s)与服务器03通信连接。
85.服务器03可以包括一个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群。
86.服务器03用于接收用户通过客户端提交的页面访问请求，并获取用户的用户信息以及待投放资源的资源信息，其中，待投放资源可以是资源主通过资源投放客户端向服务器03递交的，服务器接收到待投放资源后可以将待投放资源存储于资源池中，当服务器03接收到用户的页面访问请求时，可以将资源池中的待投放资源与用户信息进行匹配，找到与用户信息匹配度较高的至少一个资源进行召回，而后可以向用户投放召回的资源。本公开实施例中，服务器03分别对多个用户信息和多个资源信息进行特征提取，将提取获得的多个用户特征进行拼接，得到拼接用户特征，将提取获得的多个资源特征进行拼接，得到拼接资源特征，然后对拼接用户特征和拼接资源特征进行匹配，获得预测匹配数据，进而根据预测匹配数据，从多个待投放资源中筛选出各用户需召回的目标资源。其中，预测匹配数据包括分别与用户集中每个用户信息对应的用户匹配数据和/或，分别与资源集中每个资源信息对应的资源匹配数据，其中，用户匹配数据用于表征对应的用户信息与资源集中每个资源信息之间的匹配概率，资源匹配数据用于表征对应的资源信息与用户集中每个用户信息之间的匹配概率。通过在预测处理过程中，分别将用户特征和资源特征进行拼接，使得模型处理和输出的参数减少，从而缩短了预测耗时，能够提升对用户请求的响应速度，优化用户体验。
87.在用户打开客户端的应用，或者浏览应用中的内容时，客户端即向服务器发出资源召回请求，服务器可以获取用户的用户信息以及待投放资源的资源信息，将用户信息和资源信息输入训练得到的模型中进行点击率预测。其中，用户信息包括但不限于用户的性别、年龄等，待投放资源可以是广告资源，资源信息包括但不限于广告的标识、长宽比例、视频时长等，点击率预测即预测用户点击待投放广告的概率或者待投放广告被用户点击的概率。相关技术中，用于点击率预测的模型一般是通过对多层感知机神经网络训练得到的，其网络结构如图2所示，包括特征层、隐含层、输出层和预测层，该网络结构用于对用户信息和广告信息进行匹配，其包含对用户信息和广告信息的分别处理和匹配处理过程，故特征层包括用户特征层和广告特征层，隐含层包括用户隐含层和广告隐含层，输出层包括用户输出层和广告输出层，用户信息输入网络后，由用户特征层对用户信息进行特征提取，经用户隐含层处理后从用户输出层输出，广告信息输入网络后，由广告特征层对广告信息进行特征提取，经广告隐含层处理后从广告输出层输出，预测层对用户输出层的输出与广告输出层的输出进行匹配处理，输出用户与广告的匹配概率，该匹配概率即为该用户点击广告的点击率。使用该网络结构进行点击率预测过程中，由于将单个用户的用户信息和单个广告的广告信息作为输入进行匹配预测，当同一时间的广告召回请求数量较多时，针对单个用户的广告召回结果反馈必定会存在延迟，速度响应成为在线广告召回请求时的瓶颈。例如，当用户信息个数为u，则网络参数个数为：u
×
h1+h1
×
ou+i
×
h2+h2
×
oi，其中，u
×
h1+h1
×
ou为用户侧参数个数，i
×
h2+h2
×
oi为广告侧参数个数。
88.对于相关技术中存在的模型对多个广告资源召回请求的响应速度慢的技术问题，本公开实施例提出通过优化模型的网络结构，改变模型以单个用户匹配单个广告资源的设
计，使用多个用户与多个广告资源匹配，实现通过一次输入获得多个用户点击多个广告资源的预测概率，减少模型需处理参数的个数，提升对广告资源召回请求的响应速度。
89.根据以上发明思路，本公开实施例提供了如图3所示的一种资源召回方法的流程示意图。请参见图3，本公开的一种资源召回方法包括以下步骤：
90.s301，获取用户集和资源集，其中，用户集包括多个用户的用户信息，资源集包括多个待投放资源的资源信息。
91.s303，对用户集中所有用户信息的用户特征进行拼接，获得拼接用户特征，对资源集中所有资源信息的资源特征进行拼接，获得拼接资源特征。
92.s305，对拼接用户特征和拼接资源特征进行匹配处理，获得预测匹配数据，预测匹配数据包括分别与用户集中每个用户信息对应的用户匹配数据和/或，分别与资源集中每个资源信息对应的资源匹配数据。
93.其中，用户匹配数据用于表征对应的用户信息与资源集中每个资源信息之间的匹配概率，资源匹配数据用于表征对应的资源信息与用户集中每个用户信息之间的匹配概率。
94.s307，根据预测匹配数据，从资源集中筛选出各用户信息对应的用户需召回的目标资源。
95.本公开实施例提供的资源召回方法，通过获取用户集中多个用户的用户信息和资源集中多个资源的资源信息，确定每个用户信息的用户特征和每个资源信息的资源特征，对用户集中所有用户信息的用户特征进行拼接，得到拼接用户特征，对资源集中所有资源信息的资源特征进行拼接，得到拼接资源特征，然后对拼接用户特征和拼接资源特征进行匹配处理，获得预测匹配数据，根据预测匹配数据，从资源集中筛选出各用户信息对应的用户需召回的目标资源。本公开实施例中，对拼接用户特征和拼接资源特征进行匹配获得的预测匹配数据，不是表征单个用户信息与各资源信息之间的匹配关系，而是表征用户集中所有用户与资源集中所有资源之间的匹配关系，具体包括分别与用户集中每个用户信息对应的用户匹配数据和/或，分别与资源集中每个资源信息对应的资源匹配数据，其中，用户匹配数据用于表征对应的用户信息与资源集中每个资源信息之间的匹配概率，资源匹配数据用于表征对应的资源信息与用户集中每个用户信息之间的匹配概率；实现了通过一次匹配处理获得多个用户信息与多个资源信息之间的匹配结果，减少了用户信息与资源信息匹配过程中参与计算的参数的数量，减少了匹配计算的次数，因此可以提升资源召回的响应速度，解决相关技术中资源筛选效率低的问题。
96.在一个可能的实现方式中，可以通过模型对用户集和资源集中的数据进行处理，来获得预测匹配数据。图4是根据一示例性实施例示出的一种资源召回方法的流程图。请参见图4，本公开的资源召回方法可以包含两部分，分为模型训练部分和模型应用部分。模型训练部分主要是基于训练样本(样本用户集、样本资源集和标签集)训练深度学习模型，得到预测模型；模型应用部分主要是将用户集的用户信息和资源集的资源信息输入预测模型，输出得到预测匹配数据，之后可以基于预测匹配数据，从资源集中筛选出各用户信息对应的用户需召回的目标资源。
97.图5是根据一示例性实施例示出的一种预测模型的训练方法的流程图。如图5所示，该方法用于服务器中，包括以下步骤。
98.s501，获取样本数据，样本数据包括样本用户集、样本资源集和标签集，样本用户集包括多个样本用户信息，样本资源集包括多个样本资源信息，标签集包括与每个样本用户信息或者每个样本资源信息对应的标签值，每个标签值用于表征一个样本用户信息与一个样本资源信息之间是否匹配。
99.在一个可能的实现方式中，样本资源可以是广告资源，具体可以根据广告系统曝光过的广告及曝光面向的用户生成样本数据，将n个广告投放给m个用户，m和n为大于1的整数，统计m个用户中每个用户对n个广告中每个广告的点击情况，如果用户点击了广告，则确定用户信息与广告之间相互匹配，可以将用户信息及该用户点击的广告作为正样本，如果用户没有点击广告，则确定用户信息与广告之间不匹配，可以将用户及未被用户点击的广告作为负样本，进一步可以为正样本和负样本对应的标签值赋值，标签值用于指示样本的正负样本性质(也即样本对应的用户信息与广告之间是否匹配)，具体可以体现为用户对广告的点击率，例如可以为正样本对应的标签值赋值为100％负样本对应的标签值赋值为0％。进一步的，可以根据正样本及对应的标签值、负样本及对应的标签值生成样本数据，样本数据包括n个广告的广告信息(即资源信息)、m个用户的用户信息以及m个用户中每个用户与n个广告中每个广告之间所对应的标签值。
100.需要说明的是，由于样本通常为一些离线数据，所以上述样本数据包括的样本用户信息可以称为样本用户的离线信息，其可以包括但不限于性别、年龄、居住地、购物记录以及消费记录等等。上述样本广告信息至少可以包括文案信息和图片信息，其中，文案信息可以包括但不限于词向量特征，图片信息可以包括但不限于像素特征等。
101.在一个例子中，可以通过特征提取工具获取上述样本用户信息以及样本广告信息。对于上述获取到的样本用户信息以及样本广告信息，可以对其进行预处理。这里的预处理可以包括但不限于特征过滤、缺省值填充以及归一化等操作。此外，还可以将获取的样本用户信息和样本广告信息进行存储。
102.s503，将样本用户信息和样本资源信息输入深度学习模型，获取样本拼接用户特征和样本拼接资源特征，对样本拼接用户特征和样本拼接资源特征进行匹配处理，获得样本预测匹配数据。
103.在一个可能的实现方式中，将样本用户信息和样本资源信息输入深度学习模型后，利用深度学习模型进行如下处理：
104.1)对样本用户信息进行特征提取，得到样本用户信息的样本用户特征；对样本资源信息进行特征提取，得到样本资源信息的样本资源特征；
105.2)对样本用户集中所有样本用户信息的样本用户特征进行拼接，获得样本拼接用户特征，对样本资源集中所有样本资源信息的样本资源特征进行拼接，获得样本拼接资源特征；
106.3)对样本拼接用户特征和样本拼接资源特征进行匹配处理，获得样本预测匹配数据，样本预测匹配数据包括分别与样本用户集中每个样本用户信息对应的样本用户匹配数据和/或，分别与样本资源集中每个样本资源信息对应的样本资源匹配数据，其中，样本用户匹配数据用于表征对应的样本用户信息与样本资源集中每个样本资源信息之间的匹配概率，样本资源匹配数据用于表征对应的样本资源信息与样本用户集中每个样本用户信息之间的匹配概率。
107.图6是根据一示例性实施例示出的一种预测模型的网络结构示意图。请参见图6，包括特征提取网络、特征拼接网络和预测网络，特征提取网络分为用户特征提取网络和资源特征提取网络，特征拼接网络分为用户特征拼接网络和资源特征拼接网络；用户特征提取网络包括用户特征层、多个用户隐含层和多个用户输出层，用户输出层与用户隐含层一一对应，多个用户输出层的输出共同作为用户输出拼接层的输入；资源特征提取网络包括资源特征层、多个资源隐含层和多个资源输出层，资源输出层与资源隐含层一一对应，多个资源输出层的输出共同作为资源输出拼接层的输入；预测网络根据用户输出拼接层的输出和资源输出拼接层的输出进行概率预测，其输出的匹配预测数据可以表征每个用户点击每个资源的预测概率。
108.在一个可行的实现方式中，可以将样本用户信息输入深度学习模型的用户特征提取网络，利用用户特征提取网络对样本用户信息进行特征提取，得到样本用户信息的样本用户特征；将样本资源信息输入深度学习模型的资源特征提取网络，利用资源特征提取网络对样本资源信息进行特征提取，得到样本资源信息的样本资源特征。将样本用户集中所有样本用户信息的样本用户特征输入深度学习模型的用户特征拼接网络，利用用户特征拼接网络对样本用户集中所有样本用户信息的样本用户特征进行拼接，获得样本拼接用户特征；将样本资源集中所有样本资源信息的样本资源特征输入深度学习模型的资源特征拼接网络，利用资源特征拼接网络对样本资源集中所有样本资源信息的样本资源特征进行拼接，获得样本拼接资源特征。将样本拼接用户特征和样本拼接资源特征输入深度学习模型的预测网络，利用预测网络对样本拼接用户特征和样本拼接资源特征进行匹配处理，获得样本预测匹配数据。
109.具体的，将多个样本用户信息输入特征提取网络后，用户特征层提取每个样本用户信息对应的样本用户特征向量，将提取的每个样本用户的样本用户特征向量作为一个单独的参数传递到对应的隐藏层，然后通过权重和激励函数来计算结果，并将结果传递给下一层，直到最后传递给输出层，每个输出层输出一个与样本用户信息对应的输出结果，输出层将输出结果传递给用户输出拼接层，用户输出拼接层将来自各输出层的输出结果进行拼接，得到一个与多个样本用户信息对应的特征向量。资源特征提取网络包括资源特征层、隐含层和输出层，当多个样本资源信息输入模型后，资源特征层提取每个样本资源信息对应的样本资源特征向量，将提取的每个样本资源的样本资源特征向量作为一个单独的参数传递到对应的隐藏层，然后通过权重和激励函数来计算结果，并将结果传递给下一层，直到最后传递给输出层，每个输出层输出一个与样本资源信息对应的输出结果，输出层将输出结果传递给资源输出拼接层，资源输出拼接层将来自各输出层的输出结果进行拼接，得到一个与多个样本资源信息对应的特征向量；用户输出拼接层和资源输出拼接层分别将拼接后的特征向量传递给预测网络，预测网络对拼接后的用户特征向量和拼接后的资源特征向量进行匹配处理，输出匹配预测数据。
110.针对相关技术中将单个用户信息与单个资源信息输入模型进行预测处理，导致模型在处理多个用户信息及多个资源信息时需将单个用户信息与单个资源信息逐一进行匹配，存在匹配次数多、效率低的问题，本公开实施例对模型的网络结构进行了改造，使得模型能够同时处理多个用户信息和多个资源信息，一次性输出多个用户信息与多个资源信息之间的匹配概率，提高数据处理效率。
111.s505，根据样本预测匹配数据和样本数据中的标签值，确定与所述样本预测匹配数据对应的标签数据。
112.由于深度学习模型输出的匹配预测数据，是由多个预测概率组成的数组，而样本数据提供的标签值是针对单个样本用户和单个样本资源的，无法直接进行损失值计算，因此需要获得每个预测概率对应的样本用户及样本资源对应的标签值，并将标签值处理成与匹配预测数据相适应的数据结构。
113.在一个可能的实现方式中，可以确定与样本匹配数据中每个样本用户匹配数据的每个匹配概率关联的样本用户标识和样本资源标识；根据匹配概率关联的样本用户标识和样本资源标识，获取与每个匹配概率对应的标签值；根据与每个匹配概率对应的标签值以及各匹配概率在样本匹配数据中的排序，生成标签数据，其中，各标签值在标签数据中的排序，与各标签值所对应的匹配概率在样本匹配数据中的排序相同。
114.s507，根据样本预测匹配数据与标签数据，计算得到损失值。
115.s509，根据损失值训练深度学习模型，得到预测模型。
116.在一个可能的实现方式中，根据损失值训练深度学习模型可以包括：根据步骤s507获得的损失值调整深度学习模型的参数值，并将样本用户特征和样本资源特征输入至调整参数后的深度学习模型，直至达到训练停止条件时，将训练得到深度学习模型作为预测模型。其中，训练停止条件可以是损失值低于预设的损失阈值，或者，训练次数达到预设的次数阈值，或者，本轮迭代的损失值相对一上一轮迭代的损失值没有明显降低。
117.需要说明的是，本公开实施例仅是以执行主体为服务器为例，在另一实施例中，还可以由终端执行本公开实施例提供的训练方法，本公开实施例对执行主体不做限定。
118.本公开实施例中，将样本用户集中的样本用户信息和样本资源集中的样本资源信息输入深度学习模型，基于深度学习模型输出的样本预测匹配数据，结合样本数据中的标签值确定出与样本预测数据对应的标签数据，进而基于标签数据与样本预测匹配数据之间的损失值来训练深度学习模型，得到预测模型，能够使预测模型自动学习到将多个用户信息和多个资源信息之间的匹配概率以整体数据的形式输出的能力，实现在不降低模型预测能力的基础上，提升模型的数据处理效率。
119.图7是根据一示例性实施例示出的一种根据预测模型进行资源召回的方法的流程示意图，应用于服务器，参见图7，包括以下步骤。
120.s701，获取用户集和资源集，其中，用户集包括多个用户的用户信息，资源集包括多个待投放资源的资源信息。
121.获取来自至少两个用户的资源召回请求。以资源为广告为例，可以理解，用户的客户端应用中会包含一些用于展示广告的广告展位。当用户登录客户端的应用，浏览应用中的内容时，客户端即向广告平台发出资源召回请求，请求获取匹配的资源，从而在展位中进行展示。在用户登录客户端的情况下，用户与客户端存在对应关系，因而也可以视为由用户发出资源召回请求。一般地，资源召回请求中至少包括，发出请求的用户信息以及展位信息，用户信息可以包括用户的性别、年龄、地域、兴趣等，展位信息例如可以是展位标识。
122.待投放资源是资源主拟通过资源平台向用户投放的资源，资源一般有对应的受众人群，为提高资源投放的准确度，资源平台需要根据用户信息和资源信息来对资源和用户进行匹配，即预测某个资源投放给用户后该用户点击该资源的概率，概率越大说明资源曝
光后用户点击资源的可能性越大。一般的，资源主提供的待投放资源会存储与资源平台的资源池中，当获取到来自用户的资源召回请求时，可以将用户的用户信息与资源池中各资源的资源信息进行匹配，来根据预测的点击概率找到最适合投放给用户的资源。其中，资源可以以视频形式或者图文形式展示，对于视频资源，其资源信息包括但不限于视频画面的长宽比例、视频的播放时长等，对于图文资源，其资源信息包括但不限于图像的长宽比例、文本信息等。
123.s703，获取预测模型。
124.本公开实施例中，预测模型已训练完成并存储于服务器中，当需要进行资源召回时，可以获取已经存储的预测模型。其中，该预测模型可以通过步骤s501-步骤s509训练得到，或者也可以采用其他方式训练得到。
125.s705，将用户信息和资源信息输入预测模型，对用户集中所有用户信息的用户特征进行拼接，获得拼接用户特征，对资源集中所有资源信息的资源特征进行拼接，获得拼接资源特征；对拼接用户特征和拼接资源特征进行匹配处理，获得预测匹配数据，预测匹配数据包括分别与用户集中每个用户信息对应的用户匹配数据和/或，分别与资源集中每个资源信息对应的资源匹配数据，其中，用户匹配数据用于表征对应的用户信息与资源集中每个资源信息之间的匹配概率，资源匹配数据用于表征对应的资源信息与用户集中每个用户信息之间的匹配概率。
126.具体的，预测模型对输入的用户信息和资源信息进行如下处理：对用户信息和资源信息分别进行特征提取，获得用户集中每个用户信息的用户特征以及资源集中每个资源信息的资源特征；对用户集中所有用户信息的用户特征进行拼接，获得拼接用户特征，对资源集中所有资源信息的资源特征进行拼接，获得拼接资源特征；对拼接用户特征和拼接资源特征进行匹配处理，获得预测匹配数据。
127.预测模型包括特征提取网络、特征拼接网络和预测网络，其中，特征提取网络又分为资源特征提取网络和用户特征提取网络，特征拼接网络又分为资源特征拼接网络和用户特征拼接网络。在将用户集中的用户信息和资源集中的资源信息输入预测模型后，用户特征提取网络对各用户信息进行特征提取，得到每个用户信息的用户特征，将提取得到的用户特征传递给用户特征拼接网络，利用用户特征拼接网络对用户集中所有用户信息的用户特征进行拼接，得到拼接用户特征，将拼接用户特征传入预测网络；与此同时，资源特征提取网络对资源集中的资源信息进行特征提取，得到每个资源信息的资源特征，将提取得到的资源特征传递给资源特征拼接网络，利用资源特征拼接网络对资源集中所有资源信息的资源特征进行拼接，得到拼接资源特征，将拼接资源特征传入预测网络；多个用户信息经过用户特征提取网络和用户特征拼接网络处理后得到一个拼接后的用户特征向量(即拼接用户特征)；多个资源的资源信息经过资源特征提取网络和资源特征拼接网络处理之后得到一个拼接后的资源特征向量(即拼接资源特征)，虽然输入预测网络的用户信息和资源信息分别为多个，但预测网络仅需要对拼接后的用户特征向量和拼接后的资源特征向量进行匹配预测，相对于相关技术中以单个用户信息和单个资源信息为输入，并针对单个用户及单个资源进行匹配预测的方案而言，本公开实施例大幅减少了在对多个用户信息和多个资源信息进行匹配预测时，预测网络所需处理的参数的个数，能够一次性输出多个用户与多个资源的匹配概率，缩短获得匹配概率的等待时延，提升对资源召回请求的响应速度。
128.s707，根据预测匹配数据，从资源集中筛选出各用户信息对应的用户需召回的目标资源。
129.具体的，可以通过如下步骤确定各用户需召回的目标资源。
130.步骤一，从每个用户匹配数据包含的多个匹配概率中或者每个资源匹配数据包含的多个匹配概率中，确定目标匹配概率。
131.当预测匹配数据为用户匹配数据时，从每个用户匹配数据包含的多个匹配概率中确定目标匹配概率；当预测匹配数据为资源匹配数据时，从每个资源匹配数据包含的多个匹配概率中确定目标匹配概率；当预测匹配数据包括用户匹配数据和资源匹配数据时，可选择从每个用户匹配数据包含的多个匹配概率中确定目标匹配概率，或者从每个资源匹配数据包含的多个匹配概率中确定目标匹配概率。
132.在一个可能的实现方式中，可以对每个用户匹配数据包含的各匹配概率进行排序，基于排序结果确定目标匹配概率。例如，针对每个用户匹配数据，将用户匹配数据中各匹配概率进行降序排序，选取排序在前的n个匹配概率作为目标匹配概率，n为大于等于1的整数。或者，可以对每个资源匹配数据包含的各匹配概率进行排序，基于排序结果确定目标匹配概率。同理，针对每个资源匹配数据，将资源匹配数据中各匹配概率进行降序排序，选取排序在前的n个匹配概率作为目标匹配概率，n为大于等于1的整数。
133.在另一个可能的实现方式中，可以根据每个用户匹配数据包含的各匹配概率与预设阈值之间的比较结果，确定目标匹配概率。示例性的，可以将用户匹配数据中大于预设阈值的匹配概率作为目标匹配概率；还可以将用户匹配数据中大于预设阈值的匹配概率作为候选匹配概率，接着对候选匹配概率进行降序排序，选取排序在前的预设个数的候选匹配概率作为目标匹配概率。或者，可以根据每个资源匹配数据包含的各匹配概率与预设阈值之间的比较结果，确定目标匹配概率。同样的，可以将资源匹配数据中大于预设阈值的匹配概率作为目标匹配概率；还可以将资源匹配数据中大于预设阈值的匹配概率作为候选匹配概率，接着对候选匹配概率进行降序排序，选取排序在前的预设个数的候选匹配概率作为目标匹配概率。
134.步骤二，确定与目标匹配概率关联的资源信息和用户信息，将目标匹配概率关联的资源信息，作为与目标匹配概率关联的用户信息对应的用户需召回的目标资源。
135.其中，确定与目标匹配概率关联的待投放资源和用户可以包括：获取目标匹配概率对应的资源标识和用户标识；根据资源标识确定与目标匹配概率关联的资源信息，根据用户标识确定与目标匹配概率关联的用户信息，其中，用户标识为用户信息的用户特征输入预测模型的输入顺序信息或者预设的用户编号信息，资源标识为资源信息的资源特征输入预测模型的输入顺序信息或者预设的资源编号信息。用户编号信息可以是用户在应用程序的登录账号，资源编号信息可以是待投放资源在资源池中的唯一标识。
136.在获得各用户需召回的目标资源之后，可以对目标资源进行召回。进一步的，还可以响应用户的资源召回请求，将目标资源与资源召回请求对应的展位信息建立映射关系，以便后续根据映射关系进行资源投放。
137.本公开实施例中，匹配概率可以表征用户点击资源信息的可能性，匹配概率越大，则用户点击资源信息的可能性越大，通过将概率值较大的一个或多个匹配概率作为目标匹配概率，找到目标匹配概率关联的用户信息和资源信息，将资源信息作为用户信息对应的
用户需要召回的目标资源，既能够快速确定用户需召回的资源，又能够提高资源召回的准确性，在后续向用户推荐资源信息过程中，有利于提高用户点击资源信息的概率。
138.示例性的，有用户a和用户b，资源1和资源2，按照相关技术处理，需将用户a的特征和资源1的特征匹配计算一次，将用户a的特征和资源2的特征匹配计算一次，将用户b的特征和资源1的特征匹配计算一次，将用户b的特征和资源2的特征匹配计算一次，一共需要计算4次。但是采用本公开实施例的计算过程为：将用户a和用户b的特征拼接得到用户特征ab，将资源1和资源2的特征拼接得到资源特征12，将用户特征ab与资源特征12匹配计算，输出预测匹配数据a(1,2)b(1,2)或者1(a,b)2(a,b)，其中，a(1,2)或者1(a,b)视作一个数据单元，数据单元a(1,2)指示用户a分别与资源1和资源2之间的匹配概率，数据单元1(a,b)指示资源1分别与用户a和用户b之间的匹配概率，接着，根据用户a、b以及资源1、2各自对应的唯一标识，对预测匹配数据进行拆解，就可以获得各用户与各资源的匹配概率，如此，仅需将用户特征ab与资源特征12进行一次匹配运算，处理两个参数，就可以获得4个匹配信息，大幅减少了匹配运算次数，能够快速得到匹配结果。
139.本公开实施例提供的资源召回方法、装置及存储介质，通过获取用户集中多个用户的用户信息和资源集中多个资源的资源信息，确定每个用户信息的用户特征和每个资源信息的资源特征，对用户集中所有用户信息的用户特征进行拼接，得到拼接用户特征，对资源集中所有资源信息的资源特征进行拼接，得到拼接资源特征，然后对拼接用户特征和拼接资源特征进行匹配处理，获得预测匹配数据，根据预测匹配数据，从资源集中筛选出各用户信息对应的用户需召回的目标资源。本公开实施例中，对拼接用户特征和拼接资源特征进行匹配获得的预测匹配数据，不是表征单个用户信息与各资源信息之间的匹配关系，而是表征用户集中所有用户与资源集中所有资源之间的匹配关系，具体包括分别与用户集中每个用户信息对应的用户匹配数据和/或，分别与资源集中每个资源信息对应的资源匹配数据，其中，用户匹配数据用于表征对应的用户信息与资源集中每个资源信息之间的匹配概率，资源匹配数据用于表征对应的资源信息与用户集中每个用户信息之间的匹配概率；实现了通过一次匹配处理获得多个用户信息与多个资源信息之间的匹配结果，减少了用户信息与资源信息匹配过程中参与计算的参数的数量，减少了匹配计算的次数，因此可以提升资源召回的响应速度，解决相关技术中资源筛选效率低的问题。
140.图8是根据一示例性实施例示出的一种资源召回装置的结构示意图。参照图8，该资源召回装置包括：
141.信息获取单元810，被配置为获取用户集和资源集，其中，用户集包括多个用户的用户信息，资源集包括多个待投放资源的资源信息。
142.预测匹配数据获取单元820，被配置为对用户集中所有用户信息的用户特征进行拼接，获得拼接用户特征，对资源集中所有资源信息的资源特征进行拼接，获得拼接资源特征；对拼接用户特征和拼接资源特征进行匹配处理，获得预测匹配数据，预测匹配数据包括分别与用户集中每个用户信息对应的用户匹配数据和/或，分别与资源集中每个资源信息对应的资源匹配数据，其中，用户匹配数据用于表征对应的用户信息与资源集中每个资源信息之间的匹配概率，资源匹配数据用于表征对应的资源信息与用户集中每个用户信息之间的匹配概率。
143.目标资源确定单元830，被配置为根据预测匹配数据，从资源集中筛选出各用户信
息对应的用户需召回的目标资源。
144.在一种可能的实现方式中，预测匹配数据获取单元820，还被配置为对用户信息和资源信息分别进行特征提取，获得用户集中每个用户信息的用户特征以及资源集中每个资源信息的资源特征。
145.在一种可能的实现方式中，请参见图9，目标资源确定单元830包括：
146.目标匹配概率选取模块831，被配置为从每个用户匹配数据包含的多个匹配概率中或者每个资源匹配数据包含的多个匹配概率中，确定目标匹配概率；
147.目标资源确定模块832，被配置为确定与目标匹配概率关联的资源信息和用户信息，将目标匹配概率关联的资源信息，作为与目标匹配概率关联的用户信息对应的用户需召回的目标资源。
148.在一种可能的实现方式中，目标匹配概率选取模块831，被配置为：对每个用户匹配数据包含的各匹配概率进行排序，基于排序结果确定目标匹配概率；或者，对每个资源匹配数据包含的各匹配概率进行排序，基于排序结果确定目标匹配概率；或者，根据每个用户匹配数据包含的各匹配概率与预设阈值之间的比较结果，确定目标匹配概率；或者，根据每个资源匹配数据包含的各匹配概率与预设阈值之间的比较结果，确定目标匹配概率。
149.在一种可能的实现方式中，目标资源确定模块832还包括：
150.标识获取子模块8321，被配置为获取目标匹配概率对应的资源标识和用户标识；
151.确定子模块8322，被配置为根据资源标识确定与目标匹配概率关联的资源信息，根据用户标识确定与目标匹配概率关联的用户信息，其中，用户标识为用户信息的用户特征输入预测模型的输入顺序信息或者预设的用户编号信息，资源标识为资源信息的资源特征输入预测模型的输入顺序信息或者预设的资源编号信息。
152.在一种可能的实现方式中，资源召回装置还包括模型获取单元910，模型获取单元用于对用户集中的用户信息和资源集中的资源信息进行处理，获得预测匹配数据。模型获取单元910包括：
153.样本获取模块911，被配置为获取样本数据，所述样本数据包括样本用户集、样本资源集和标签集，所述样本用户集包括多个样本用户信息，所述样本资源集包括多个样本资源信息，所述标签集包括与每个样本用户信息或者每个样本资源信息对应的标签值，每个标签值用于表征一个样本用户信息与一个样本资源信息之间是否匹配；
154.模型训练模块912，被配置为将所述样本用户信息和所述样本资源信息输入深度学习模型，获取样本拼接用户特征和样本拼接资源特征，对所述样本拼接用户特征和所述样本拼接资源特征进行匹配处理，获得样本预测匹配数据；根据所述样本预测匹配数据和所述样本数据中的标签值，确定与所述样本预测匹配数据对应的标签数据；根据样本预测匹配数据与所述标签数据，计算得到损失值；根据所述损失值训练深度学习模型，得到预测模型。
155.进一步的，模型训练模块912，还被配置为：对所述样本用户信息进行特征提取，得到所述样本用户信息的样本用户特征；对所述样本资源信息进行特征提取，得到所述样本资源信息的样本资源特征；对所述样本用户集中所有样本用户信息的样本用户特征进行拼接，获得样本拼接用户特征，对所述样本资源集中所有样本资源信息的样本资源特征进行拼接，获得样本拼接资源特征；对所述样本拼接用户特征和所述样本拼接资源特征进行匹
配处理，获得样本预测匹配数据，所述样本预测匹配数据包括分别与所述样本用户集中每个样本用户信息对应的样本用户匹配数据和/或，分别与所述样本资源集中每个样本资源信息对应的样本资源匹配数据，其中，所述样本用户匹配数据用于表征对应的样本用户信息与所述样本资源集中每个样本资源信息之间的匹配概率，所述样本资源匹配数据用于表征对应的样本资源信息与所述样本用户集中每个样本用户信息之间的匹配概率。
156.在一种可能的实现方式中，模型训练模块912包括：
157.样本特征获取子模块9121，被配置为将样本用户信息输入深度学习模型的用户特征提取网络，利用用户特征提取网络对样本用户信息进行特征提取，得到样本用户信息的样本用户特征；将样本资源信息输入深度学习模型的资源特征提取网络，利用资源特征提取网络对样本资源信息进行特征提取，得到样本资源信息的样本资源特征。
158.拼接特征获取子模块9122，被配置为将样本用户集中所有样本用户信息的样本用户特征输入深度学习模型的用户特征拼接网络，利用用户特征拼接网络对样本用户集中所有样本用户信息的样本用户特征进行拼接，获得样本拼接用户特征；将样本资源集中所有样本资源信息的样本资源特征输入深度学习模型的资源特征拼接网络，利用资源特征拼接网络对样本资源集中所有样本资源信息的样本资源特征进行拼接，获得样本拼接资源特征。
159.样本预测匹配数据获取子模块9123，被配置为将样本拼接用户特征和样本拼接资源特征输入深度学习模型的预测网络，利用预测网络对样本拼接用户特征和样本拼接资源特征进行匹配处理，获得样本预测匹配数据。
160.样本标识确定子模块9124，被配置为确定与样本匹配数据中每个样本用户匹配数据的每个匹配概率关联的样本用户标识和样本资源标识。
161.标签值获取子模块9125，被配置为根据匹配概率关联的样本用户标识和样本资源标识，获取与每个匹配概率对应的标签值。
162.标签数据生成子模块9126，被配置为根据与每个匹配概率对应的标签值以及各匹配概率在样本匹配数据中的排序，生成标签数据，其中，各标签值在标签数据中的排序，与各标签值所对应的匹配概率在样本匹配数据中的排序相同。
163.关于上述实施例中的装置，其中各个模块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。
164.图10是根据一示例性实施例示出的一种资源召回方法的服务器的框图。服务器10可以用于执行上述资源召回方法中服务器所执行的步骤。参照图10，服务器10可以包括一个或多个(图中采用102a、102b，
……
，102n来示出)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图10所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器10还可包括比图10中所示更多或者更少的组件，或者具有与图10所示不同的配置。
165.应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件
或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到服务器10(或移动设备)中的其他元件中的任意一个内。如本技术实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
166.存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种资源召回方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至服务器10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
167.传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(networkinterfacecontroller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。
168.显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与服务器10(或移动设备)的用户界面进行交互。
169.在示例性实施例中，还提供了一种非临时性计算机可读存储介质，当存储介质中的指令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资源召回方法中服务器所执行的步骤。
170.在示例性实施例中，还提供了一种计算机程序产品，当计算机程序产品中的指令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资源召回方法中服务器所执行的步骤。
171.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。
172.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。