多媒体资源推送方法、装置、电子设备及存储介质与流程

1.本公开涉及互联网技术领域，尤其涉及一种多媒体资源推送方法、装置、电子设备及存储介质。


背景技术：

2.随着互联网技术的发展，大量网络平台也在不断的升级，除了可以发布图文等多媒体资源，而如何精准的推送这些多媒体资源是大量推荐系统遇到的挑战。
3.相关技术中，在多媒体资源推送过程中，常常结合用户特征和多媒体资源特征进行关联训练，但相关技术中多媒体资源特征往往是一个多媒体资源的特征信息，单个多媒体资源的特征信息的语义信息较弱，无法准确反映用户点击等操作喜好，导致需要海量的训练样本数据，且无法较好地捕捉到用户兴趣偏好，造成推送准确性和效果较差，进而也造成多媒体资源的无效推送，带来推送系统的系统资源浪费和系统性能下降等问题。


技术实现要素：

4.本公开提供一种多媒体资源推送方法、装置、电子设备及存储介质，以至少解决相关技术中无法较好地捕捉到用户兴趣偏好，造成推送准确性和效果较差，进而也造成多媒体资源的无效推送，带来推送系统的系统资源浪费和系统性能下降等问题。本公开的技术方案如下：根据本公开实施例的第一方面，提供一种多媒体资源推送方法，包括：获取目标对象的目标操作信息，所述目标操作信息表征所述目标对象在预设时间段内，对多种资源类别的多媒体资源执行目标操作的信息；基于所述目标操作信息，对所述目标对象进行兴趣识别，得到所述多种资源类别对应的目标兴趣指标数据；根据所述目标兴趣指标数据，从所述多种资源类别中确定目标资源类别；基于所述目标资源类别向所述目标对象推送，待推送多媒体资源中的目标多媒体资源。
5.在一个可选的实施例中，所述获取目标对象的目标操作信息包括：确定所述目标对象在所述预设时间段内，执行过所述目标操作的多媒体资源对应的资源类别；根据所述多媒体资源对应的资源类别，确定所述预设时间段内所述目标对象对应的第一资源操作数，所述第一资源操作数为所述目标对象在所述预设时间段内对所述多种资源类别的多媒体资源执行所述目标操作的操作数量；基于所述第一资源操作数，确定所述目标操作信息。
6.在一个可选的实施例中，所述预设时间段包括连续的多个子时间段；所述获取目标对象的目标操作信息包括：确定所述目标对象在所述多个子时间段内执行过所述目标操作的多媒体资源对
应的资源类别；基于所述多媒体资源对应的资源类别，确定所述多个子时间段内所述目标对象对应的第二资源操作数，所述第二资源操作数为所述目标对象在所述多个子时间段内分别对所述多种资源类别的多媒体资源执行所述目标操作的操作数量；基于所述第二资源操作数，确定所述目标操作信息。
7.在一个可选的实施例中，所述基于所述目标操作信息，对所述目标对象进行兴趣识别，得到所述多种资源类别对应的目标兴趣指标数据包括：将所述目标操作信息输入目标兴趣识别网络进行兴趣识别，得到所述目标兴趣指标数据。
8.在一个可选的实施例中，所述方法还包括：获取所述目标对象的目标对象属性；所述将所述目标操作信息输入目标兴趣识别网络进行兴趣识别，得到所述目标兴趣指标数据包括：将所述目标操作信息和所述目标对象属性输入所述目标兴趣识别网络进行兴趣识别，得到所述目标兴趣指标数据。
9.在一个可选的实施例中，所述目标兴趣识别网络包括：对象特征提取网络、操作特征提取网络、特征融合网络和兴趣指标识别网络；所述将所述目标操作信息和所述目标对象属性输入所述目标兴趣识别网络进行兴趣识别，得到所述目标兴趣指标数据包括：将所述目标对象属性输入所述对象特征提取网络进行对象特征提取处理，得到所述目标对象的目标对象特征信息；将所述目标操作信息输入所述操作特征提取网络进行操作特征提取处理，得到所述目标对象的目标操作特征信息；将所述目标对象特征信息和所述目标操作特征信息输入所述特征融合网络进行特征融合处理，得到所述目标对象的目标融合特征信息；将所述目标融合特征信息输入所述兴趣指标识别网络进行指标识别处理，得到所述目标兴趣指标数据。
10.在一个可选的实施例中，所述方法还包括：获取样本对象的样本操作信息、所述样本对象的样本对象属性和所述样本对象的预设兴趣指标数据，所述样本操作信息表征所述样本对象在第一样本时间段内，对多种资源类别的样本多媒体资源执行所述目标操作的信息；将所述样本操作信息和所述样本对象属性输入第一机器学习网络进行兴趣识别，得到所述多种资源类别对应的预测兴趣指标数据；根据所述预测兴趣指标数据和所述预设兴趣指标数据，确定目标损失信息；基于所述目标损失信息，训练所述第一机器学习网络，得到初始兴趣识别网络。
11.在一个可选的实施例中，所述预设兴趣指标数据包括采用下述方式获取：确定所述样本对象在第二样本时间段内，执行过所述目标操作的样本多媒体资源对应的资源类别，所述第二样本时间段与当前时间的时间差小于所述第一样本时间段与所述当前时间的时间差；
根据所述样本多媒体资源对应的资源类别，确定所述预设兴趣指标数据。
12.在一个可选的实施例中，所述方法还包括：获取测试对象的测试操作信息、所述测试对象的测试对象属性和所述测试对象对应的兴趣资源类别，所述测试操作信息表征所述样本对象在所述第一样本时间段内，对多种资源类别的测试多媒体资源执行所述目标操作的信息；将所述测试操作信息和所述测试对象属性输入所述初始兴趣识别网络进行兴趣识别，得到所述多种资源类别对应的测试兴趣指标数据；根据所述测试兴趣指标数据，从所述多种资源类别中确定测试资源类别；在所述兴趣资源类别与所述测试资源类别匹配的情况下，将所述初始兴趣识别网络作为所述目标兴趣识别网络。
13.在一个可选的实施例中，所述方法还包括：在所述兴趣资源类别与所述测试资源类别不匹配的情况下，更新所述初始兴趣识别网络；基于更新后的初始兴趣识别网络，跳转至所述将所述测试操作信息和所述测试对象属性输入所述初始兴趣识别网络进行兴趣识别，得到所述多种资源类别对应的测试兴趣指标数据的步骤。
14.在一个可选的实施例中，所述预设时间段包括连续的多个子时间段；所述基于所述目标操作信息，对所述目标对象进行兴趣识别，得到所述多种资源类别对应的目标兴趣指标数据包括：获取所述多个子时间段对应的预设权重信息；所述预设权重信息与对应的子时间段与当前时间的时间差呈负相关；基于所述多个子时间段对应的预设权重信息和所述多个子时间段对应的目标操作信息，确定所述目标兴趣指标数据。
15.在一个可选的实施例中，所述基于所述目标资源类别向所述目标对象推送，待推送多媒体资源中的目标多媒体资源包括：根据所述目标资源类别从待推送多媒体资源中，确定目标多媒体资源；基于所述目标多媒体资源，向所述目标对象进行资源推送。
16.根据本公开实施例的第二方面，提供一种多媒体资源推送装置，包括：目标操作信息获取模块，被配置为执行获取目标对象的目标操作信息，所述目标操作信息表征所述目标对象在预设时间段内，对多种资源类别的多媒体资源执行目标操作的信息；第一兴趣识别模块，被配置为执行基于所述目标操作信息，对所述目标对象进行兴趣识别，得到所述多种资源类别对应的目标兴趣指标数据；目标资源类别确定模块，被配置为执行根据所述目标兴趣指标数据，从所述多种资源类别中确定目标资源类别；资源推送处理模块，被配置为执行基于所述目标资源类别向所述目标对象推送，待推送多媒体资源中的目标多媒体资源。
17.在一个可选的实施例中，所述目标操作信息获取模块包括：第一资源类别确定单元，被配置为执行确定所述目标对象在所述预设时间段内，
执行过所述目标操作的多媒体资源对应的资源类别；第一资源操作数确定单元，被配置为执行根据所述多媒体资源对应的资源类别，确定所述预设时间段内所述目标对象对应的第一资源操作数，所述第一资源操作数为所述目标对象在所述预设时间段内对所述多种资源类别的多媒体资源执行所述目标操作的操作数量；第一目标操作信息确定单元，被配置为执行基于所述第一资源操作数，确定所述目标操作信息。
18.在一个可选的实施例中，所述预设时间段包括连续的多个子时间段；所述目标操作信息获取模块包括：第二资源类别确定单元，被配置为执行确定所述目标对象在所述多个子时间段内执行过所述目标操作的多媒体资源对应的资源类别；第二资源操作数确定单元，被配置为执行基于所述多媒体资源对应的资源类别，确定所述多个子时间段内所述目标对象对应的第二资源操作数，所述第二资源操作数为所述目标对象在所述多个子时间段内分别对所述多种资源类别的多媒体资源执行所述目标操作的操作数量；第二目标操作信息确定单元，被配置为执行基于所述第二资源操作数，确定所述目标操作信息。
19.在一个可选的实施例中，所述第一兴趣识别模块还被配置为执行将所述目标操作信息输入目标兴趣识别网络进行兴趣识别，得到所述目标兴趣指标数据。
20.在一个可选的实施例中，所述装置还包括：目标对象属性获取模块，被配置为执行获取所述目标对象的目标对象属性；所述第一兴趣识别模块还被配置为执行：将所述目标操作信息和所述目标对象属性输入所述目标兴趣识别网络进行兴趣识别，得到所述目标兴趣指标数据。
21.在一个可选的实施例中，所述目标兴趣识别网络包括：对象特征提取网络、操作特征提取网络、特征融合网络和兴趣指标识别网络；所述第一兴趣识别模块包括：对象特征提取处理单元，被配置为执行将所述目标对象属性输入所述对象特征提取网络进行对象特征提取处理，得到所述目标对象的目标对象特征信息；操作特征提取处理单元，被配置为执行将所述目标操作信息输入所述操作特征提取网络进行操作特征提取处理，得到所述目标对象的目标操作特征信息；特征融合处理单元，被配置为执行将所述目标对象特征信息和所述目标操作特征信息输入所述特征融合网络进行特征融合处理，得到所述目标对象的目标融合特征信息；指标识别处理单元，被配置为执行将所述目标融合特征信息输入所述兴趣指标识别网络进行指标识别处理，得到所述目标兴趣指标数据。
22.在一个可选的实施例中，所述装置还包括：样本数据获取模块，被配置为执行获取样本对象的样本操作信息、所述样本对象的样本对象属性和所述样本对象的预设兴趣指标数据，所述样本操作信息表征所述样本对象在第一样本时间段内，对多种资源类别的样本多媒体资源执行所述目标操作的信息；第二兴趣识别模块，被配置为执行将所述样本操作信息和所述样本对象属性输入
第一机器学习网络进行兴趣识别，得到所述多种资源类别对应的预测兴趣指标数据；目标损失信息确定模块，被配置为执行根据所述预测兴趣指标数据和所述预设兴趣指标数据，确定目标损失信息；网络训练模块，被配置为执行基于所述目标损失信息，训练所述第一机器学习网络，得到初始兴趣识别网络。
23.在一个可选的实施例中，所述样本数据获取模块包括：第三资源类别确定单元，被配置为执行确定所述样本对象在第二样本时间段内，执行过所述目标操作的样本多媒体资源对应的资源类别，所述第二样本时间段与当前时间的时间差小于所述第一样本时间段与所述当前时间的时间差；根据所述样本多媒体资源对应的资源类别，确定所述预设兴趣指标数据。
24.在一个可选的实施例中，所述装置还包括：测试数据获取模块，被配置为执行获取测试对象的测试操作信息、所述测试对象的测试对象属性和所述测试对象对应的兴趣资源类别，所述测试操作信息表征所述样本对象在所述第一样本时间段内，对多种资源类别的测试多媒体资源执行所述目标操作的信息；第三兴趣识别模块，被配置为执行将所述测试操作信息和所述测试对象属性输入所述初始兴趣识别网络进行兴趣识别，得到所述多种资源类别对应的测试兴趣指标数据；测试资源类别确定模块，被配置为执行根据所述测试兴趣指标数据，从所述多种资源类别中确定测试资源类别；兴趣识别网确定模块，被配置为执行在所述兴趣资源类别与所述测试资源类别匹配的情况下，将所述初始兴趣识别网络作为所述目标兴趣识别网络。
25.在一个可选的实施例中，所述装置还包括：网络更新模块，被配置为执行在所述兴趣资源类别与所述测试资源类别不匹配的情况下，更新所述初始兴趣识别网络；网络更新训练处理模块，被配置为执行基于更新后的初始兴趣识别网络，跳转至所述将所述测试操作信息和所述测试对象属性输入所述初始兴趣识别网络进行兴趣识别，得到所述多种资源类别对应的测试兴趣指标数据的步骤。
26.在一个可选的实施例中，所述预设时间段包括连续的多个子时间段；所述第一兴趣识别模块包括：预设权重信息获取单元，被配置为执行获取所述多个子时间段对应的预设权重信息；所述预设权重信息与对应的子时间段与当前时间的时间差呈负相关；目标兴趣指标数据确定单元，被配置为执行基于所述多个子时间段对应的预设权重信息和所述多个子时间段对应的目标操作信息，确定所述目标兴趣指标数据。
27.在一个可选的实施例中，所述资源推送处理模块包括：目标多媒体资确定单元，被配置为执行根据所述目标资源类别从待推送多媒体资源中，确定目标多媒体资源；资源推送单元，被配置为执行基于所述目标多媒体资源，向所述目标对象进行资源推送。
28.根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储所述
处理器可执行指令的存储器；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中任一项所述的方法。
29.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，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行本公开实施例的第一方面中任一项所述方法。
30.根据本公开实施例的第五方面，提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本公开实施例的第一方面中任一项所述方法。
31.本公开的实施例提供的技术方案至少带来以下有益效果：在多媒体资源推送过程中，结合目标对象的目标操作信息，来进行兴趣识别，由于该目标操作信息能够表征目标对象在预设时间段内，对多种资源类别的多媒体资源执行目标操作的信息，可以有效提升用于进行兴趣识别的操作信息对用户操作喜好的表征能力，且降低了用于兴趣识别的数据量，进而可以在提升兴趣识别的准确性的基础上，大大提升兴趣识别处理效率。接着，结合识别出的多种资源类别对应的目标兴趣指标数据，进行资源推送处理，可以大大提升推送的有效性和推送效果，减少无效多媒体资源推送带来的系统资源浪费，提升系统性能。
32.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
33.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。
34.图1是根据一示例性实施例示出的一种应用环境的示意图；图2是根据一示例性实施例示出的一种多媒体资源推送方法的流程图；图3是根据一示例性实施例示出的一种获取目标对象的目标操作信息的流程图；图4是根据一示例性实施例示出的另一种获取目标对象的目标操作信息的流程图；图5是根据一示例性实施例提供的一种目标兴趣识别网络的结构示意图；图6是根据一示例性实施例示出的一种将目标操作信息和目标对象属性输入目标兴趣识别网络进行兴趣识别，得到目标兴趣指标数据的流程图；图7是根据一示例性实施例示出的一种预先训练出初始兴趣识别网络的流程图；图8是根据一示例性实施例示出的一种对初始兴趣识别网络进行测试，以确定目标兴趣识别网络的流程图；图9是根据一示例性实施例提供的一种生成目标兴趣识别网络的示意图；图10是根据一示例性实施例示出的一种多媒体资源推送装置框图；图11是根据一示例性实施例示出的一种用于多媒体资源推送的电子设备的框图；图12是根据一示例性实施例示出的一种用于多媒体资源推送的电子设备的框图。
具体实施方式
35.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。
36.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。
37.需要说明的是，本公开所涉及的用户信息（包括但不限于用户设备信息、用户个人信息，例如用户属性信息、用户操作信息等）和数据（包括但不限于用于展示的数据、分析的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
38.请参阅图1，图1是根据一示例性实施例示出的一种应用环境的示意图，如图1所示，该应用环境可以包括终端100和服务器200。
39.在一个可选的实施例中，终端100可以用于面向任一用户提供多媒体资源推送服务。具体的，终端100可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmented reality，ar)/虚拟现实(virtual reality，vr)设备、智能可穿戴设备等类型的电子设备，也可以为运行于上述电子设备的软体，例如应用程序等。可选的，电子设备上运行的操作系统可以包括但不限于安卓系统、ios系统、linux、windows等。
40.在一个可选的实施例中，服务器200可以用于为终端100进行多媒体资源推送服务，提供后台支持。可选的，服务器100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。
41.此外，需要说明的是，图1所示的仅仅是本公开提供的一种应用环境，在实际应用中，还可以包括其他应用环境，例如可以包括更多的终端。
42.本说明书实施例中，上述终端100和服务器200可以通过有线或无线通信方式进行直接或间接地连接，本公开在此不做限制。
43.图2是根据一示例性实施例示出的一种多媒体资源推送方法的流程图，如图2所示，该多媒体资源推送方法用于终端、服务器等电子设备中，包括以下步骤。
44.在步骤s201中，获取目标对象的目标操作信息。
45.在一个具体的实施例中，目标对象可以为待推送多媒体资源的推送对象；具体的，目标对象可以为推送系统中任一用户账号。上述目标操作信息可以表征目标对象在预设时间段内，对多种资源类别的多媒体资源执行目标操作的信息。
46.在一个具体的实施例中，多媒体资源可以包括文本、图像等静态资源，也可以包括短视频等动态资源。上述目标操作可以包括但不限于浏览、点击、转化（例如基于多媒体资源购买了相关产品，或基于多媒体资源下载了相关应用等）等。具体的，预设时间段可以结合实际应用场景进行设置，例如预设时间段为一个星期、一个月等。可选的，预设时间段可以包括连续的多个子时间段，例如将连续的60天拆分成12个子时间段。相应的，目标对象的目标操作信息可以表征目标对象在多个子时间段内，对多种资源类别的多媒体资源执行目标操作的信息。
47.在一个具体的实施例中，资源类别可以表征多媒体资源的主题内容。在实际应用
中，可以预先对推送系统中可推送的多媒体资源进行聚类，以确定推送系统中可推送的多媒体资源对应的多种资源类别。具体的，多媒体资源的类别划分可以结合实际应用进行配置。可选的，多媒体资源的资源类别可以包括体育类、美食类、旅游类等。
48.在一个可选的实施例中，如图3所示，上述获取目标对象的目标操作信息可以包括以下步骤：在步骤s301中，确定目标对象在预设时间段内，执行过目标操作的多媒体资源对应的资源类别。
49.在步骤s303中，根据多媒体资源对应的资源类别，确定预设时间段内目标对象对应的第一资源操作数。
50.在步骤s305中，基于第一资源操作数，确定目标操作信息。
51.在一个具体的实施例中，上述第一资源操作数可以为目标对象在预设时间段内对多种资源类别的多媒体资源执行目标操作的操作数量。
52.在一个可选的实施例中，可以将第一资源操作数作为目标操作信息。
53.上述实施例中，结合目标对象在预设时间段内对多种资源类别的多媒体资源执行目标操作的操作数量来确定目标对象的目标操作信息，可以准确的反映目标对象对多种资源类别的多媒体资源的操作喜好，进而可以较好地捕捉到用户兴趣偏好，提升推送准确性和效果。
54.在一个可选的实施例中，上述预设时间段包括连续的多个子时间段；可选的，如图4所示，上述获取目标对象的目标操作信息可以包括以下步骤：在步骤s401中，确定目标对象在多个子时间段内执行过目标操作的多媒体资源对应的资源类别。
55.在步骤s403中，基于多媒体资源对应的资源类别，确定多个子时间段内目标对象对应的第二资源操作数。
56.在步骤s405中，基于第二资源操作数，确定目标操作信息。
57.在一个具体的实施例中，上述第二资源操作数可以为目标对象在多个子时间段内分别对多种资源类别的多媒体资源执行目标操作的操作数量。
58.在一个可选的实施例中，可以将每个子时间段内目标对象对应的第二资源操作数作为该子时间段对应的目标操作信息；可选的，为了提升后续兴趣识别的效率，可以将多个子时间段内目标对象对应的第二资源操作数进行归一化后，作为多个子时间段各自对应的目标操作信息。
59.上述实施例中，结合目标对象在连续的多个子时间段内对多种资源类别的多媒体资源执行目标操作的操作数量，来确定目标对象的目标操作信息，可以有效反映用户随时间变化对多媒体资源的兴趣变化，进而更好地捕捉到用户兴趣偏好，提升推送准确性和效果。
60.在步骤s203中，基于目标操作信息，对目标对象进行兴趣识别，得到多种资源类别对应的目标兴趣指标数据；在一个具体的实施例中，多种资源类别对应的目标兴趣指标数据可以表征目标对象对多种资源类别的多媒体资源的兴趣喜好程度。
61.在一个可选的实施例中，在上述预设时间段包括连续的多个子时间段的情况下；
上述基于目标操作信息，对目标对象进行兴趣识别，得到多种资源类别对应的目标兴趣指标数据可以包括：获取多个子时间段对应的预设权重信息；基于多个子时间段对应的预设权重信息和多个子时间段对应的目标操作信息，确定目标兴趣指标数据。
62.在一个具体的实施例中，上述预设权重信息与对应的子时间段与当前时间的时间差呈负相关，即任一子时间段与当前时间的时间差越小，该子时间段对应的预设权重信息越大。
63.在一个具体的实施例中，可以将每个子时间段对应的目标操作信息与该子时间段对应的预设权重信息相乘后，作为该子时间对内目标对象对多种资源类别的多媒体资源执行目标操作的操作信息；接着，统计每个资源类别对应的操作信息之和；可选的，可以将该操作信息之和，作为多种资源类别对应的目标兴趣指标数据。
64.上述实施例中，结合子时间段与当前时间的时间差呈负相关的预设权重信息，来生成目标对象对多种资源类别的目标兴趣指标数据，可以在充分考虑用户长期兴趣偏好的基础上，提升对近期用户兴趣偏好的关注，进而有效提升对用户兴趣偏好的识别准确性。
65.在一个可选的实施例中，上述基于目标操作信息，对目标对象进行兴趣识别，得到多种资源类别对应的目标兴趣指标数据可以包括：将目标操作信息输入目标兴趣识别网络进行兴趣识别，得到目标兴趣指标数据。
66.在一个具体的实施例中，目标兴趣识别网络可以为预先基于样本对象的样本操作信息和预设兴趣指标数据对第二机器学习网络进行兴趣识别训练得到的。
67.在一个具体的实施例中，第二机器学习网络可以包括待训练的操作特征提取网络、待训练的特征融合网络和待训练的兴趣指标识别网络。具体的，第二机器学习网络中各个网络的具体网络结构可以结合实际应用进行设置。可选的，上述目标兴趣识别网络可以包括：操作特征提取网络、特征融合网络和兴趣指标识别网络。具体的，预设兴趣指标数据可以结合样本对象在最近一段时间（例如最近5天等）内对多种资源类别的多媒体资源执行目标操作的情况确定。可选的，预设兴趣指标数据可以为1或0；相应的，若样本对象在最近一段时间内的对某种资源类别的多媒体资源执行目标操作的操作数大于等于预设操作数阈值，可以将该资源类别对应的预设兴趣指标数据设置为1；反之，若样本对象在最近一段时间内的对某种资源类别的多媒体资源执行目标操作的操作数小于预设操作数阈值，可以将该资源类别对应的预设兴趣指标数据设置为0。具体的，预设操作数阈值可以结合实际应用进行设置。
68.上述实施例中，结合目标兴趣识别网络进行兴趣识别，可以更准确的从目标操作信息中提取用户的兴趣喜好，进而提升推送的准确性和效果，减少无效多媒体资源推送带来的系统资源浪费，提升系统性能。
69.在一个可选的实施例中，上述方法还可以包括：获取目标对象的目标对象属性；将目标操作信息输入目标兴趣识别网络进行兴趣识别，得到目标兴趣指标数据包括：将目标操作信息和目标对象属性输入目标兴趣识别网络进行兴趣识别，得到目标兴趣指标数据。
70.在一个具体的实施例中，目标对象属性可以为能够描述目标对象固有特点的数
据，具体的，目标对象属性可以包括用户性别、年龄等数据。
71.在一个具体的实施例中，在需要结合目标对象属性进行兴趣识别的场景中，上述目标兴趣识别网络可以为基于样本对象的样本操作信息、样本对象的样本对象属性和样本对象的预设兴趣指标数据对第一机器学习网络进行兴趣识别训练得到的。在一个具体的实施例中，第一机器学习网络可以包括待训练的对象特征提取网络、待训练的操作特征提取网络、待训练的特征融合网络和待训练的兴趣指标识别网络。具体的，第一机器学习网络中各个网络的具体网络结构可以结合实际应用进行设置。
72.上述实施例中，结合目标对象的目标对象属性和目标操作信息来进行兴趣识别，可以结合用户的属性信息，更准确的识别出用户对多种资源类别的多媒体资源的操作喜好，进而更好地捕捉到用户兴趣偏好，提升推送准确性和效果，减少无效多媒体资源推送带来的系统资源浪费，提升系统性能。
73.在一个可选的实施例中，如图5所示，图5是根据一示例性实施例提供的一种目标兴趣识别网络的结构示意图。具体的，上述目标兴趣识别网络可以包括：对象特征提取网络、操作特征提取网络、特征融合网络和兴趣指标识别网络。
74.在一个具体的实施例中，如图6所示，上述将目标操作信息和目标对象属性输入目标兴趣识别网络进行兴趣识别，得到目标兴趣指标数据可以包括以下步骤：在步骤s601中，将目标对象属性输入对象特征提取网络进行对象特征提取处理，得到目标对象的目标对象特征信息；在步骤s603中，将目标操作信息输入操作特征提取网络进行操作特征提取处理，得到目标对象的目标操作特征信息；在步骤s605中，将目标对象特征信息和目标操作特征信息输入特征融合网络进行特征融合处理，得到目标对象的目标融合特征信息；在步骤s607中，将目标融合特征信息输入兴趣指标识别网络进行指标识别处理，得到目标兴趣指标数据。
75.在一个具体的实施例中，对象特征提取网络、操作特征提取网络、特征融合网络和兴趣指标识别网络的具体网络结构可以结合实际应用需求进行设置。
76.可选的，对象特征提取网络可以包括一定数量个能够进行对象特征提取处理的全连接层；可选的，操作特征提取网络可以包括能够进行操作特征提取处理的时间循环神经网络和平坦网络（由于目标对象属性和目标操作信息对应的数据维度不同；相应的，时间循环神经网络输出的特征信息与对象特征提取网络输出的特征信息的数据维度也不同，可以结合平坦网络将时间循环神经网络输出的特征信息进行维度变换，以得到目标操作特征信息）；可选的，特征融合网络可以包括一定数量个能够进行操作特征提取处理的全连接层。可选的，兴趣指标识别网络可以为分类网络。
77.上述实施例中，结合对象特征提取网络和操作特征提取网络分别提取对象特征信息和操作特征信息，可以基于不同网络更准确的提取不同的特征信息，并结合提取的目标对象特征信息和目标操作特征信息进行融合后的目标融合特征信息，来进行兴趣指标识别处理，可以得到更准确反映目标对象对多媒体资源的喜好情况的目标兴趣指标数据，进而可以更好的提升推送系统中推荐效果，减少无效多媒体资源推送带来的系统资源浪费，提升系统性能。
78.在一个可选的实施例中，上述方法还可以包括：预先训练出目标兴趣识别网络的步骤，具体的，可以先结合训练样本数据训练出初始兴趣识别网络，并结合测试样本数据对初始兴趣识别网络进行测试后，得到上述目标兴趣识别网络。具体的，结合图7所示，预先训练出初始兴趣识别网络可以包括以下步骤：在步骤s701中，获取样本对象的样本操作信息、样本对象的样本对象属性和样本对象的预设兴趣指标数据。
79.在一个具体的实施例中，上述样本操作信息可以表征样本对象在第一样本时间段内，对多种资源类别的样本多媒体资源执行目标操作的信息。样本对象可以为推送系统内在第一样本时间段内执行过目标操作的用户账号。样本对象属性可以为能够描述样本对象固有特点的数据。
80.在一个可选的实施例中，上述预设兴趣指标数据包括采用下述方式获取：确定样本对象在第二样本时间段内，执行过目标操作的样本多媒体资源对应的资源类别；根据样本多媒体资源对应的资源类别，确定预设兴趣指标数据。
81.在一个具体的实施例中，上述第二样本时间段与当前时间的时间差小于第一样本时间段与当前时间的时间差；具体的，第一样本时间段和第二样本时间段可以结合实际应用进行设置。在一个具体的实施例中，假设第二样本时间段为当前时间之前的5天，第一样本时间段可以为当前时间之前的6-65天。
82.在一个具体的实施例中，根据样本多媒体资源对应的资源类别，确定预设兴趣指标数据的具体细化可以参见上述相关描述，在此不再赘述。
83.在一个具体的实施例中，第一样本时间段可以包括多个子样本时间段。
84.此外，上述获取样本对象的样本操作信息和样本对象的样本对象属性的相关细化，可以参见上述获取目标对象的样本操作信息和目标对象的目标对象属性的相关描述，在此不再赘述。
85.上述实施例中，以样本对象近期执行过目标操作的样本多媒体资源的资源类别，来确定预设兴趣指标数据，可以更好的反映用户对多种资源类别的多媒体资源的喜好情况，进而可以提升训练好的初始兴趣识别网络的兴趣识别准确性。
86.在步骤s703中，将样本操作信息和样本对象属性输入第一机器学习网络进行兴趣识别，得到多种资源类别对应的预测兴趣指标数据。
87.在一个具体的实施例中，将样本操作信息和样本对象属性输入第一机器学习网络进行兴趣识别，得到多种资源类别对应的预测兴趣指标数据的具体的细化，可以参见上述将目标操作信息和目标对象属性输入目标兴趣识别网络进行兴趣识别，得到目标兴趣指标数据的相关描述，在此不再赘述。
88.在步骤s705中，根据预测兴趣指标数据和预设兴趣指标数据，确定目标损失信息。
89.在一个具体的实施例中，目标损失信息可以表征多个资源类别对应的预测兴趣指标数据和预设兴趣指标数据间的差异程度。具体的，根据预测兴趣指标数据和预设兴趣指标数据，确定目标损失信息可以包括：结合预设损失函数，确定预测兴趣指标数据和预设兴趣指标数据对应的目标损失信息。
90.在一个具体的实施例中，预设损失函数可以结合实际应用进行设置，例如交叉熵损失函数、逻辑损失函数、指数损失函数等。
91.在步骤s707中，基于目标损失信息，训练第一机器学习网络，得到初始兴趣识别网络。
92.在一个具体的实施例中，基于目标损失信息，训练第一机器学习网络，得到初始兴趣识别网络可以包括：基于目标损失信息，更新第一机器学习网络的网络参数；基于更新后的第一机器学习网络，重复步骤s703至基于目标损失信息，更新第一机器学习网络的网络参数的训练迭代操作，直至达到预设收敛条件；将达到预设收敛条件的情况下得到的第一机器学习网络，作为初始兴趣识别网络。
93.在一个具体的实施例中，上述达到预设收敛条件可以为训练迭代操作的次数达到预设训练次数。可选的，达到预设收敛条件也可以为目标损失信息小于指定阈值。本说明书实施例中，预设训练次数和指定阈值可以结合实际应用中对网络的训练速度和识别准确性预先设置。
94.上述实施例中，在初始兴趣识别网络训练过程中，结合样本操作信息，来进行网络的兴趣识别训练，由于该样本操作信息能够表征样本对象在第一样本时间段内，对多种资源类别的样本多媒体资源执行目标操作的信息，可以有效提升训练样本数据对用户操作喜好的表征能力，进而可以在提升训练出的初始兴趣识别网络的兴趣识别准确性的基础上，降低兴趣识别过程中的训练数据量，大大提升训练效率。
95.在一个可选的实施例中，上述方法还可以包括：对初始兴趣识别网络进行测试，以确定目标兴趣识别网络的步骤。具体的，可以从多个角度来测试初始兴趣识别网络的兴趣识别准确性，例如初始兴趣识别网络对应的准召率、覆盖率等；具体的，以覆盖率为例，如图8所示，可以包括以下步骤：在步骤s801中，获取测试对象的测试操作信息、测试对象的测试对象属性和测试对象对应的兴趣资源类别。
96.在一个具体的实施例中，测试操作信息可以表征样本对象在第一样本时间段内，对多种资源类别的测试多媒体资源执行目标操作的信息。具体的，测试对象可以为推送系统内在第一样本时间段内执行过目标操作的用户账号中未参与初始兴趣识别网络训练的用户账号。具体的，获取测试对象的测试操作信息和测试对象的测试对象属性的具体细化，可以参见上述获取目标对象的目标操作信息和目标对象的目标对象属性。
97.在一个具体的实施例中，测试对象对应的兴趣资源类别可以结合测试对象在最近一段时间（例如最近5天等）内的对多种资源类别的多媒体资源执行目标操作的情况确定；可选的，可以结合测试对象在最近一段时间内的执行目标操作的操作数，对相应的资源进行降序排序，可选的，可以将排在前第一预设数量位的资源类别作为兴趣资源类别。具体的，第一预设数量可以结合实际应用进行设置。
98.在步骤s803中，将测试操作信息和测试对象属性输入初始兴趣识别网络进行兴趣识别，得到多种资源类别对应的测试兴趣指标数据。
99.在一个具体的实施例中，上述将测试操作信息和测试对象属性输入初始兴趣识别网络进行兴趣识别，得到多种资源类别对应的测试兴趣指标数据的具体细化可以参见上述将目标操作信息和目标对象属性输入目标兴趣识别网络进行兴趣识别，得到目标兴趣指标数据的具体细化，在此不再赘述。
100.在步骤s805中，根据测试兴趣指标数据，从多种资源类别中确定测试资源类别。
101.在一个可选的实施例中，上述根据测试兴趣指标数据，从多种资源类别中确定测试资源类别可以包括：结合测试兴趣指标数据对多种资源类别进行降序排序，并选取排序前第二预设数量位的资源类别作为测试资源类别。具体的，第二预设数量可以结合实际应用进行设置。
102.在一个可选的实施例中，上述根据测试兴趣指标数据，从多种资源类别中确定测试资源类别可以包括：将多种资源类别中，测试兴趣指标数据大于等于第一预设指标阈值的资源类别作为测试资源类别。具体的，第一预设指标阈值可以结合实际应用进行设置。
103.在步骤s807中，在兴趣资源类别与测试资源类别匹配的情况下，将初始兴趣识别网络作为目标兴趣识别网络。
104.在一个具体的实施例中，兴趣资源类别与测试资源类别匹配可以为测试资源类别中资源类别与兴趣资源类别中资源类别一致，或者测试资源类别与兴趣资源类别一致的资源类别占兴趣资源类别的比例大于等于预设比例阈值，相应的，兴趣资源类别与测试资源类别匹配的情况下，可以确定初始兴趣识别网络对应的覆盖率满足测试要求。具体的，预设比例阈值可以结合实际应用进行设置。
105.上述实施例中，结合测试对象的测试操作信息、测试对象的测试对象属性和测试对象对应的兴趣资源类别等测试样本数据，对初始兴趣识别网络进行兴趣识别准确性的测试，可以更好的提升最终用于兴趣识别的目标兴趣识别网络的兴趣识别准确性和有效性。
106.在一个可选的实施例中，上述方法还包括：在兴趣资源类别与测试资源类别不匹配的情况下，更新初始兴趣识别网络；基于更新后的初始兴趣识别网络，跳转至将测试操作信息和测试对象属性输入初始兴趣识别网络进行兴趣识别，得到多种资源类别对应的测试兴趣指标数据的步骤。
107.在一个具体的实施例中，在兴趣资源类别与测试资源类别不匹配的情况下，可以通过更新训练样本数据（样本对象的样本操作信息、样本对象的样本对象属性和样本对象的预设兴趣指标数据）的方式，重新训练初始兴趣识别网络。
108.上述实施例中，在测试对象对应的兴趣资源类别与初始兴趣识别网络识别出的测试资源类别不匹配的情况下，通过更新初始兴趣识别网络，并继续测试的方式，可以有效提升最终用于兴趣识别的目标兴趣识别网络的兴趣识别准确性和有效性。
109.在步骤s205中，根据目标兴趣指标数据，从多种资源类别中确定目标资源类别。
110.在一个可选的实施例中，上述根据目标兴趣指标数据，从多种资源类别中确定目标资源类别可以包括：结合目标兴趣指标数据对多种资源类别进行降序排序，并选取排序前第三预设数量位的资源类别作为目标资源类别。具体的，第三预设数量可以结合实际应用进行设置。
111.在一个可选的实施例中，上述根据目标兴趣指标数据，从多种资源类别中确定目标资源类别可以包括：将多种资源类别中，目标兴趣指标数据大于等于第二预设指标阈值的资源类别作为目标资源类别。具体的，第二预设指标阈值可以结合实际应用进行设置。
112.在步骤s207中，基于目标资源类别向目标对象推送，待推送多媒体资源中的目标多媒体资源。
113.在一个具体的实施例中，目标多媒体资源可以为资源类别为上述目标资源类别的多媒体资源。具体的，待推送多媒体资源可以为推送平台内任一可推送的多媒体资源。
114.在一个可选的实施例中，上述基于目标资源类别向目标对象推送，待推送多媒体资源中的目标多媒体资源包括：根据目标资源类别从待推送多媒体资源中，确定目标多媒体资源；基于目标多媒体资源，向目标对象进行资源推送。
115.在一个可选的实施例中，可以将待推送多媒体资源中资源类别为目标资源类别的多媒体资源，作为上述目标多媒体资源；也可以从待推送多媒体资源中，随机选取一定数量个资源类别为目标资源类别的多媒体资源，作为上述目标多媒体资源。
116.在一个可选的实施例中，上述基于目标多媒体资源，向目标对象进行资源推送可以包括：将目标多媒体资源推送给目标对象。
117.在另一个可选的实施例中，推送系统一般可以分为召回、预排序、精排、重排四个阶段。可选的，目标多媒体资源可以作为召回阶段的输出；相应的，可以将目标多媒体资源传输至预排序阶段对应的处理模块，以进行进一步的多媒体资源筛选后，将相应的多媒体资源推送给目标对象。
118.上述实施例中，结合目标资源类别确定的目标多媒体资源，来向目标对象进行资源推送处理，可以快速向用户推送用户感兴趣资源类别，进而可以提升推送效果。
119.由以上本说明书实施例提供的技术方案可见，本说明书中在多媒体资源推送过程中，结合目标对象的目标操作信息，来进行兴趣识别，由于该目标操作信息能够表征目标对象在预设时间段内，对多种资源类别的多媒体资源执行目标操作的信息，可以有效提升用于进行兴趣识别的操作信息对用户操作喜好的表征能力，且降低了用于兴趣识别的数据量，进而可以在提升兴趣识别的准确性的基础上，大大提升兴趣识别处理效率。接着，结合识别出的多种资源类别对应的目标兴趣指标数据，进行资源推送处理，可以大大提升推送的有效性和推送效果，减少无效多媒体资源推送带来的系统资源浪费，提升系统性能。
120.在一个可选的实施例中，如图9所示，图9是根据一示例性实施例提供的一种生成目标兴趣识别网络的示意图。可选的，生成目标兴趣识别网络可以包括训练样本初选阶段、训练样本预处理阶段、网络训练阶段、网络测试阶段和线上迭代更新阶段。具体的，在训练样本初选阶段，可以选取样本对象的样本对象属性和样本对象在第一样本时间段和第二样本时间段内对多种资源类别的样本多媒体资源执行目标操作的信息（样本操作信息），作为初选的训练样本数据；接着，在训练样本预处理阶段，可以将样本对象属性进行编码预处理，以便将样本对象属性转换成符合网络需求的输入数据，以及将第一样本时间段对应的样本操作信息，预处理为多个子时间段内对应的样本操作信息，并结合样本对象在第二样本时间段内，执行过目标操作的样本多媒体资源对应的资源类别，确定预设兴趣指标数据；结合，在训练阶段，将预处理后的样本对象属性和样本操作信息输入第一机器学习网络，并结合预设兴趣指标数据，对第一机器学习网络进行兴趣识别训练；接着，在网络测试阶段，结合测试对象的测试操作信息、测试对象的测试对象属性和测试对象对应的兴趣资源类别，对训练阶段得到的初始兴趣识别网络进行离线测试，相应的，若不符合预期的兴趣识别效果，可以更新初始兴趣识别网络，基于更新后的初始兴趣识别网络，重复兴趣识别训练的步骤；可选的，若符合预期的兴趣识别效果，可以直接进行线上迭代更新阶段；也可以将初始兴趣识别网络发送给多媒体资源的投放方进行兴趣识别效果测试，并在测试满足投放方的上线需求的情况下，将当前的初始兴趣识别网络作为目标兴趣识别网络，并进入线上迭
代更新阶段；反之，可以更新初始兴趣识别网络，基于更新后的初始兴趣识别网络，重复上述兴趣识别训练的步骤。进一步的，在线上迭代更新阶段，可以结合目标兴趣识别网络进行线上多媒体资源推送，并结合线上实际推送情况进行目标兴趣识别网络的更新。
121.图10是根据一示例性实施例示出的一种多媒体资源推送装置框图。参照图10，该装置包括：目标操作信息获取模块1010，被配置为执行获取目标对象的目标操作信息，目标操作信息表征目标对象在预设时间段内，对多种资源类别的多媒体资源执行目标操作的信息；第一兴趣识别模块1020，被配置为执行基于目标操作信息，对目标对象进行兴趣识别，得到多种资源类别对应的目标兴趣指标数据；目标资源类别确定模块1030，被配置为执行根据目标兴趣指标数据，从多种资源类别中确定目标资源类别；资源推送处理模块1040，被配置为执行基于目标资源类别向目标对象推送，待推送多媒体资源中的目标多媒体资源。
122.在一个可选的实施例中，目标操作信息获取模块1010包括：第一资源类别确定单元，被配置为执行确定目标对象在预设时间段内，执行过目标操作的多媒体资源对应的资源类别；第一资源操作数确定单元，被配置为执行根据多媒体资源对应的资源类别，确定预设时间段内目标对象对应的第一资源操作数，第一资源操作数为目标对象在预设时间段内对多种资源类别的多媒体资源执行目标操作的操作数量；第一目标操作信息确定单元，被配置为执行基于第一资源操作数，确定目标操作信息。
123.在一个可选的实施例中，预设时间段包括连续的多个子时间段；目标操作信息获取模块910包括：第二资源类别确定单元，被配置为执行确定目标对象在多个子时间段内执行过目标操作的多媒体资源对应的资源类别；第二资源操作数确定单元，被配置为执行基于多媒体资源对应的资源类别，确定多个子时间段内目标对象对应的第二资源操作数，第二资源操作数为目标对象在多个子时间段内分别对多种资源类别的多媒体资源执行目标操作的操作数量；第二目标操作信息确定单元，被配置为执行基于第二资源操作数，确定目标操作信息。
124.在一个可选的实施例中，第一兴趣识别模块1020还被配置为执行将目标操作信息输入目标兴趣识别网络进行兴趣识别，得到目标兴趣指标数据。
125.在一个可选的实施例中，上述装置还包括：目标对象属性获取模块，被配置为执行获取目标对象的目标对象属性；第一兴趣识别模块1020还被配置为执行：将目标操作信息和目标对象属性输入目标兴趣识别网络进行兴趣识别，得到目标兴趣指标数据。
126.在一个可选的实施例中，目标兴趣识别网络包括：对象特征提取网络、操作特征提取网络、特征融合网络和兴趣指标识别网络；
第一兴趣识别模块920包括：对象特征提取处理单元，被配置为执行将目标对象属性输入对象特征提取网络进行对象特征提取处理，得到目标对象的目标对象特征信息；操作特征提取处理单元，被配置为执行将目标操作信息输入操作特征提取网络进行操作特征提取处理，得到目标对象的目标操作特征信息；特征融合处理单元，被配置为执行将目标对象特征信息和目标操作特征信息输入特征融合网络进行特征融合处理，得到目标对象的目标融合特征信息；指标识别处理单元，被配置为执行将目标融合特征信息输入兴趣指标识别网络进行指标识别处理，得到目标兴趣指标数据。
127.在一个可选的实施例中，上述装置还包括：样本数据获取模块，被配置为执行获取样本对象的样本操作信息、样本对象的样本对象属性和样本对象的预设兴趣指标数据，样本操作信息表征样本对象在第一样本时间段内，对多种资源类别的样本多媒体资源执行目标操作的信息；第二兴趣识别模块，被配置为执行将样本操作信息和样本对象属性输入第一机器学习网络进行兴趣识别，得到多种资源类别对应的预测兴趣指标数据；目标损失信息确定模块，被配置为执行根据预测兴趣指标数据和预设兴趣指标数据，确定目标损失信息；网络训练模块，被配置为执行基于目标损失信息，训练第一机器学习网络，得到初始兴趣识别网络。
128.在一个可选的实施例中，样本数据获取模块包括：第三资源类别确定单元，被配置为执行确定样本对象在第二样本时间段内，执行过目标操作的样本多媒体资源对应的资源类别，第二样本时间段与当前时间的时间差小于第一样本时间段与当前时间的时间差；根据样本多媒体资源对应的资源类别，确定预设兴趣指标数据。
129.在一个可选的实施例中，上述装置还包括：测试数据获取模块，被配置为执行获取测试对象的测试操作信息、测试对象的测试对象属性和测试对象对应的兴趣资源类别，测试操作信息表征样本对象在第一样本时间段内，对多种资源类别的测试多媒体资源执行目标操作的信息；第三兴趣识别模块，被配置为执行将测试操作信息和测试对象属性输入初始兴趣识别网络进行兴趣识别，得到多种资源类别对应的测试兴趣指标数据；测试资源类别确定模块，被配置为执行根据测试兴趣指标数据，从多种资源类别中确定测试资源类别；兴趣识别网确定模块，被配置为执行在兴趣资源类别与测试资源类别匹配的情况下，将初始兴趣识别网络作为目标兴趣识别网络。
130.在一个可选的实施例中，上述装置还包括：网络更新模块，被配置为执行在兴趣资源类别与测试资源类别不匹配的情况下，更新初始兴趣识别网络；网络更新训练处理模块，被配置为执行基于更新后的初始兴趣识别网络，跳转至将测试操作信息和测试对象属性输入初始兴趣识别网络进行兴趣识别，得到多种资源类别
对应的测试兴趣指标数据的步骤。
131.在一个可选的实施例中，预设时间段包括连续的多个子时间段；第一兴趣识别模块920包括：预设权重信息获取单元，被配置为执行获取多个子时间段对应的预设权重信息；预设权重信息与对应的子时间段与当前时间的时间差呈负相关；目标兴趣指标数据确定单元，被配置为执行基于多个子时间段对应的预设权重信息和多个子时间段对应的目标操作信息，确定目标兴趣指标数据。
132.在一个可选的实施例中，资源推送处理模块1040包括：目标多媒体资确定单元，被配置为执行根据目标资源类别从待推送多媒体资源中，确定目标多媒体资源；资源推送单元，被配置为执行基于目标多媒体资源，向目标对象进行资源推送。
133.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。
134.图11是根据一示例性实施例示出的一种用于多媒体资源推送的电子设备的框图，该电子设备可以是终端，其内部结构图可以如图11所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种多媒体资源推送方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
135.图12是根据一示例性实施例示出的一种用于多媒体资源推送的电子设备的框图，该电子设备可以是服务器，其内部结构图可以如图12所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种多媒体资源推送方法。
136.本领域技术人员可以理解，图11或图12中示出的结构，仅仅是与本公开方案相关的部分结构的框图，并不构成对本公开方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
137.在示例性实施例中，还提供了一种电子设备，包括：处理器；用于存储该处理器可执行指令的存储器；其中，该处理器被配置为执行该指令，以实现如本公开实施例中的多媒体资源推送方法。
138.在示例性实施例中，还提供了一种计算机可读存储介质，当该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本公开实施例中的多媒体资源推送方
法。
139.在示例性实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本公开实施例中的多媒体资源推送方法。
140.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom (prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
141.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。
142.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。