CN114547475A - 一种资源推荐方法、装置及系统 - Google Patents

Abstract

本发明实施例提供了一种资源推荐方法、装置及系统，获取第一用户的第一个人基础信息和第一资源需求信息；获取每一第一待推荐资源的资源特征和多个不同的历史推荐信息；针对该第一待推荐资源的每一待推荐组合信息，基于预先训练的匹配度预测模型，对第一个人基础信息、第一资源需求信息和该待推荐组合信息进行处理，得到第一用户与该待推荐组合信息的匹配度；一个待推荐组合信息包括该第一待推荐资源的资源特征和一个历史推荐信息；每两个待推荐组合信息包含的历史推荐信息不同；从各第一待推荐资源中确定待推荐组合信息对应的匹配度满足预设条件的第一备选资源；向第一用户推荐包括第一备选资源的目标资源。基于此，可以提高推荐的资源的有效性。

Description

一种资源推荐方法、装置及系统

技术领域

本发明涉及人工智能技术领域，特别是涉及一种资源推荐方法、装置及系统。

背景技术

随着计算机技术的发展，用户能够获取的资源也越来越多，用户很难从海量的资源（例如、电影、音乐、金融产品等）中快速的选择出自己感兴趣的资源。

相关技术中，可以向用户推荐资源，例如，在向用户推荐金融产品时，获取一段时间（例如，一周）内用户在社交平台（例如，QQ、微信和微博等）的社交数据，并从用户的社交数据中提取与金融产品相关联的关键词，例如，用户对大额资金理财相关的金融产品感兴趣，则用户的社交数据中可能包括大额资金理财相关的金融产品的关键词。然后，向用户推荐与提取到的关键词相关联的目标金融产品。

然而，用户的社交数据中提取的与金融产品相关联的关键词，并不能体现符合用户的真实需求的金融产品的特征，例如，用户的社交数据中包括大额资金理财相关的金融产品的关键词，但是用户的资产可能未达到大额资金理财相关的金融产品购买标准，大额资金理财相关的金融产品并不符合用户个人的真实信息。因此，基于用户的社交数据确定出的目标金融产品，可能并不符合用户的真实需求，向用户推荐目标金融产品，会导致推荐的资源的有效性较低。

发明内容

本发明实施例的目的在于提供一种资源推荐方法、装置及系统，以提高推荐的资源的有效性。具体技术方案如下：

第一方面，为了达到上述目的，本发明实施例提供了一种资源推荐方法，所述方法应用于服务器，所述方法包括：获取第一用户的个人基础信息作为第一个人基础信息，以及获取所述第一用户的资源需求信息作为第一资源需求信息；针对每一第一待推荐资源，获取该第一待推荐资源的资源特征和多个不同的历史推荐信息；其中，该第一待推荐资源的一个历史推荐信息为：基于第一历史时间段内向用户推荐该第一待推荐资源时生成的音频数据得到的；针对该第一待推荐资源的每一待推荐组合信息，基于预先训练的匹配度预测模型，对所述第一个人基础信息、所述第一资源需求信息和该待推荐组合信息进行处理，得到所述第一用户与该待推荐组合信息的匹配度；其中，一个待推荐组合信息包括该第一待推荐资源的资源特征和一个历史推荐信息；每两个待推荐组合信息包含的历史推荐信息不同；所述匹配度预测模型为：基于样本用户的样本个人基础信息、样本资源需求信息，以及样本资源的样本组合信息进行训练得到的；从各第一待推荐资源中确定待推荐组合信息对应的匹配度满足预设条件的资源，作为第一备选资源；向所述第一用户推荐目标资源；其中，所述目标资源包括所述第一备选资源。

第二方面，为了达到上述目的，本发明实施例提供了一种资源推荐装置，所述装置应用于服务器，所述装置包括：第一获取模块，用于获取第一用户的个人基础信息作为第一个人基础信息，以及获取所述第一用户的资源需求信息作为第一资源需求信息；第二获取模块，用于针对每一第一待推荐资源，获取该第一待推荐资源的资源特征和多个不同的历史推荐信息；其中，该第一待推荐资源的一个历史推荐信息为：基于第一历史时间段内向用户推荐该第一待推荐资源时生成的音频数据得到的；第一确定模块，用于针对该第一待推荐资源的每一待推荐组合信息，基于预先训练的匹配度预测模型，对所述第一个人基础信息、所述第一资源需求信息和该待推荐组合信息进行处理，得到所述第一用户与该待推荐组合信息的匹配度；其中，一个待推荐组合信息包括该第一待推荐资源的资源特征和一个历史推荐信息；每两个待推荐组合信息包含的历史推荐信息不同；所述匹配度预测模型为：基于样本用户的样本个人基础信息、样本资源需求信息，以及样本资源的样本组合信息进行训练得到的；第二确定模块，用于从各第一待推荐资源中确定待推荐组合信息对应的匹配度满足预设条件的资源，作为第一备选资源；推荐模块，用于向所述第一用户推荐目标资源；其中，所述目标资源包括所述第一备选资源。

第三方面，为了达到上述目的，本发明实施例提供了一种资源推荐系统，所述系统包括：第一客户端、第二客户端和服务器，其中：

所述第一客户端，用于向所述服务器发送第一用户的用于获取资源的第一音频数据；

所述服务器，用于在接收到所述第一音频数据时，对所述第一音频数据进行语音识别，得到所述第一用户的第一资源需求信息；针对每一第一待推荐资源，获取该第一待推荐资源的资源特征和多个不同的历史推荐信息；其中，该第一待推荐资源的一个历史推荐信息为：基于第一历史时间段内向用户推荐该第一待推荐资源时生成的音频数据得到的；针对该第一待推荐资源的每一待推荐组合信息，基于预先训练的匹配度预测模型，对所述第一用户的第一个人基础信息、所述第一资源需求信息和该待推荐组合信息进行处理，得到所述第一用户与该待推荐组合信息的匹配度；其中，一个待推荐组合信息包括该第一待推荐资源的资源特征和一个历史推荐信息；每两个待推荐组合信息包含的历史推荐信息不同；所述匹配度预测模型为：基于样本用户的样本个人基础信息、样本资源需求信息，以及样本资源的样本组合信息进行训练得到的；从各第一待推荐资源中确定待推荐组合信息对应的匹配度满足预设条件的资源，作为第一备选资源；向第二用户登录的所述第二客户端发送目标资源的目标推荐信息；其中，所述目标资源包括所述第一备选资源；所述目标资源的目标推荐信息包括：所述目标资源的对应的匹配度满足预设条件的组合信息中的历史推荐信息；

所述第二客户端，用于显示接收到的所述目标推荐信息，获取所述第二用户按照所述目标推荐信息发出的第二音频数据，并向所述服务器发送所述第二音频数据；

所述服务器，还用于在接收到所述第二音频数据时，向所述第一客户端发送所述第二音频数据；

所述第一客户端，还用于播放所述第二音频数据。

本发明实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现上述任一所述的资源推荐方法步骤。

本发明实施例还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内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的资源推荐方法步骤。

本发明实施例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，使得计算机执行上述任一所述的资源推荐方法。

本发明实施例提供的一种资源推荐方法，获取第一用户的个人基础信息作为第一个人基础信息，以及获取第一用户的资源需求信息作为第一资源需求信息；针对每一第一待推荐资源，获取该第一待推荐资源的资源特征和多个不同的历史推荐信息；该第一待推荐资源的一个历史推荐信息为：基于第一历史时间段内向用户推荐该第一待推荐资源时生成的音频数据得到的；针对该第一待推荐资源的每一待推荐组合信息，基于预先训练的匹配度预测模型，对第一个人基础信息、第一资源需求信息和该待推荐组合信息进行处理，得到第一用户与该待推荐组合信息的匹配度；一个待推荐组合信息包括该第一待推荐资源的资源特征和一个历史推荐信息；每两个待推荐组合信息包含的历史推荐信息不同；匹配度预测模型为：基于样本用户的样本个人基础信息、样本资源需求信息，以及样本资源的样本组合信息进行训练得到的；从各第一待推荐资源中确定待推荐组合信息对应的匹配度满足预设条件的资源，作为第一备选资源；向第一用户推荐目标资源；目标资源包括第一备选资源。

基于上述处理，第一资源需求信息可以体现第一用户需要的资源的特征，第一个人基础信息可以体现第一用户的真实信息，第一待推荐资源的待推荐组合信息包含第一待推荐资源的资源特征。相应的，基于第一个人基础信息、第一资源需求信息和待推荐组合信息确定出的第一用户与待推荐组合信息的匹配度，可以体现第一待推荐资源符合第一用户的真实需求的程度。进而，基于第一用户与各第一待推荐资源的待推荐组合信息的匹配度确定出的第一备选资源符合用户的真实需求，向第一用户推荐包含第一备选资源的目标资源，可以提高推荐的资源的有效性。另外，第一待推荐资源的各待推荐组合信息中包含的历史推荐信息不同，一个待推荐组合信息与第一用户的匹配度，可以表示该待推荐组合信息中的历史推荐信息符合第一用户的真实需求的程度。基于各待推荐组合信息与第一用户的匹配度，确定出的目标资源的目标推荐信息符合第一用户的真实需求。基于目标推荐信息向第一用户推荐目标资源，可以实现针对不同的用户，基于符合用户的真实需求的目标推荐信息进行个性化的资源推荐，进一步提高推荐的资源的有效性。

当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。

图1为本发明实施例提供的一种资源推荐方法的流程图；

图2为本发明实施例提供的另一种资源推荐方法的流程图；

图3为本发明实施例提供的另一种资源推荐方法的流程图；

图4为本发明实施例提供的另一种资源推荐方法的流程图；

图5为本发明实施例提供的一种模型训练方法的流程图；

图6为现有技术中的资源推荐方法的流程图；

图7为本发明实施例提供的一种资源推荐系统的结构图；

图8为本发明实施例提供的另一种资源推荐系统的结构图；

图9为本发明实施例提供的另一种资源推荐方法的流程图；

图10为本发明实施例提供的一种资源推荐方法的原理图；

图11为本发明实施例提供的一种训练样本的生成方法的流程图；

图12为本发明实施例提供的另一种训练样本生成方法的流程图；

图13为本发明实施例提供的一种资源推荐装置的结构图；

图14为本发明实施例提供的一种电子设备的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本发明保护的范围。

参见图1，图1为本发明实施例提供的一种资源推荐方法的流程图，该方法应用于服务器，该方法包括以下步骤：

S101：获取第一用户的个人基础信息作为第一个人基础信息，以及获取第一用户的资源需求信息作为第一资源需求信息。

S102：针对每一第一待推荐资源，获取该第一待推荐资源的资源特征和多个不同的历史推荐信息。其中，该第一待推荐资源的一个历史推荐信息为：基于第一历史时间段内向用户推荐该第一待推荐资源时生成的音频数据得到的。

S103：针对该第一待推荐资源的每一待推荐组合信息，基于预先训练的匹配度预测模型，对第一个人基础信息、第一资源需求信息和该待推荐组合信息进行处理，得到第一用户与该待推荐组合信息的匹配度。其中，一个待推荐组合信息包括该第一待推荐资源的资源特征和一个历史推荐信息。每两个待推荐组合信息包含的历史推荐信息不同。匹配度预测模型为：基于样本用户的样本个人基础信息、样本资源需求信息，以及样本资源的样本组合信息进行训练得到的。

S104：从各第一待推荐资源中确定待推荐组合信息对应的匹配度满足预设条件的资源，作为第一备选资源。

S105：向第一用户推荐目标资源。其中，目标资源包括第一备选资源。

基于本发明实施例提供的资源推荐方法，第一资源需求信息可以体现第一用户需要的资源的特征，第一个人基础信息可以体现第一用户的真实信息，第一待推荐资源的待推荐组合信息包含第一待推荐资源的资源特征。相应的，基于第一个人基础信息、第一资源需求信息和待推荐组合信息确定出的第一用户与待推荐组合信息的匹配度，可以体现第一待推荐资源符合第一用户的真实需求的程度。进而，基于第一用户与各第一待推荐资源的待推荐组合信息的匹配度确定出的第一备选资源符合用户的真实需求，向第一用户推荐包含第一备选资源的目标资源，可以提高推荐的资源的有效性。另外，第一待推荐资源的各待推荐组合信息中包含的历史推荐信息不同，一个待推荐组合信息与第一用户的匹配度，可以表示该待推荐组合信息中的历史推荐信息符合第一用户的真实需求的程度。基于各待推荐组合信息与第一用户的匹配度，确定出的目标资源的目标推荐信息符合第一用户的真实需求。基于目标推荐信息向第一用户推荐目标资源，可以实现针对不同的用户，基于符合用户的真实需求的目标推荐信息进行个性化的资源推荐，进一步提高推荐的资源的有效性。

针对步骤S101，第一待推荐资源为服务器向用户提供的所有资源中已向用户进行过推荐的资源。当本发明实施例提供的方法应用于金融行业时，第一待推荐资源可以为金融产品，例如，基金、股票、定期存款和国债等。第一用户可以为当前需要进行资源推荐的任意一个用户。第一用户的第一个人基础信息表示第一用户的用户信息。第一个人基础信息可以包括以下至少一项：第一用户的收入信息（例如，第一用户的年收入）、总资产信息（例如，第一用户的存款金额）、年龄、偏好的金融风险等级、历史进行交易的金融产品的信息（例如，第一用户在过去一个月内买入的金融产品和卖出的金融产品）等。

第一用户的第一资源需求信息表示：第一用户需要获取的资源的特征。例如，第一待推荐资源为金融产品时，第一资源需求信息可以包括：第一用户需要获取的金融产品的年收益率、最低购买金额和最短购买时间等。

在本发明的一个实施例中，可以通过第一用户登录的第一客户端与第二用户登录的第二客户端进行实时语音交互的方式，由第二用户向第一用户进行资源推荐。相应的，服务器可以基于第一用户的语音数据获取第一资源需求信息。第二用户为向第一用户进行资源推荐的工作人员，例如，第一用户需要金融产品推荐时，第二用户可以为银行工作人员，或者，证券公司工作人员等。

相应的，步骤S101中服务器获取第一资源需求信息的过程，可以包括以下步骤：

步骤1，接收第一用户登录的第一客户端发送的用于获取资源的第一音频数据。

步骤2，对第一音频数据进行语音识别，得到第一用户的资源需求信息，作为第一资源需求信息。

当第一用户需要获取资源时，第一用户向第一客户端输入资源获取指令。第一客户端在接收到该资源获取指令时，向服务器发送针对第二客户端的语音通信请求。服务器在接收到该语音通信请求时，为第一客户端与第二客户端建立通信连接。后续，第一客户端与第二客户端通过服务器进行实时语音交互，以实现第二用户实时向第一用户进行资源推荐。进而，第一用户通过语音描述需要获取的资源的特征，并向第一客户端输入用于获取资源的音频数据（即第一音频数据），第一音频数据中包含第一用户需要获取的资源的特征。第一客户端在获取第一音频数据时，可以向服务器发送第一音频数据。服务器在接收到第一音频数据时，可以对第一音频数据进行语音识别，以提取第一用户需要获取的资源的特征，得到第一资源需求信息。

例如，服务器可以对第一音频数据进行文本转换，得到对应的文本，该文本中包含第一资源需求信息。服务器可以基于ASR（Automatic Speech Recognition，自动语音识别）算法对第一音频数据进行文本转换。或者也可以通过PocketSphinx（用于语音转文本的开源工具）对第一音频数据进行文本转换。后续，服务器可以基于本发明实施例提供的方法，基于获取到的第一个人基础信息和第一资源需求信息确定向第一用户推荐的目标资源，并通过第二客户端向第一用户进行资源推荐。

用户的个人基础信息预先存储于预设数据库中，服务器可以从预设数据库中获取第一用户的用户标识对应的个人基础信息，得到第一个人基础信息。

在本发明的一个实施例中，为了保证用户的信息安全，服务器在获取第一个人基础信息时，可以向第一客户端发送用于提醒第一用户是否授权服务器获取第一个人基础信息的提醒消息。第一客户端可以显示接收到的提醒消息，以提醒第一用户是否授权服务器获取第一个人基础信息。在接收到第一用户输入的确认授权指令时，第一客户端向服务器发送该确认授权指令。服务器在接收到确认授权指令时，获取第一个人基础信息。基于上述处理，可以在用户已授权的情况下获取用户的个人基础信息，可以保护用户的信息安全，并且符合相关法律规定。

针对步骤S102，一个第一待推荐资源的资源特征表示该第一待推荐资源的资源信息。一个第一待推荐资源的资源特征包括以下至少一项：该第一待推荐资源的名称、代码、持仓量、历史收益率（例如，该第一待推荐资源在过去一个月内每天的收益率）、管理人员信息、所属的行业板块、金融风险等级、最低购买金额和最短购买时间等。

一个第一待推荐资源的一个历史推荐信息为：向用户推荐该第一待推荐资源时所使用的推荐语句。一个第一待推荐资源的一个历史推荐信息为：基于第一历史时间段内向用户推荐该第一待推荐资源时生成的音频数据（可以称为历史音频数据）得到的。第一历史时间段的时长可以基于需求设置，当需要获取较多的该第一待推荐资源的历史推荐信息时，可以将第一历史时间段设置较长，例如，一年、六个月等。当需要获取较少的该第一待推荐资源的历史推荐信息时，可以将第一历史时间段设置较短，例如，一个月、一周等。

一个第一待推荐资源对应的历史音频数据包括：第一历史时间段内人工向用户推荐该第一待推荐资源时生成的音频数据，和/或，第一历史时间段内通过第二客户端向用户推荐该第一待推荐资源时生成的音频数据。服务器可以对该第一待推荐资源对应的历史音频数据进行语音识别（例如，文本转换），得到该第一待推荐资源的历史推荐信息。

针对步骤S103，针对每一第一待推荐资源，在第一历史时间段内，每次向用户推荐该第一待推荐资源时可能使用不同的推荐信息（即历史推荐信息），则该第一待推荐资源的历史推荐信息为多个。一个第一待推荐资源的一个待推荐组合信息包括该第一待推荐资源的资源特征和一个历史推荐信息；每两个待推荐组合信息包含的历史推荐信息不同。示例性的，该第一待推荐资源的历史推荐信息包括：推荐信息1、推荐信息2、推荐信息3和推荐信息4，则该第一待推荐资源的待推荐组合信息包括：包含推荐信息1和资源特征的组合信息1、包含推荐信息2和资源特征的组合信息2、包含推荐信息3和资源特征的组合信息3，以及包含推荐信息4和资源特征的组合信息4。

针对每一第一待推荐资源，该第一待推荐资源的各待推荐组合信息中包含的历史推荐信息不同，一个待推荐组合信息与第一用户的匹配度，可以表示该待推荐组合信息中的历史推荐信息符合第一用户的真实需求的程度。相应的，基于各待推荐组合信息与第一用户的匹配度，确定出的目标资源的目标推荐信息符合第一用户的真实需求。后续，基于目标推荐信息向第一用户推荐目标资源，可以实现针对不同的用户，基于符合用户的真实需求的目标推荐信息进行个性化的资源推荐，提高推荐的资源的有效性。例如，向技术类职业背景的用户（例如，程序员）推荐科技类基金时，由于该类用户了解科技类基金相关联的科技类行业信息，目标推荐信息中则可以包含较少的科技类行业信息介绍，以提高与该类用户的沟通效率，进而提高资源推荐效率。向非技术类职业背景的用户推荐时，由于该类用户不了解科技类基金相关联的科技类行业信息，目标推荐信息中则可以包含较多的科技类行业信息介绍，以使得该类用户进一步了解向其推荐的科技类基金的相关信息，提高推荐的资源的有效性。

匹配度预测模型可以为双塔模型，例如，DSSM（Deep Structured SemanticModels，深度结构化语义模型），或者，NCF（Neural Collaborative Filtering，神经协同过滤）模型，本发明实施例中不做具体限定。

在本发明的一个实施例中，匹配度预测模型包括：资源特征处理模块、用户特征处理模块和匹配度计算模块。资源特征处理模块包括：第一特征映射模块、第一特征融合模块和第一多层感知器（英文：Multilayer Perceptron，简称：MLP）。用户特征处理模块包括：第二特征映射模块、第二特征融合模块和第二多层感知器。

相应的，在图1的基础上，参见图2，步骤S103可以包括以下步骤：

S1031：针对该第一待推荐资源的每一待推荐组合信息，通过第一特征映射模块，对该待推荐组合信息中的资源特征进行映射处理，得到第一特征向量，并对该待推荐组合信息中的历史推荐信息进行映射处理，得到第二特征向量。

S1032：通过第一特征融合模块，对第一特征向量与第二特征向量进行拼接，得到第三特征向量。

S1033：通过第一多层感知器，按照指定长度对第三特征向量进行映射处理，得到该待推荐组合信息的信息特征向量。

S1034：通过第二特征映射模块，对第一个人基础信息进行映射处理，得到第四特征向量，并对第一资源需求信息进行映射处理，得到第五特征向量。

S1035：通过第二特征融合模块，对第四特征向量与第五特征向量进行拼接，得到第六特征向量。

S1036：通过第二多层感知器，按照指定长度对第六特征向量进行映射处理，得到第一用户的用户特征向量。

S1037：通过匹配度计算模块，计算第一用户的用户特征向量与该待推荐组合信息的信息特征向量之间的相似度，作为第一用户与该待推荐组合信息的匹配度。

第一特征映射模块进行映射处理的方式可以为Onehot（独热）编码，或者也可为Embedding（词嵌入）编码。

一种实现方式中，针对每一第一待推荐资源的每一待推荐组合信息，服务器可以通过第一特征映射模块，对该待推荐组合信息中的非序列型的资源特征（例如，该第一待推荐资源的名称）进行Onehot编码，并通过第一特征映射模块，对该待推荐组合信息中的序列型的资源特征（例如，该第一待推荐资源在过去一个月内每天的收益率）进行Embedding编码，得到第一特征向量。服务器可以通过第一特征映射模块，对该待推荐组合信息中的历史推荐信息进行Embedding编码，得到第二特征向量。然后，将第一特征向量和第二特征向量输入至第一特征融合模块，服务器可以确定第一特征向量的预设权重，以及第二特征向量的预设权重，并通过第一特征融合模块按照对应的预设权重，对第一特征向量和第二特征向量进行拼接，得到第三特征向量。进而，可以将第三特征向量输入至第一多层感知器，服务器可以通过第一多层感知器，将第三特征向量进行映射至指定长度，以实现对第三特征向量进行降维，得到该待推荐组合信息的信息特征向量。

针对每一待推荐组合信息，该待推荐组合信息中包括序列型的资源特征时，第三特征向量为基于序列型的资源特征确定的，第三特征向量中包含序列型特征，为了对序列型特征进行处理，第一多层感知器可以为以下任意一种模型：卷积神经网络模型、循环神经网络模型和自注意力网络模型等。例如，第一多层感知器可以为LSTM（Long Short TermMemory，长短期记忆）网络模型。

第二特征映射模块进行映射处理的方式可以为Onehot编码，或者也可为Embedding编码。

一种实现方式中，服务器可以通过第二特征映射模块，对非序列型的第一个人基础信息（例如，第一用户的年龄）进行Onehot编码，并通过第二特征映射模块，对序列型的第一个人基础信息（例如，第一用户在过去一个月内进行交易的金融产品的信息）进行Embedding编码，得到第四特征向量。第一用户在过去一个月内进行交易的金融产品的信息可以包括：第一用户在过去一个月内买入的金融产品、卖出的金融产品，金融产品的价格变动情况等。服务器可以通过第二特征映射模块，对第一资源需求信息进行Embedding编码，得到第五特征向量。然后，将第四特征向量和第五特征向量输入至第二特征融合模块，服务器可以确定第四特征向量的预设权重，以及第五特征向量的预设权重，并通过第二特征融合模块按照对应的预设权重，对第四特征向量和第五特征向量进行拼接，得到第六特征向量。进而，可以将第六特征向量输入至第二多层感知器。服务器可以通过第二多层感知器，将第六特征向量映射至指定长度，以实现对第六特征向量进行降维，得到第一用户的用户特征向量。

第一个人基础信息中不包含序列型的个人基础信息，或者包含的序列型的个人基础信息较少时，第二多层感知器可以包含全连接层。例如，第二多层感知器可以包含使用ReLU为激活函数的三层全连接层。针对每一第一待推荐资源的每一待推荐组合信息，可以将该待推荐组合信息的信息特征向量和第一用户的用户特征向量输入至匹配度计算模块，服务器可以通过匹配度计算模块，基于预算相似度算法，计算该待推荐组合信息的信息特征向量和第一用户的用户特征向量的相似度，作为第一用户与该待推荐组合信息的匹配度。预设相似度算法可以为余弦相似度算法、欧氏距离算法和切比雪夫距离算法等。

在本发明一个实施例中，针对每一第一待推荐资源的每一待推荐组合信息，由于该待推荐组合信息中的资源特征和历史推荐推荐信息在一段时间内是固定不变的，相应的，该待推荐组合信息的信息特征向量在一段时间内也是固定不变的。因此，在确定出该待推荐组合信息的信息特征向量之后，服务器还可以将该待推荐组合信息的信息特征向量进行存储。例如，将该待推荐组合信息的信息特征向量存储至服务器本地，或者，将该待推荐组合信息的信息特征向量存储至预设数据库。后续，向其他用户进行资源推荐时，可以直接获取各待推荐组合信息的信息特征向量，基于获取到的各待推荐组合信息的信息特征向量，向用户进行资源推荐，无需再次计算第一待推荐资源的待推荐组合信息的信息特征向量，可以减少计算量，提高资源推荐效率。

在步骤S104中，在确定出第一用户与每一第一待推荐资源的待推荐组合信息的匹配度之后，服务器可以通过以下方式从第一待推荐资源中确定向第一用户推荐的第一备选资源。

方式一，预设条件可以为：与第一用户的匹配度大于匹配度阈值。服务器可以从多个第一待推荐资源的多个待推荐组合信息中，确定与第一用户的匹配度大于匹配度阈值的待推荐组合信息，作为目标组合信息。然后，服务器可以确定目标组合信息所对应的第一待推荐资源，作为第一备选资源。匹配度阈值可以由技术人员根据经验设置，例如，匹配度阈值可以为0.8，或者也可以为0.7，但并不限于此。

方式二，预设条件可以为：与第一用户的匹配度大于其他待推荐组合信息与第一用户的匹配度。服务器可以按照与第一用户的匹配度从大到小的顺序，从多个第一待推荐资源的多个待推荐组合信息中，确定前第二数目个待推荐组合信息，作为目标组合信息。然后，服务器可以确定目标组合信息所对应的第一待推荐资源，作为第一备选资源。

在本发明的一个实施例中，在图1的基础上，参见图3，在步骤S105之前，该方法还可以包括以下步骤：

S106：确定多个不存在历史推荐信息的资源，作为第二待推荐资源。

S107：针对每一第二待推荐资源，对该第二待推荐资源的资源特征和预设推荐信息进行映射处理，得到该第二待推荐资源的资源特征向量。

S108：计算该第二待推荐资源的资源特征向量与每一第一备选资源的目标组合信息的信息特征向量之间的相似度，得到该第二待推荐资源与该第一备选资源的相似度。其中，该第一备选资源的目标组合信息对应的匹配度满足预设条件。

S109：计算该第二待推荐资源与各第一备选资源的相似度的均值，得到该第二待推荐资源对应的相似度均值。

S1010：按照对应的相似度均值从大到小的顺序，从第二待推荐资源中确定前第一数目个资源，作为第二备选资源。其中，目标资源还包括第二备选资源。

第二待推荐资源为服务器向用户提供的所有资源中未向用户进行过推荐的新资源。由于未向用户推荐过第二待推荐资源，因此，第二待推荐资源不存在历史推荐信息，则无法基于第二待推荐资源的历史推荐信息向用户推荐第二待推荐资源。为了向用户推荐第二待推荐资源，针对每一第二待推荐资源，服务器可以对该第二待推荐资源的资源特征进行映射处理，得到对应的特征向量，并对预设推荐信息进行映射处理，得到对应的特征向量。然后，对得到的两个特征向量进行拼接，得到该第二待推荐资源的资源特征向量。第二待推荐资源的预设推荐信息为技术人员预先设置的。

然后，服务器可以计算该第二待推荐资源的资源特征向量与每一第一备选资源的目标组合信息的信息特征向量之间的相似度，得到该第二待推荐资源与该第一备选资源的相似度。第一备选资源的目标组合信息为：第一备选资源的对应的匹配度满足预设条件的待推荐组合信息。进而，计算该第二待推荐资源与各第一备选资源的相似度的均值，得到该第二待推荐资源对应的相似度均值，按照对应的相似度均值从大到小的顺序，从第二待推荐资源中确定前第一数目个资源，作为第二备选资源，并将第二备选资源确定为目标资源。第一数目可以基于第一备选资源的第二数目确定。例如，第一数目可以为第二数目加一。

另外，服务器还可以对目标资源进行排序，也就是对第一备选资源和第二备选资源进行排序。后续，可以按照各目标资源的排列顺序，依次向第一用户推荐各目标资源。

一种实现方式中，服务器可以按照第一备选资源的目标组合信息对应的匹配度从大到小的顺序，对第一备选资源进行排序，并按照第二备选资源对应的相似度均值从大到小的顺，对第二备选资源进行排序。基于第一备选资源的排列顺序和第二备选资源的排列顺序，确定各目标资源的排列顺序。示例性的，按照第一备选资源的目标组合信息对应的匹配度从大到小的顺序，对第一备选资源进行排序得到：资源1、资源2、资源3和资源4。按照第二备选资源对应的相似度均值从大到小的顺，对第二备选资源进行排序得到：资源5、资源6、资源7、资源8和资源9。然后，服务器可以按照第二备选资源的顺序排列，将一个第二备选资源排列于一个第一备选资源之前，可以得到各目标资源的排列顺序为：资源5、资源1、资源6、资源2、资源7、资源3、资源8、资源4和资源9。

针对步骤S105，目标资源可以包括从第一待推荐资源中确定的第一备选资源，或者目标资源也可以包括从第一待推荐资源中确定的第一备选资源，以及从第二待推荐资源中确定的第二备选资源。

在本发明的一个实施例中，在图1的基础上，参见图4，步骤S105可以包括以下步骤：

S1051：向第二用户登录的第二客户端发送目标资源的目标推荐信息，以使第二客户端显示接收到的目标推荐信息，获取第二用户按照目标推荐信息发出的第二音频数据，并向服务器发送第二音频数据。其中，目标资源的目标推荐信息包括：目标资源的对应的匹配度满足预设条件的组合信息中的历史推荐信息。

S1052：在接收到第二音频数据时，向第一客户端发送第二音频数据，以使第一客户端播放第二音频数据。

针对第一客户端与第二客户端进行实时语音交互向第一用户推荐资源的场景，在确定出目标资源之后，服务器可以向第二客户端发送目标资源的目标推荐信息。针对每一目标资源，如果该目标资源为第二备选资源，则该目标资源的目标推荐信息为预设推荐信息。如果该目标资源为第一备选资源，则该目标资源的目标推荐信息为对应的匹配度满足预设条件的目标组合信息中的历史推荐信息。相应的，第二客户端可以显示接收到的目标推荐信息，以供第二用户浏览，第二客户端可以获取第二用户阅读目标推荐信息时发出的音频数据（即第二音频数据），并向服务器发送第二音频数据。服务器在接收到第二音频数据时可以向第一客户端发送第二音频数据。第一客户端可以播放接收到的第二音频数据，以通过第一客户端与第二客户端进行实时语音交互的方式，实现第二用户按照目标推荐信息向第一用户推荐目标资源。

基于上述处理，第一资源需求信息可以体现第一用户的需求，第一个人基础信息可以体现第一用户的真实信息，基于第一资源需求信息和第一个人基础信息进行资源推荐，可以综合考虑第一用户的真实信息和需求，可以更灵活的向用户进行资源推荐，提高资源推荐的有效性。例如，基于用户的真实信息确定的与用户匹配的金融风险等级为中风险，但用户的需求为：了解低风险等级的金融产品，则结合用户的真实信息和需求进行推荐时，会向用户推荐低风险等级的金融产品。

在本发明的一个实施例中，服务器还可以对初始结构的匹配度预测模型进行训练，得到训练好的匹配度预测模型。相应的，参见图5，对初始结构的匹配度预测模型进行训练的过程可以包括以下步骤：

S501：针对每一样本资源，获取第二用户在第二历史时间段内向样本用户进行资源推荐时生成的样本音频数据，并对样本音频数据进行语音识别，得到该样本资源的历史推荐信息，以及与该样本资源对应的样本用户的样本资源需求信息。

S502：基于该样本资源的一个样本组合信息、一个样本资源需求信息和样本用户的样本个人基础信息，生成一个初始训练样本。其中，一个样本组合信息包括：该样本资源的资源特征和一个历史推荐信息；每两个样本组合信息包含的历史推荐信息不同。

S503：基于各初始训练样本中的样本标签，从各初始训练样本中确定与样本用户相匹配的正样本，以及与样本用户不匹配的负样本，得到目标训练样本。其中，一个初始训练样本中的样本标签表示：该初始训练样本中的样本组合信息与样本用户的匹配度。

S504：基于目标训练样本对初始结构的匹配度预测模型的模型参数进行调整，直至达到预设收敛条件，得到训练好的匹配度预测模型。

第二历史时间段可以基于需求设置，第二历史时间段可以与第一历史时间段相同，或者，第二历史时间段也可以与第一历史时间段不同。

一种实现方式中，服务器可以获取在第二历史时间段内，第二用户向样本用户进行资源推荐的样本音频数据，然后，服务器可以对样本音频数据进行文本转换，得到对应的样本文本。样本文本中包含样本用户的样本资源需求信息，以及第二用户向样本用户推荐的样本资源时的历史推荐信息。服务器可以从样本文本中确定包含推荐关键词的文本，作为样本资源的历史推荐信息。推荐关键词可以包括以下至少一项：建议、购买、推荐、金融产品的代码、名称等。服务器确定历史推荐信息在样本音频中对应的音频（可以称为样本推荐音频数据），并确定样本推荐音频数据之前的音频数据（可以称为样本需求音频数据），样本需求音频数据为样本用户发出的，且位于样本推荐音频数据之前，则样本需求音频数据中包含该样本资源对应的样本资源需求信息。因此，服务器可以从样本文本中确定样本需求音频数据对应的文本，得到该样本资源对应的样本资源需求信息。

另一种实现方式中，服务器可以获取在第二历史时间段内，第二用户向样本用户进行资源推荐的样本音频数据，样本音频数据中包含样本用户的样本资源需求信息，以及第二用户向样本用户推荐的样本资源时的历史推荐信息。针对每一样本资源，服务器可以从样本音频数据中，确定第二用户发出的用于推荐该样本资源的样本推荐音频数据。例如，服务器可以从样本音频数据中确定包含推荐关键词的音频数据，作为样本推荐音频数据。然后，服务器可以对样本推荐音频数据进行语音识别得到该样本资源的历史推荐信息。例如，服务器可以对样本推荐音频数据进行文本转换，得到该样本资源的历史推荐信息。

服务器还可以从样本音频数据中，确定样本用户发出的且位于样本推荐音频数据之前的音频数据，得到该样本资源对应的样本用户的样本需求音频数据，样本需求音频数据为样本用户发出的，且位于样本推荐音频数据之前，则样本需求音频数据中包含该样本资源对应的样本资源需求信息。因此，服务器可以对该样本资源对应的样本需求音频数据进行语音识别，得到该样本资源对应的样本资源需求信息。另外，如果获取到的样本音频数据中不存在位于样本推荐音频数据之前的音频数据，则服务器可以获取在样本音频数据之前，第二用户向样本用户进行资源推荐的其他音频数据，并从获取到的音频数据中确定样本用户发出的音频数据，作为该样本资源对应的样本需求音频数据。

针对每一样本资源，由于第二用户会基于不同的历史推荐信息向不同的用户推荐该样本资源，则该样本资源的历史推荐信息为多个，并且不同的样本用户的样本资源需求不同，则该样本资源对应的样本资源需求为多个。因此，服务器可以基于该样本资源的一个样本组合信息、一个样本资源需求信息和样本用户的样本个人基础信息，生成一个初始训练样本。一个样本组合信息包括：该样本资源的资源特征和一个历史推荐信息；每两个样本组合信息包含的历史推荐信息不同。样本用户的样本个人基础信息为样本用户已授权的情况下从预设数据库中获取的。

然后，服务器可以基于该样本资源的样本组合信息与样本用户的匹配度，确定该样本资源的一个样本组合信息、一个样本资源需求信息和样本用户的样本个人基础信息所对应的样本标签，得到包含对应的样本标签的初始训练样本。一个初始训练样本包括：样本组合信息、样本资源需求信息、样本个人基础信息和样本标签，一个初始训练样本中的样本标签表示：该初始训练样本中的样本组合信息与样本用户的匹配度。服务器确定样本标签的方式可以参考后续实施例的相关介绍。

例如，该样本资源的历史推荐信息包括：推荐信息1、推荐信息2和推荐信息3。该样本资源的样本组合信息包括：包含样本资源的资源特征和推荐信息1的样本组合信息1、包含样本资源的资源特征和推荐信息2的样本组合信息2，以及包含样本资源的资源特征和推荐信息3的样本组合信息3。基于推荐信息1向用户推荐该样本资源时的样本资源需求信息为：资源需求信息1；基于推荐信息2向用户推荐该样本资源时的样本资源需求信息为：资源需求信息2；基于推荐信息3向用户推荐该样本资源时的样本资源需求信息为：资源需求信息3。服务器可以将该样本资源的样本组合信息1、资源需求信息1、样本个人基础信息和的样本标签，作为初始训练样本1；将该样本资源的样本组合信息2、资源需求信息2、样本个人基础信息和样本标签，作为初始训练样本2；将该样本资源的样本组合信息3、资源需求信息3、样本个人基础信息和样本标签，作为初始训练样本3。

进而，服务器可以从各初始训练样本中确定与样本用户相匹配的正样本，以及与样本用户不匹配的负样本，得到目标训练样本，也就是说，目标训练样本包含正样本和负样本。与样本用户相匹配的正样本的样本标签为1，也就是正样本中的样本组合信息与样本用户的匹配度为1。与样本用户不匹配的负样本的样本标签为0，也就是负样本中的样本组合信息与样本用户的匹配度为0。

进而，服务器可以将目标训练样本中的样本组合信息、样本资源需求信息和样本个人基础信息输入至初始结构的匹配度预测模型，得到目标训练样本中的样本组合信息的信息特征向量（可以称为样本信息特征向量），以及样本用户的用户特征向量（可以称为样本用户特征向量）。然后，初始结构的匹配度预测模型可以基于如下公式计算样本信息特征向量与样本用户特征向量之间的相似度，得到样本用户与目标训练样本中的样本组合信息的匹配度（可以称为预测匹配度）。

（1）

A表示样本用户与目标训练样本中的样本组合信息的匹配度，sim（）表示余弦相似度函数，u表示样本信息特征向量，i表示样本用户特征向量。

服务器可以计算表示预测匹配度与样本匹配度之间的差异性的损失函数值，样本匹配度为目标训练样本中的样本标签表示的匹配度。损失函数可以为交叉熵损失函数，交叉熵损失函数如下所示：

（2）

L表示损失函数值，u表示样本信息特征向量，i表示样本用户特征向量，

表示样本匹配度，

表示预测匹配度。

服务器可以基于计算得到的损失函数值，对初始结构的匹配度预测模型的模型参数进行调整，直至达到预设收敛条件，得到训练好的匹配度预测模型。预设收敛条件可以为对初始结构的匹配度预测模型进行训练的训练次数达到预设次数，或者，预设收敛条件也可以为连续第三数目次计算得到的损失函数值均小于预设数值。

在本发明的一个实施例中，在步骤S504之前，该方法还可以包括以下步骤：针对每一初始训练样本，将该初始训练样本和该初始训练样本对应的样本资源的历史推荐行为信息输入至预先训练的分类模型，得到该初始训练样本的样本标签。其中，一个样本资源的历史推荐行为信息包括以下至少一项：样本用户针对该样本资源的合规性评价信息、样本用户针对该样本资源的购买行为信息、样本用户针对该样本资源的历史操作行为信息，样本用户向第二用户咨询该样本资源的行为信息，以及样本用户针对第二用户推荐该样本资源的历史推荐行为的满意度评价信息；

步骤S504可以包括以下步骤：步骤1：确定样本标签表示与样本用户相匹配的第一初始训练样本的数目，以及样本标签表示与样本用户不匹配的第二初始训练样本的数目。

步骤2：计算第一初始训练样本的数目与第二初始训练样本的数目的比值。

步骤3：如果计算得到的比值大于预设阈值，确定第一初始训练样本为正样本，并确定第二初始训练样本为负样本，得到目标训练样本。

步骤4：如果计算得到的比值不大于预设阈值，针对每一第一初始训练样本，计算该第一初始训练样本与每一第三初始训练样本之间的相似度。其中，第三初始训练样本为：除第一初始训练样本和第二初始训练样本外的其他训练样本。

步骤5：确定该第一初始训练样本、与该第一初始训练样本的相似度最大的第三初始训练样本为正样本，并确定第二初始训练样本为负样本，得到目标训练样本。

分类模型可以为随机森林分类模型，例如，包含多个CART（Classification AndRegression Tree，回归分类树）的随机森林分类模型。分类模型为基于专家标记数据进行训练的，专家标记数据为对分类模型进行训练的训练样本。训练样本中包括：人工确定的每一个训练样本对应的历史推荐行为信息的评分，以及该训练样本中的样本组合信息与样本用户的匹配度（即样本标签）。

其中，历史推荐行为信息包括以下至少一项：样本用户针对该样本资源的合规性评价信息、样本用户针对该样本资源的购买行为信息、样本用户针对该样本资源的历史操作行为信息，例如，样本用户在应用程序中针对该样本资源的浏览行为信息、收藏行为信息和分享行为信息等，样本用户向第二用户咨询该样本资源的行为信息，以及样本用户针对第二用户推荐该样本资源的历史推荐行为的评价信息。

示例性的，参见表1，表1为本发明实施例提供的一种历史推荐行为信息表。

表1

评价指标	合规评价	交易行为	用户服务评价	APP行为	咨询行为	…	样本标签	匹配度
									样本1	5	5	5	5	5	…	正样本	1
样本2	5	0	3	5	1	…	正样本	1
									样本3	3	0	2	1	1	…	丢弃样本	-
样本4	4	0	1	0	3	…	丢弃样本	-
									样本5	2	0	2	2	2	…	负样本	0
…	…	…	…	…	…	…	…	…

样本1至样本5为本发明实施例中的初始训练样本。评价指标为本发明实施例中的历史推荐行为信息。合规评价为本发明实施例中的样本用户针对该样本资源的合规性评价信息，例如，样本用户针对样本1对应的样本资源的合规性评价信息为：合规，则可以确定样本用户针对样本1对应的样本资源的合规性评价信息的评分为5。交易行为表示本发明实施例中的样本用户针对该样本资源的购买行为信息，例如，样本用户购买了样本1对应的样本资源，则可以确定样本用户针对样本1对应的样本资源的购买行为信息的评分为5，样本用户未购买样本2对应的样本资源，则可以确定样本用户针对样本2对应的样本资源的购买行为信息的评分为0。用户服务评价表示本发明实施例中的样本用户针对第二用户推荐该样本资源的历史推荐行为的评价信息，例如，样本用户针对第二用户推荐样本1对应的样本资源的历史推荐行为的评价信息为：满意，则可以确定样本用户针对第二用户推荐样本1对应的样本资源的历史推荐行为的评价信息的评分为5。APP（Application，应用程序）行为表示本发明实施例中的样本用户针对该样本资源的历史操作行为信息，例如，样本用户在应用程序中针对样本1对应的样本资源进行了收藏，则可以确定样本用户针对样本1对应的样本资源的历史操作行为信息的评分为5。咨询行为表示本发明实施例中的样本用户向第二用户咨询该样本资源的行为信息，例如，样本用户向第二用户咨询了样本1对应的样本资源，则可以确定样本用户向第二用户咨询样本1对应的样本资源的行为信息的评分为5。

针对每一样本资源，服务器可以将该样本资源的一个样本组合信息、一个样本资源需求信息、样本个人基础信息，以及基于上述各历史推荐行为信息的评分输入至分类模型，得到所对应的样本标签，例如，样本1的样本标签为正样本，则表示样本用户与样本1中的样本组合信息的匹配度为1。样本5的样本标签为负样本，则表示样本用户与样本5中的样本组合信息的匹配度为0。样本3的样本标签为丢弃样本，则表示样本3为异常数据。

然后，服务器可以确定样本标签表示与样本用户相匹配的第一初始训练样本的数目，以及样本标签表示与样本用户不匹配的第二初始训练样本的数目，并计算第一初始训练样本的数目与第二初始训练样本的数目的比值。如果计算得到的比值大于预设阈值，表明第一初始训练样本的数目与第二初始训练样本的数目之间相差较小，对初始结构的匹配度预测模型进行训练的效果较好，服务器可以直接确定第一初始训练样本为正样本，并确定第二初始训练样本为负样本，得到目标训练样本。

如果计算得到的比值不大于预设阈值，表明第一初始训练样本的数目与第二初始训练样本的数目之间相差较大，对初始结构的匹配度预测模型进行训练的效果较差，服务器确定第一初始训练样本为正样本，第二初始训练样本为负样本后，还可以从第三初始训练样本中选择一部分样本作为正样本。第三初始训练样本为：除第一初始训练样本和所述第二初始训练样本外的其他训练样本，也就是对应的样本标签为丢弃样本的初始训练样本。

一种实现方式中，针对每一第一初始训练样本，服务器可以计算该第一初始训练样本与每一第三初始训练样本之间的相似度。然后，将该第一初始训练样本的相似度最大的第三初始训练样本为正样本，也就是确定该第三初始训练样本中的样本组合信息与样本用户之间的匹配度为1，得到目标训练样本。

参见图6，图6为现有技术中的资源推荐方法的流程图。相关技术中，在向用户进行推荐金融产品时，获取一段时间（例如，一周）内用户在社交平台的社交数据，该社交数据可以表示用户意图。然后，基于推荐方法和用户意图确定推荐包含目标金融产品的产品列表，也就是从用户的社交数据中提取与产品相关联的关键词，将与提取到的关键词相关联的产品确定目标金融产品，得到包含目标金融产品的产品列表。进而，可以向用户推荐目标金融产品。可见，相关技术中，仅获取表示用户意图的关键词，基于获取的关键词进行金融产品推荐，导致推荐的有效性较低，并且推荐方式单一，不会确定对用户进行金融产品推荐的推荐信息，无法针对用户进行个性化推荐。

参见图7，图7为本发明实施例提供的一种资源推荐系统的结构图。该资源推荐系统包括：员工客户端（前述实施例中的第二客户端）、用户手机（前述实施例中的第一客户端）、语音网关和客服系统。客服系统包括：呼叫任务管理模块、推荐模型（前述实施例中的匹配度预测模型）、训练模块、呼叫服务器、信息采集模块、样本筛选模块和业务数据库。

客服系统可以为前述实施例中的服务器，客服系统中实现不同功能的模块（即呼叫任务管理模块、呼叫服务器、信息采集模块、样本筛选模块和业务数据库）为服务器中的模块。当前述实施例中服务器为服务器集群时，客户端系统可以为服务器集群。客服系统中实现不同功能的模块（即呼叫任务管理模块、呼叫服务器、信息采集模块、样本筛选模块和业务数据库）为不同的服务器。

用户手机可以通过语音网关向呼叫服务器发送第一用户的语音流（即第一音频数据）。语音网关用于在用户手机进行语音通信的网络，与员工客户端进行语音通信的网络不同的情况下，实现用户手机与员工客户端进行语音通信。例如，用户手机按照手机号码进行语音通信时，用户手机进行语音通信的网络为PSTN（Public Switched TelephoneNetwork，公用电话交换网）网络。员工客户端基于应用程序进行语音通信时，进行语音通信的网络为IP（Internet Protocol，互联网协议）网络。

呼叫服务器在接收到第一音频数据时，向信息采集模块发送第一音频数据，以及向呼叫任务管理模块发送第一用户的用户标识，呼叫任务管理模块基于第一用户的用户标识，生成第一用户对应的任务工单，并发送至员工客户端。任务工单用于显示员工客户端接收到的信息，例如，在与用户手机建立通信时，显示第一用户的第一个人基础信息，在向第一用户进行推荐时，显示第一用户对应的目标资源的目标推荐信息。呼叫任务管理模块向信息采集模块发送第一用户的用户标识。信息采集模块从业务数据库获取第一用户的用户标识对应的个人基础信息，得到第一个人基础信息，以及从业务数据库获取各第一待推荐资源的各待推荐组合信息的信息特征向量。

信息采集模块还可以对第一音频数据进行语音识别，得到第一用户的第一资源需求信息。进而，将第一个人基础信息、第一资源需求信息，以及各待推荐组合信息的信息特征向量输入至推荐模型。推荐模型可以输出第一用户与各待推荐组合信息的匹配度。信息采集模块基于第一用户与各待推荐组合信息的匹配度，确定向第一用户推荐的目标资源的目标推荐信息，并向员工客户端发送目标推荐信息。员工客户端可以显示目标推荐信息，并获取第二用户按照目标推荐信息发出的第二音频数据，员工客户端可以向呼叫服务器发送语音流（即第二音频数据）。呼叫服务器可以向用户手机发送第二音频数据。员工手机可以播放第二音频数据，以按照目标推荐信息向第一用户推荐目标资源。

另外，信息采集模块还可以记录用户手机与员工客户端进行语音通信的音频数据，并发送至样本筛选模块。样本筛选模块可以基于用户手机与员工客户端进行语音通信的音频数据，生成用于对匹配度预测模型进行训练的目标训练样本，并将目标训练样本发送至训练模块。训练模块可以基于目标训练样本对初始结构的匹配度预测模型进行训练，得到训练好的匹配度预测模型（即推荐模型）。

基于上述处理，第一资源需求信息可以体现第一用户需要的资源的特征，第一个人基础信息可以体现第一用户的真实信息，第一待推荐资源的待推荐组合信息包含第一待推荐资源的资源特征。相应的，基于第一个人基础信息、第一资源需求信息和待推荐组合信息确定出的第一用户与待推荐组合信息的匹配度，可以体现第一待推荐资源符合第一用户的真实需求的程度。进而，基于第一用户与各第一待推荐资源的待推荐组合信息的匹配度确定出的第一备选资源符合用户的真实需求，向第一用户推荐包含第一备选资源的目标资源，可以提高推荐的资源的有效性。

参见图8，图8为本发明实施例提供的另一种资源推荐系统的结构图。该资源推荐系统包括：呼叫任务管理模块、呼叫服务器、用户手机、业务数据库、信息采集模块、推荐模型和样本筛选模块。

用户手机可以向呼叫服务器发送第一用户的第一音频数据。呼叫服务器在接收到第一音频数据时，向信息采集模块发送第一音频数据，以及向呼叫任务管理模块发送第一用户的用户标识，呼叫任务管理模块向信息采集模块发送第一用户的用户标识。

信息采集模块进行任务信息采集，也就是获取第一用户的用户标识。信息采集模块进行语音流采集，并进行语音转文字。然后，信息采集模块进行信息汇总，并将汇总信息输入至推荐模型，也就是信息采集模块对接收到的第一音频数据进行语音识别得到第一用户的第一资源需求信息，以及获取第一用户的用户标识对应的第一个人基础信息，将第一个人基础信息和第一资源需求信息输入至推荐模型。推荐模型可以对第一个人基础信息和第一资源需求信息，以及各待推荐资源的各待推荐组合信息的信息特征向量进行处理，输出第一用户与各待推荐组合信息各自的匹配度。进而，信息采集模块基于第一用户与各待推荐组合信息各自的匹配度，确定向用户推荐的目标资源，并向第二客户端发送目标资源的目标推荐信息。进而，通过第二客户端按照目标推荐信息向第一用户推荐目标资源。

另外，信息采集模块进行用户特征采集，并进行用户行为量化，信息采集模块还可以进行行为采集，并进行文本处理。然后进行样本生成，并将生成的训练样本发送至样本筛选模块，也就是信息采集模块记录样本用户的用户手机与员工客户端进行语音通信的音频数据，对记录的音频数据进行语音识别，得到样本资源需求信息和样本资源的历史推荐信息，基于样本个人基础信息、样本资源需求信息和样本资源的样本组合信息（即样本资源的资源特征和历史推荐信息），生成用于对匹配度预测模型进行训练的初始训练样本，并将初始训练样本发送至样本筛选模块。样本筛选模块可以从初始训练样本中确定目标训练样本，并基于目标训练样本对初始结构的匹配度预测模型进行训练，得到训练好的匹配度预测模型（即推荐模型）。

基于上述处理，第一资源需求信息可以体现第一用户需要的资源的特征，第一个人基础信息可以体现第一用户的真实信息，第一待推荐资源的待推荐组合信息包含第一待推荐资源的资源特征。相应的，基于第一个人基础信息、第一资源需求信息和待推荐组合信息确定出的第一用户与待推荐组合信息的匹配度，可以体现第一待推荐资源符合第一用户的真实需求的程度。进而，基于第一用户与各第一待推荐资源的待推荐组合信息的匹配度确定出的第一备选资源符合用户的真实需求，向第一用户推荐包含第一备选资源的目标资源，可以提高推荐的资源的有效性。

参见图9，图9为本发明实施例提供的另一种资源推荐方法的流程图。该资源推荐方法应用于资源推荐系统。该资源推荐系统包括：用户客户端、员工客户端、呼叫服务器、任务管理模块、信息采集模块、推荐模型、分类模块和训练模块。员工客户为前述实施例中的第二客户端，用户客户端为前述实施例中的第一客户端。

用户客户端向呼叫服务器发起呼叫，呼叫服务器为用户客户端与员工客户端建立通话。也就是用户客户端向呼叫服务器发送针对员工客户端的语音通信请求。呼叫服务器在接收到该语音通信请求时，为用户客户端与员工客户端建立通信连接。呼叫服务器向任务管理模块发送任务信息，也就是呼叫服务器向任务管理模块发送第一用户的用户标识。任务管理模块识别用户，并从数据库查询用户信息，也就是任务管理模块从业务数据库获取第一用户的用户标识对应的个人基础信息，得到第一个人基础信息，并向信息采集模块发送用户固有信息（即第一个人基础信息）。呼叫服务器在接收到用户客户端的语音流（即第一音频数据）时，向信息采集模块发送语音流（即第一音频数据）。

信息采集模块进行信息加工，得到量化特征，也就是信息采集模块对第一音频数据进行语音识别，得到第一用户的第一资源需求信息。信息采集模块将用户固有特征和意图特征输入至推荐模型，也就是信息采集模块将第一个人基础信息和第一资源需求信息输入至推荐模型。推荐模型进行特征拼接处理，得到用户向量，计算用户向量与产品向量的相似度作为推荐度，得到排序列表，返回推荐度高于阈值的前N个。也就是推荐模型基于将第一个人基础信息和第一资源需求信息，生成第一用户的用户特征向量，并计算第一用户的用户特征向量与第一待推荐资源的各待推荐组合信息的信息特征向量之间的相似度，得到第一用户与各待推荐组合信息各自的匹配度。信息采集模块基于第一用户与各待推荐组合信息各自的匹配度，确定向第一用户推荐的N个目标资源，目标资源的目标组合信息与第一用户的匹配度大于匹配度阈值，向员工客户端发送包含目标资源的目标推荐信息的推荐列表。

员工客户端与用户客户端进行产品推荐与反馈，也就是通过员工客户端，按照目标推荐信息向第一用户推荐目标资源，在完成资源推荐之后，呼叫结束，也就是停止用户客户端与员工客户端之间的语音通信。

另外，信息采集模块还可以获取一段时间内的用户行为，并基于获取的用户行为生成新训练样本，并将新训练样本至分类模块。分类模块对新训练样本进行分类，得到已分类样本。也就是信息采集模块基于第二用户向第一用户进行资源推荐的音频数据，生成初始训练样本，并通过分类模块从初始训练样本中确定目标训练样本。训练模块可以基于目标训练样本对初始结构的匹配度预测模型进行训练，得到训练好的匹配度预测模型（即推荐模型），以实现定期更新在线模型。

基于上述处理，第一资源需求信息可以体现第一用户需要的资源的特征，第一个人基础信息可以体现第一用户的真实信息，第一待推荐资源的待推荐组合信息包含第一待推荐资源的资源特征。相应的，基于第一个人基础信息、第一资源需求信息和待推荐组合信息确定出的第一用户与待推荐组合信息的匹配度，可以体现第一待推荐资源符合第一用户的真实需求的程度。进而，基于第一用户与各第一待推荐资源的待推荐组合信息的匹配度确定出的第一备选资源符合用户的真实需求，向第一用户推荐包含第一备选资源的目标资源，可以提高推荐的资源的有效性。

参见图10，图10为本发明实施例提供的一种资源推荐方法的原理图。匹配度预测模型包括用户特征处理模块、资源特征处理模块和匹配度计算模块。

在离线训练阶段，服务器生成包含用户固有特征（即样本个人基础信息）、意图特征（即样本资源需求信息）、资源固有特征（即样本资源的资源特征），以及介绍语特征（即样本资源的历史推荐信息）的目标训练样本。

用户特征处理模块可以对样本用户的非序列型的用户固有特征进行Onehot编码，并对样本用户的序列型的用户固有特征进行Embedding编码，得到对应的特征向量。用户特征处理模块可以对样本用户的意图特征进行Embedding编码，得到对应的特征向量。然后，对得到的两个特征向量进行特征融合（即对得到的两个特征向量进行拼接），得到样本用户的用户特征向量。用户特征处理模块还可以通过MLP对样本用户的用户特征向量进行降维，得到指定长度的样本用户的样本用户特征向量。

资源特征处理模块可以对样本资源的非序列型的资源固有特征进行Onehot编码，并对样本资源的序列型的资源固有特征进行Embedding编码，得到对应的特征向量。第二融合处理模型可以对样本资源的介绍语特征进行Embedding编码，得到对应的特征向量。然后，对得到的两个特征向量进行特征融合（即对得到的两个特征向量进行拼接），得到样本资源的一个样本组合信息的信息特征向量。资源特征处理模块还可以通过MLP对样本资源的一个样本组合信息的信息特征向量进行降维，得到指定长度的样本信息特征向量。

然后，匹配度计算模块基于上述公式（1）计算样本信息特征向量与样本用户特征向量之间的相似度，作为得到样本组合信息与样本用户的匹配度（即预测匹配度）。服务器可以计算表示预测匹配度与样本匹配度之间的差异性的损失函数值，样本匹配度为目标训练样本的样本标签表示的匹配度。服务器可以基于计算得到的损失函数值，进行参数更新，也就是基于计算得到的损失函数值对初始结构的匹配度预测模型的模型参数进行调整，直至达到预设收敛条件，得到训练好的匹配度预测模型。

然后，进行模型下发得到融合处理模型，也就是应用训练好的匹配度预测模型进行在线推荐，在线推荐阶段中，服务器基于实时语音交互确定第一用户的意图特征（第一资源需求信息），将第一用户的用户固有特征（即第一个人基础信息）和意图特征输入至融合处理模型。融合处理模块从资源向量库获取各第一待推荐资源的各待推荐组合信息的信息特征向量，基于第一用户的用户固有特征、意图特征，以及各待推荐组合信息的信息特征向量，得到第一用户与各待推荐组合信息各自的匹配度。然后，进行匹配度排序，得到包含产品和推荐语的推荐列表，也就是服务器按照与第一用户的匹配度从大到小的顺序，从第一待推荐资源中确定待推荐组合信息对应的匹配度满足预设条件的目标资源，得到包含目标资源和目标推荐信息的推荐列表。

参见图11，图11为本发明实施例提供的一种训练样本的生成方法的流程图。

服务器基于样本用户的用户固有特征（即样本个人基础信息）、意图特征（即样本资源需求信息）、样本资源的资源固有特征（即资源特征），以及推荐语特征（即历史推荐信息），生成训练样本，并基于评价指标（即历史推荐行为信息）生成训练样本的标签（即样本标签）。

样本用户的用户固有特征包括：基本信息（例如样本用户的年龄）、收入（例如，样本用户的年收入信息）、总资产（例如，样本用户的存款金额）、风险偏好（即样本用户偏好的金融风险等级）和历史交易序列（即样本用户历史进行交易的金融产品的信息）等。

录音文件为第二用户向样本用户进行资源推荐的样本音频数据，对样本音频数据进行文本转换，得到第二用户与样本用户的对话文本。服务器可以对得到的对话文本进行文本处理，并结合样本用户的情感特征，得到样本用户的意图特征。也就是服务器对样本音频数据进行特征提取，得到样本用户的情感特征，并从第二用户与样本用户的对话文本中提取包含样本用户的样本资源需求信息的文本，得到样本用户的意图特征。

样本资源的资源固有特征包括：基本信息（例如，样本资源的名称、代码）、收益率序列（例如，样本资源一年的收益率）、风险等级（即金融风险等级）等。服务器可以对第二用户与样本用户的对话文本进行文本处理，得到样本资源的推荐语特征（即历史推荐信息）。服务器还可以对第二用户与样本用户的对话文本进行合规质检，得到样本资源的合规评价，也就是从第二用户与样本用户的对话文本中提取样本资源的合规评价。

评价指标包括：合规评价（即样本用户针对该样本资源的合规性评价信息）、交易行为（即样本用户针对该样本资源的购买行为信息）、操作行为（即样本用户针对该样本资源的历史操作行为信息）、咨询行为（即样本用户向第二用户咨询该样本资源的行为信息），用户服务评价（即样本用户针对第二用户推荐该样本资源的历史推荐行为的评价信息）等。

参见图12，图12为本发明实施例提供的一种训练样本生成方法的流程图。

样本集S可以表示为

，

表示样本集S中的初始训练样本，a表示初始训练样本的数目。丢弃样本集D可以表示为

，

表示丢弃样本集D中的第三初始训练样本，b表示第三初始训练样本的数目。正样本集P可以表示为

，

表示正样本集P中的第一初始训练样本，c表示第一初始训练样本的数目。负样本集N可以表示为

，

表示负样本集N中的第二初始训练样本，d表示第二初始训练样本的数目。样本分类模型为前述实施例中的分类模型。

服务器基于分类模型确定样本集S中的各初始训练样本的样本标签，并确定样本标签表示与样本用户相匹配的第一初始训练样本组成的正样本集P，样本标签表示与样本用户不匹配的第二初始训练样本组成的负样本集N，以及样本标签表示丢弃样本的第三初始训练样本组成的丢弃样本集D。在第一初始训练样本的数目与第二初始样本的数目的比值不大于预设阈值的情况下，将第一初始训练样本和第二初始训练样本确定为目标训练样本后，服务器基于丢弃样本集D和正样本集P补充样本，也就是针对每一第一初始训练样本，服务器计算该第一初始训练样本与每一第三初始训练样本之间的相似度。然后，将与该第一初始训练样本的相似度最大的第三初始训练样本确定为正样本，得到目标训练样本。

与图1的方法实施例相对应，参见图13，图13为本发明实施例提供的一种资源推荐装置的结构图，装置应用于服务器，装置包括：第一获取模块1301，用于获取第一用户的个人基础信息作为第一个人基础信息，以及获取第一用户的资源需求信息作为第一资源需求信息；第二获取模块1302，用于针对每一第一待推荐资源，获取该第一待推荐资源的资源特征和多个不同的历史推荐信息；其中，该第一待推荐资源的一个历史推荐信息为：基于第一历史时间段内向用户推荐该第一待推荐资源时生成的音频数据得到的；第一确定模块1303，用于针对该第一待推荐资源的每一待推荐组合信息，基于预先训练的匹配度预测模型，对第一个人基础信息、第一资源需求信息和该待推荐组合信息进行处理，得到第一用户与该待推荐组合信息的匹配度；其中，一个待推荐组合信息包括该第一待推荐资源的资源特征和一个历史推荐信息；每两个待推荐组合信息包含的历史推荐信息不同；匹配度预测模型为：基于样本用户的样本个人基础信息、样本资源需求信息，以及样本资源的样本组合信息进行训练得到的；第二确定模块1304，用于从各第一待推荐资源中确定待推荐组合信息对应的匹配度满足预设条件的资源，作为第一备选资源；推荐模块1305，用于向第一用户推荐目标资源；其中，目标资源包括第一备选资源。

可选的，第一获取模块1301，具体用于接收第一用户登录的第一客户端发送的用于获取资源的第一音频数据；对第一音频数据进行语音识别，得到第一用户的资源需求信息，作为第一资源需求信息。

可选的，匹配度预测模型包括：资源特征处理模块、用户特征处理模块和匹配度计算模块；资源特征处理模块包括：第一特征映射模块、第一特征融合模块和第一多层感知器；用户特征处理模块包括：第二特征映射模块、第二特征融合模块和第二多层感知器；

第一确定模块1303，具体用于针对该第一待推荐资源的每一待推荐组合信息，通过第一特征映射模块，对该待推荐组合信息中的资源特征进行映射处理，得到第一特征向量，并对该待推荐组合信息中的历史推荐信息进行映射处理，得到第二特征向量；通过第一特征融合模块，对第一特征向量与第二特征向量进行拼接，得到第三特征向量；通过第一多层感知器，按照指定长度对第三特征向量进行映射处理，得到该待推荐组合信息的信息特征向量；通过第二特征映射模块，对第一个人基础信息进行映射处理，得到第四特征向量，并对第一资源需求信息进行映射处理，得到第五特征向量；通过第二特征融合模块，对第四特征向量与第五特征向量进行拼接，得到第六特征向量；通过第二多层感知器，按照指定长度对第六特征向量进行映射处理，得到第一用户的用户特征向量；通过匹配度计算模块，计算第一用户的用户特征向量与该待推荐组合信息的信息特征向量之间的相似度，作为第一用户与该待推荐组合信息的匹配度。

可选的，推荐模块1305，具体用于向第二用户登录的第二客户端发送目标资源的目标推荐信息，以使第二客户端显示接收到的目标推荐信息，获取第二用户按照目标推荐信息发出的第二音频数据，并向服务器发送第二音频数据；其中，目标资源的目标推荐信息包括：目标资源的对应的匹配度满足预设条件的组合信息中的历史推荐信息；在接收到第二音频数据时，向第一客户端发送第二音频数据，以使第一客户端播放第二音频数据。

可选的，装置还包括：处理模块，用于在推荐模块1305执行向第一用户推荐目标资源之前，执行确定多个不存在历史推荐信息的资源，作为第二待推荐资源；针对每一第二待推荐资源，对该第二待推荐资源的资源特征和预设推荐信息进行映射处理，得到该第二待推荐资源的资源特征向量；计算该第二待推荐资源的资源特征向量与每一第一备选资源的目标组合信息的信息特征向量之间的相似度，得到该第二待推荐资源与该第一备选资源的相似度；其中，该第一备选资源的目标组合信息对应的匹配度满足预设条件；计算该第二待推荐资源与各第一备选资源的相似度的均值，得到该第二待推荐资源对应的相似度均值；按照对应的相似度均值从大到小的顺序，从第二待推荐资源中确定前第一数目个资源，作为第二备选资源；其中，目标资源还包括第二备选资源。

可选的，装置还包括：训练模块，用于针对每一样本资源，获取第二用户在第二历史时间段内向样本用户进行资源推荐时生成的样本音频数据，并对样本推荐音频数据进行语音识别，得到该样本资源的历史推荐信息，以及与该样本资源对应的样本用户的样本资源需求信息；基于该样本资源的一个样本组合信息、一个样本资源需求信息和样本用户的样本个人基础信息，生成一个初始训练样本；其中，一个样本组合信息包括：该样本资源的资源特征和一个历史推荐信息；每两个样本组合信息包含的历史推荐信息不同；基于各初始训练样本中的样本标签，从各初始训练样本中确定与样本用户相匹配的正样本，以及与样本用户不匹配的负样本，得到目标训练样本；其中，一个初始训练样本中的样本标签表示：该初始训练样本中的样本组合信息与样本用户的匹配度；基于目标训练样本对初始结构的匹配度预测模型的模型参数进行调整，直至达到预设收敛条件，得到训练好的匹配度预测模型。

可选的，训练模块，还用于在执行基于各初始训练样本中的样本标签，从各初始训练样本中确定与样本用户相匹配的正样本，以及与样本用户不匹配的负样本，得到目标训练样本之前，执行针对每一初始训练样本，将该初始训练样本和该初始训练样本对应的样本资源的历史推荐行为信息输入至预先训练的分类模型，得到该初始训练样本的样本标签；其中，一个样本资源的历史推荐行为信息包括以下至少一项：样本用户针对该样本资源的合规性评价信息、样本用户针对该样本资源的购买行为信息、样本用户针对该样本资源的历史操作行为信息，样本用户向第二用户咨询该样本资源的行为信息，以及样本用户针对第二用户推荐该样本资源的历史推荐行为的满意度评价信息；

训练模块，具体用于确定样本标签表示与样本用户相匹配的第一初始训练样本的数目，以及样本标签表示与样本用户不匹配的第二初始训练样本的数目；计算第一初始训练样本的数目与第二初始训练样本的数目的比值；如果计算得到的比值大于预设阈值，确定第一初始训练样本为正样本，并确定第二初始训练样本为负样本，得到目标训练样本；如果计算得到的比值不大于预设阈值，针对每一第一初始训练样本，计算该第一初始训练样本与每一第三初始训练样本之间的相似度；其中，第三初始训练样本为：除第一初始训练样本和第二初始训练样本外的其他训练样本；确定该第一初始训练样本、与该第一初始训练样本的相似度最大的第三初始训练样本为正样本，并确定第二初始训练样本为负样本，得到目标训练样本。

基于本发明实施例提供的资源推荐装置，第一资源需求信息可以体现第一用户需要的资源的特征，第一个人基础信息可以体现第一用户的真实信息，第一待推荐资源的待推荐组合信息包含第一待推荐资源的资源特征。相应的，基于第一个人基础信息、第一资源需求信息和待推荐组合信息确定出的第一用户与待推荐组合信息的匹配度，可以体现第一待推荐资源符合第一用户的真实需求的程度。进而，基于第一用户与各第一待推荐资源的待推荐组合信息的匹配度确定出的第一备选资源符合用户的真实需求，向第一用户推荐包含第一备选资源的目标资源，可以提高推荐的资源的有效性。另外，第一待推荐资源的各待推荐组合信息中包含的历史推荐信息不同，一个待推荐组合信息与第一用户的匹配度，可以表示该待推荐组合信息中的历史推荐信息符合第一用户的真实需求的程度。基于各待推荐组合信息与第一用户的匹配度，确定出的目标资源的目标推荐信息符合第一用户的真实需求。基于目标推荐信息向第一用户推荐目标资源，可以实现针对不同的用户，基于符合用户的真实需求的目标推荐信息进行个性化的资源推荐，进一步提高推荐的资源的有效性。

本发明实施例还提供了一种电子设备，如图14所示，包括处理器1401、通信接口1402、存储器1403和通信总线1404，其中，处理器1401，通信接口1402，存储器1403通过通信总线1404完成相互间的通信，存储器1403，用于存放计算机程序；处理器1401，用于执行存储器1403上所存放的程序时，实现上述任一所述的资源推荐方法的步骤。

上述电子设备提到的通信总线可以是外设部件互连标准（Peripheral ComponentInterconnect，PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于上述电子设备与其他设备之间的通信。存储器可以包括随机存取存储器（Random AccessMemory，RAM），也可以包括非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一资源推荐方法的步骤。

在本发明提供的又一实施例中，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，使得计算机执行上述实施例中任一资源推荐方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、系统、电子设备、计算机可读存储介质和计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种资源推荐方法，其特征在于，所述方法应用于服务器，所述方法包括：

获取第一用户的个人基础信息作为第一个人基础信息，以及获取所述第一用户的资源需求信息作为第一资源需求信息；

针对每一第一待推荐资源，获取该第一待推荐资源的资源特征和多个不同的历史推荐信息；其中，该第一待推荐资源的一个历史推荐信息为：基于第一历史时间段内向用户推荐该第一待推荐资源时生成的音频数据得到的；

针对该第一待推荐资源的每一待推荐组合信息，基于预先训练的匹配度预测模型，对所述第一个人基础信息、所述第一资源需求信息和该待推荐组合信息进行处理，得到所述第一用户与该待推荐组合信息的匹配度；其中，一个待推荐组合信息包括该第一待推荐资源的资源特征和一个历史推荐信息；每两个待推荐组合信息包含的历史推荐信息不同；所述匹配度预测模型为：基于样本用户的样本个人基础信息、样本资源需求信息，以及样本资源的样本组合信息进行训练得到的；

从各第一待推荐资源中确定待推荐组合信息对应的匹配度满足预设条件的资源，作为第一备选资源；

向所述第一用户推荐目标资源；其中，所述目标资源包括所述第一备选资源。

2.根据权利要求1所述的方法，其特征在于，所述获取所述第一用户的资源需求信息作为第一资源需求信息，包括：

接收所述第一用户登录的第一客户端发送的用于获取资源的第一音频数据；

对所述第一音频数据进行语音识别，得到所述第一用户的资源需求信息，作为第一资源需求信息。

3.根据权利要求1所述的方法，其特征在于，所述匹配度预测模型包括：资源特征处理模块、用户特征处理模块和匹配度计算模块；所述资源特征处理模块包括：第一特征映射模块、第一特征融合模块和第一多层感知器；所述用户特征处理模块包括：第二特征映射模块、第二特征融合模块和第二多层感知器；

所述针对该第一待推荐资源的每一待推荐组合信息，基于预先训练的匹配度预测模型，对所述第一个人基础信息、所述第一资源需求信息和该待推荐组合信息进行处理，得到所述第一用户与该待推荐组合信息的匹配度，包括：

针对该第一待推荐资源的每一待推荐组合信息，通过所述第一特征映射模块，对该待推荐组合信息中的资源特征进行映射处理，得到第一特征向量，并对该待推荐组合信息中的历史推荐信息进行映射处理，得到第二特征向量；

通过所述第一特征融合模块，对所述第一特征向量与所述第二特征向量进行拼接，得到第三特征向量；

通过所述第一多层感知器，按照指定长度对所述第三特征向量进行映射处理，得到该待推荐组合信息的信息特征向量；

通过所述第二特征映射模块，对所述第一个人基础信息进行映射处理，得到第四特征向量，并对所述第一资源需求信息进行映射处理，得到第五特征向量；

通过所述第二特征融合模块，对所述第四特征向量与所述第五特征向量进行拼接，得到第六特征向量；

通过所述第二多层感知器，按照所述指定长度对所述第六特征向量进行映射处理，得到所述第一用户的用户特征向量；

通过所述匹配度计算模块，计算所述第一用户的用户特征向量与该待推荐组合信息的信息特征向量之间的相似度，作为所述第一用户与该待推荐组合信息的匹配度。

4.根据权利要求1所述的方法，其特征在于，所述向所述第一用户推荐目标资源，包括：

向第二用户登录的第二客户端发送所述目标资源的目标推荐信息，以使所述第二客户端显示接收到的所述目标推荐信息，获取所述第二用户按照所述目标推荐信息发出的第二音频数据，并向所述服务器发送所述第二音频数据；其中，所述目标资源的目标推荐信息包括：所述目标资源的对应的匹配度满足预设条件的组合信息中的历史推荐信息；

在接收到所述第二音频数据时，向所述第一客户端发送所述第二音频数据，以使所述第一客户端播放所述第二音频数据。

5.根据权利要求1所述的方法，其特征在于，在所述向所述第一用户推荐目标资源之前，所述方法还包括：

确定多个不存在历史推荐信息的资源，作为第二待推荐资源；

针对每一第二待推荐资源，对该第二待推荐资源的资源特征和预设推荐信息进行映射处理，得到该第二待推荐资源的资源特征向量；

计算该第二待推荐资源的资源特征向量与每一第一备选资源的目标组合信息的信息特征向量之间的相似度，得到该第二待推荐资源与该第一备选资源的相似度；其中，该第一备选资源的目标组合信息对应的匹配度满足所述预设条件；

计算该第二待推荐资源与各第一备选资源的相似度的均值，得到该第二待推荐资源对应的相似度均值；

按照对应的相似度均值从大到小的顺序，从所述第二待推荐资源中确定前第一数目个资源，作为第二备选资源；其中，所述目标资源还包括所述第二备选资源。

6.根据权利要求1所述的方法，其特征在于，所述匹配度预测模型的训练过程包括以下步骤：

针对每一样本资源，获取所述第二用户在第二历史时间段内向样本用户进行资源推荐时生成的样本音频数据，并对所述样本音频数据进行语音识别，得到该样本资源的历史推荐信息，以及与该样本资源对应的所述样本用户的样本资源需求信息；

基于该样本资源的一个样本组合信息、一个样本资源需求信息和所述样本用户的样本个人基础信息，生成一个初始训练样本；其中，一个样本组合信息包括：该样本资源的资源特征和一个历史推荐信息；每两个样本组合信息包含的历史推荐信息不同；

基于各初始训练样本中的样本标签，从各初始训练样本中确定与所述样本用户相匹配的正样本，以及与所述样本用户不匹配的负样本，得到目标训练样本；其中，一个初始训练样本中的样本标签表示：该初始训练样本中的样本组合信息与所述样本用户的匹配度；

基于所述目标训练样本对初始结构的匹配度预测模型的模型参数进行调整，直至达到预设收敛条件，得到训练好的匹配度预测模型。

7.根据权利要求6所述的方法，其特征在于，在所述基于各初始训练样本中的样本标签，从各初始训练样本中确定与所述样本用户相匹配的正样本，以及与所述样本用户不匹配的负样本，得到目标训练样本之前，所述方法还包括：

针对每一初始训练样本，将该初始训练样本和该初始训练样本对应的样本资源的历史推荐行为信息输入至预先训练的分类模型，得到该初始训练样本的样本标签；其中，一个样本资源的历史推荐行为信息包括以下至少一项：所述样本用户针对该样本资源的合规性评价信息、所述样本用户针对该样本资源的购买行为信息、所述样本用户针对该样本资源的历史操作行为信息，所述样本用户向所述第二用户咨询该样本资源的行为信息，以及所述样本用户针对所述第二用户推荐该样本资源的历史推荐行为的满意度评价信息；

所述基于各初始训练样本中的样本标签，从各初始训练样本中确定与所述样本用户相匹配的正样本，以及与所述样本用户不匹配的负样本，得到目标训练样本，包括：

确定样本标签表示与所述样本用户相匹配的第一初始训练样本的数目，以及样本标签表示与所述样本用户不匹配的第二初始训练样本的数目；

计算所述第一初始训练样本的数目与所述第二初始训练样本的数目的比值；

如果计算得到的比值大于预设阈值，确定所述第一初始训练样本为正样本，并确定所述第二初始训练样本为负样本，得到目标训练样本；

如果计算得到的比值不大于预设阈值，针对每一第一初始训练样本，计算该第一初始训练样本与每一第三初始训练样本之间的相似度；其中，所述第三初始训练样本为：除所述第一初始训练样本和所述第二初始训练样本外的其他训练样本；确定该第一初始训练样本、与该第一初始训练样本的相似度最大的第三初始训练样本为正样本，并确定所述第二初始训练样本为负样本，得到目标训练样本。

8.一种资源推荐装置，其特征在于，所述装置应用于服务器，所述装置包括：

第一获取模块，用于获取第一用户的个人基础信息作为第一个人基础信息，以及获取所述第一用户的资源需求信息作为第一资源需求信息；

第二获取模块，用于针对每一第一待推荐资源，获取该第一待推荐资源的资源特征和多个不同的历史推荐信息；其中，该第一待推荐资源的一个历史推荐信息为：基于第一历史时间段内向用户推荐该第一待推荐资源时生成的音频数据得到的；

第一确定模块，用于针对该第一待推荐资源的每一待推荐组合信息，基于预先训练的匹配度预测模型，对所述第一个人基础信息、所述第一资源需求信息和该待推荐组合信息进行处理，得到所述第一用户与该待推荐组合信息的匹配度；其中，一个待推荐组合信息包括该第一待推荐资源的资源特征和一个历史推荐信息；每两个待推荐组合信息包含的历史推荐信息不同；所述匹配度预测模型为：基于样本用户的样本个人基础信息、样本资源需求信息，以及样本资源的样本组合信息进行训练得到的；

第二确定模块，用于从各第一待推荐资源中确定待推荐组合信息对应的匹配度满足预设条件的资源，作为第一备选资源；

推荐模块，用于向所述第一用户推荐目标资源；其中，所述目标资源包括所述第一备选资源。

9.一种资源推荐系统，其特征在于，所述系统包括：第一客户端、第二客户端和服务器，其中：

所述第一客户端，用于向所述服务器发送第一用户的用于获取资源的第一音频数据；

所述服务器，用于在接收到所述第一音频数据时，对所述第一音频数据进行语音识别，得到所述第一用户的第一资源需求信息；针对每一第一待推荐资源，获取该第一待推荐资源的资源特征和多个不同的历史推荐信息；其中，该第一待推荐资源的一个历史推荐信息为：基于第一历史时间段内向用户推荐该第一待推荐资源时生成的音频数据得到的；针对该第一待推荐资源的每一待推荐组合信息，基于预先训练的匹配度预测模型，对所述第一用户的第一个人基础信息、所述第一资源需求信息和该待推荐组合信息进行处理，得到所述第一用户与该待推荐组合信息的匹配度；其中，一个待推荐组合信息包括该第一待推荐资源的资源特征和一个历史推荐信息；每两个待推荐组合信息包含的历史推荐信息不同；所述匹配度预测模型为：基于样本用户的样本个人基础信息、样本资源需求信息，以及样本资源的样本组合信息进行训练得到的；从各第一待推荐资源中确定待推荐组合信息对应的匹配度满足预设条件的资源，作为第一备选资源；向第二用户登录的所述第二客户端发送目标资源的目标推荐信息；其中，所述目标资源包括所述第一备选资源；所述目标资源的目标推荐信息包括：所述目标资源的对应的匹配度满足预设条件的组合信息中的历史推荐信息；

所述第二客户端，用于显示接收到的所述目标推荐信息，获取所述第二用户按照所述目标推荐信息发出的第二音频数据，并向所述服务器发送所述第二音频数据；

所述服务器，还用于在接收到所述第二音频数据时，向所述第一客户端发送所述第二音频数据；

所述第一客户端，还用于播放所述第二音频数据。

10.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。

Images