资源操作数据预测方法、预测模型训练方法及装置与流程

1.本公开涉及机器学习技术领域，尤其涉及一种资源操作数据预测方法、预测模型训练方法及装置。


背景技术：

2.随着科技的进步与多媒体行业的蓬勃发展，越来越多的人成为了多媒体资源的忠实用户，对于海量的多媒体资源，个性化的分发就显得愈加重要。
3.相关技术中，应用比较广泛的是通过机器学习的方法来预估用户对多媒体资源的资源操作，使用多层感知机进行前向的特征提取，再结合回归或者分类算法进行目标预估，最终将资源操作预估信息结合策略对多媒体资源进行排序，根据排序结果确定向用户推送用户的多媒体资源。相关技术中对用户资源操作进行预测的方法存在用户资源操作预测不准确的问题。


技术实现要素：

4.本公开提供一种资源操作数据预测方法、预测模型训练方法及装置，以至少解决相关技术中对用户资源操作预测不准确的问题。本公开的技术方案如下：
5.根据本公开实施例的第一方面，提供一种资源操作数据预测方法，包括：
6.获取目标对象的对象特征信息和目标多媒体资源的资源特征信息；
7.基于资源操作预测模型的隐藏层对所述对象特征信息以及所述资源特征信息进行信息提取，得到第一特征信息；
8.基于所述资源操作预测模型的第一多尺度信息提取模块对第一输入特征信息进行多尺度信息提取，得到第一多尺度特征信息；所述第一输入特征信息通过对所述第一特征信息进行特征维度转换得到；
9.基于所述第一多尺度特征信息和所述第一特征信息，确定所述目标对象对所述目标多媒体资源的资源操作数据。
10.在一示例性实施例中，所述资源操作预测模型还包括多尺度门控权重预测模块；
11.所述方法还包括：
12.基于所述多尺度门控权重预测模块对所述第一多尺度特征信息中各个尺度的特征信息进行权重预测，得到与所述各个尺度的特征信息对应的尺度门控权重；
13.所述基于所述第一多尺度特征信息，以及所述第一特征信息，确定所述目标对象对所述目标多媒体资源的资源操作数据，包括：
14.基于所述各个尺度的特征信息，以及各个尺度的特征信息各自对应的尺度门控权重，得到多尺度加权信息；
15.基于所述多尺度加权信息以及所述第一特征信息，确定所述资源操作数据。
16.在一示例性实施例中，所述资源操作预测模型还包括第二多尺度信息提取模块；
17.所述方法还包括：
18.基于所述第二多尺度信息提取模块对所述第一特征信息进行多尺度信息提取，得到第二多尺度特征信息；
19.基于所述第一特征信息和所述第二多尺度特征信息，确定所述第一输入特征信息。
20.在一示例性实施例中，所述基于所述第一多尺度特征信息，以及所述第一特征信息，确定所述目标对象对所述目标多媒体资源的资源操作数据，包括：
21.计算所述第一多尺度特征信息中各个尺度的特征信息的平均尺度特征信息；
22.对所述平均尺度特征信息以及所述第一特征信息进行信息融合，得到目标融合特征信息；
23.基于所述目标融合特征信息确定所述资源操作数据。
24.在一示例性实施例中，所述资源操作预测模型包括多个隐藏层；
25.所述基于所述目标融合特征信息确定所述资源操作数据包括：
26.将当前隐藏层对应的目标融合特征信息输入到所述当前隐藏层的下一隐藏层，基于所述下一隐藏层对所述目标融合特征信息进行信息提取，得到第二特征信息；
27.基于所述下一隐藏层对应的第一多尺度信息提取模块，对第二输入特征信息进行多尺度信息提取，得到第三多尺度特征信息；所述第二输入特征信息通过对所述第二特征信息进行特征维度转换得到；
28.基于所述第三多尺度特征信息，以及所述第二特征信息，确定与所述下一隐藏层对应的目标融合特征信息；
29.将所述下一隐藏层确定为当前隐藏层；
30.直至所述当前隐藏层之后不存在下一隐藏层；
31.基于所述当前隐藏层对应的目标融合特征信息，确定所述资源操作数据。
32.在一示例性实施例中，所述资源操作数据包括对多个候选资源的资源操作数据；
33.所述方法还包括：
34.基于所述对多个候选资源的资源操作数据，确定各个候选资源的在推送列表中的排序信息；
35.基于所述排序信息，从所述推送列表中确定出目标资源；
36.将所述目标资源推送给所述目标对象。
37.根据本公开实施例的第二方面，提供一种资源操作预测模型训练方法，包括：
38.获取样本数据；所述样本数据包括样本对象的样本对象特征信息、样本多媒体资源的样本资源特征信息，以及样本资源操作标签；
39.基于待训练资源操作预测模型的隐藏层对所述样本对象特征信息以及所述样本资源特征信息进行信息提取，得到第一训练特征信息；
40.基于所述待训练资源操作预测模型的第一多尺度信息提取模块对第一输入训练特征信息进行多尺度信息提取，得到第一多尺度训练特征信息；所述第一输入训练特征信息通过对所述第一训练特征信息进行特征维度转换得到；
41.基于所述第一多尺度训练特征信息、所述第一训练特征信息，以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到资源操作预测模型。
42.在一示例性实施例中，所述待训练资源操作预测模型还包括多尺度门控权重预测
模块；
43.所述方法还包括：
44.基于所述多尺度门控权重预测模块对所述第一多尺度训练特征信息中各个尺度的特征信息进行权重预测，得到所述各个尺度的训练特征信息对应的尺度门控训练权重；
45.所述基于所述第一多尺度训练特征信息、所述第一训练特征信息，以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到资源操作预测模型，包括：
46.基于所述各个尺度的训练特征信息，以及各个尺度的训练特征信息各自对应的尺度门控训练权重，得到多尺度加权训练信息；
47.基于所述多尺度加权训练信息、所述第一训练特征信息以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到所述资源操作预测模型。
48.在一示例性实施例中，所述待训练资源操作预测模型还包括第二多尺度信息提取模块；
49.所述方法还包括：
50.基于所述第二多尺度信息提取模块对所述第一训练特征信息进行多尺度信息提取，得到第二多尺度训练特征信息；
51.对所述一训练特征信息和所述第二多尺度训练特征信息进行信息融合，得到所述第一输入训练特征信息。
52.在一示例性实施例中，所述基于所述第一多尺度训练特征信息、所述第一训练特征信息，以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到资源操作预测模型，包括：
53.计算所述第一多尺度训练特征信息中各个尺度的训练特征信息的平均尺度训练特征信息；
54.对所述平均尺度训练特征信息以及所述第一训练特征信息进行信息融合，得到目标融合训练特征信息；
55.基于所述目标融合训练特征信息，以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到所述资源操作预测模型。
56.在一示例性实施例中，所述待训练资源操作预测模型包括多个隐藏层；
57.所述基于所述目标融合训练特征信息，以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到所述资源操作预测模型，包括：
58.将当前隐藏层对应的目标融合训练特征信息输入到所述当前隐藏层的下一隐藏层，基于所述下一隐藏层对所述目标融合训练特征信息进行信息提取，得到第二训练特征信息；
59.基于所述下一隐藏层对应的第一多尺度信息提取模块，对第二输入特征信息进行多尺度信息提取，得到第三多尺度训练特征信息；所述第二输入训练特征信息基于对所述第二训练特征信息进行特征维度转换确定；
60.基于所述第三多尺度训练特征信息，以及所述第二训练特征信息，确定与所述下一隐藏层对应的目标融合训练特征信息；
61.将所述下一隐藏层确定为当前隐藏层；
62.直至所述当前隐藏层之后不存在下一隐藏层；
63.基于所述当前隐藏层对应的目标融合训练特征信息，以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到所述资源操作预测模型。
64.在一示例性实施例中，所述基于所述第一多尺度训练特征信息、所述第一训练特征信息，以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到资源操作预测模型，包括：
65.基于所述第一多尺度训练特征信息、所述第一训练特征信息，以及所述样本资源操作标签，确定损失信息；
66.基于所述损失信息对所述隐藏层的网络参数和第一多尺度信息提取模块的网络参数进行调整，得到调整后的隐藏层和调整后的第一多尺度信息提取模块；
67.基于所述调整后的隐藏层和所述调整后的第一多尺度信息提取模块，得到所述资源操作预测模型。
68.根据本公开实施例的第三方面，提供一种资源操作数据预测装置，包括：
69.特征信息获取单元，被配置为执行获取目标对象的对象特征信息和目标多媒体资源的资源特征信息；
70.第一特征信息提取单元，被配置为执行基于资源操作预测模型的隐藏层对所述对象特征信息以及所述资源特征信息进行信息提取，得到第一特征信息；
71.第一多尺度特征信息提取单元，被配置为执行基于所述资源操作预测模型的第一多尺度信息提取模块对第一输入特征信息进行多尺度信息提取，得到第一多尺度特征信息；所述第一输入特征信息通过对所述第一特征信息进行特征维度转换得到；
72.资源操作数据确定单元，被配置为执行基于所述第一多尺度特征信息和所述第一特征信息，确定所述目标对象对所述目标多媒体资源的资源操作数据。
73.在一示例性实施例中，所述资源操作预测模型还包括多尺度门控权重预测模块；
74.所述装置还包括：
75.尺度门控权重确定单元，被配置为执行基于所述多尺度门控权重预测模块对所述第一多尺度特征信息中各个尺度的特征信息进行权重预测，得到与所述各个尺度的特征信息对应的尺度门控权重；
76.所述资源操作数据确定单元包括：
77.多尺度加权信息单元，被配置为执行基于所述各个尺度的特征信息，以及各个尺度的特征信息各自对应的尺度门控权重，得到多尺度加权信息；
78.第一确定单元，被配置为执行基于所述多尺度加权信息以及所述第一特征信息，确定所述资源操作数据。
79.在一示例性实施例中，所述资源操作预测模型还包括第二多尺度信息提取模块；
80.所述装置还包括：
81.第二多尺度特征信息确定单元，被配置为执行基于所述第二多尺度信息提取模块对所述第一特征信息进行多尺度信息提取，得到第二多尺度特征信息；
82.第一输入特征信息确定单元，被配置为执行基于所述第一特征信息和所述第二多尺度特征信息，确定所述第一输入特征信息。
83.在一示例性实施例中，所述资源操作数据确定单元包括：
84.平均尺度特征信息确定单元，被配置为执行计算所述第一多尺度特征信息中各个
尺度的特征信息的平均尺度特征信息；
85.融合特征信息确定单元，被配置为执行对所述平均尺度特征信息以及所述第一特征信息进行信息融合，得到目标融合特征信息；
86.第二确定单元，被配置为执行基于所述目标融合特征信息确定所述资源操作数据。
87.在一示例性实施例中，所述资源操作预测模型包括多个隐藏层；
88.所述第二确定单元包括：
89.第二特征信息确定单元，被配置为执行将当前隐藏层对应的目标融合特征信息输入到所述当前隐藏层的下一隐藏层，基于所述下一隐藏层对所述目标融合特征信息进行信息提取，得到第二特征信息；
90.第三多尺度特征信息确定单元，被配置为执行基于所述下一隐藏层对应的第一多尺度信息提取模块，对第二输入特征信息进行多尺度信息提取，得到第三多尺度特征信息；所述第二输入特征信息通过对所述第二特征信息进行特征维度转换得到；
91.第三确定单元，被配置为执行基于所述第三多尺度特征信息，以及所述第二特征信息，确定与所述下一隐藏层对应的目标融合特征信息；
92.第一隐藏层确定单元，被配置为执行将所述下一隐藏层确定为当前隐藏层；
93.第一隐藏层判断单元，被配置为执行直至所述当前隐藏层之后不存在下一隐藏层；
94.第四确定单元，被配置为执行基于所述当前隐藏层对应的目标融合特征信息，确定所述资源操作数据。
95.在一示例性实施例中，所述资源操作数据包括对多个候选资源的资源操作数据；
96.所述装置还包括：
97.排序信息确定单元，被配置为执行基于所述对多个候选资源的资源操作数据，确定各个候选资源的在推送列表中的排序信息；
98.目标资源确定单元，被配置为执行基于所述排序信息，从所述推送列表中确定出目标资源；
99.目标资源推送单元，被配置为执行将所述目标资源推送给所述目标对象。
100.根据本公开实施例的第四方面，提供一种资源操作预测模型训练装置，包括：
101.样本数据获取单元，被配置为执行获取样本数据；所述样本数据包括样本对象的样本对象特征信息、样本多媒体资源的样本资源特征信息，以及样本资源操作标签；
102.第一训练特征信息确定单元，被配置为执行基于待训练资源操作预测模型的隐藏层对所述样本对象特征信息以及所述样本资源特征信息进行信息提取，得到第一训练特征信息；
103.第一多尺度训练特征信息提取单元，被配置为执行基于基于所述待训练资源操作预测模型的第一多尺度信息提取模块对第一输入训练特征信息进行多尺度信息提取，得到第一多尺度训练特征信息；所述第一输入训练特征信息通过对所述第一训练特征信息进行特征维度转换得到；
104.资源操作预测模型确定单元，被配置为执行基于所述第一多尺度训练特征信息、所述第一训练特征信息，以及所述样本资源操作标签，对所述待训练资源操作预测模型进
行训练，得到资源操作预测模型。
105.在一示例性实施例中，所述待训练资源操作预测模型还包括多尺度门控权重预测模块；
106.所述装置还包括：
107.尺度门控训练权重确定单元，被配置为执行基于所述多尺度门控权重预测模块对所述第一多尺度训练特征信息中各个尺度的特征信息进行权重预测，得到所述各个尺度的训练特征信息对应的尺度门控训练权重；
108.所述资源操作预测模型确定单元包括：
109.多尺度加权训练信息确定单元，被配置为执行基于所述各个尺度的训练特征信息，以及各个尺度的训练特征信息各自对应的尺度门控训练权重，得到多尺度加权训练信息；
110.第一训练单元，被配置为执行基于所述多尺度加权训练信息、所述第一训练特征信息以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到所述资源操作预测模型。
111.在一示例性实施例中，所述待训练资源操作预测模型还包括第二多尺度信息提取模块；
112.所述装置还包括：
113.第二多尺度训练特征信息确定单元，被配置为执行基于所述第二多尺度信息提取模块对所述第一训练特征信息进行多尺度信息提取，得到第二多尺度训练特征信息；
114.第一输入训练特征信息确定单元，被配置为执行对所述一训练特征信息和所述第二多尺度训练特征信息进行信息融合，得到所述第一输入训练特征信息。
115.在一示例性实施例中，所述资源操作预测模型确定单元包括：
116.平均尺度训练特征信息确定单元，被配置为执行计算所述第一多尺度训练特征信息中各个尺度的训练特征信息的平均尺度训练特征信息；
117.融合训练特征信息确定单元，被配置为执行对所述平均尺度训练特征信息以及所述第一训练特征信息进行信息融合，得到目标融合训练特征信息；
118.第二训练单元，被配置为执行基于所述目标融合训练特征信息，以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到所述资源操作预测模型。
119.在一示例性实施例中，所述待训练资源操作预测模型包括多个隐藏层；
120.所述第二训练单元包括：
121.第二训练特征信息确定单元，被配置为执行将当前隐藏层对应的目标融合训练特征信息输入到所述当前隐藏层的下一隐藏层，基于所述下一隐藏层对所述目标融合训练特征信息进行信息提取，得到第二训练特征信息；
122.第三多尺度训练特征信息确定单元，被配置为执行基于所述下一隐藏层对应的第一多尺度信息提取模块，对第二输入特征信息进行多尺度信息提取，得到第三多尺度训练特征信息；所述第二输入训练特征信息基于对所述第二训练特征信息进行特征维度转换确定；
123.第二隐藏层确定单元，被配置为执行将所述下一隐藏层确定为当前隐藏层；
124.第二隐藏层判断单元，被配置为执行直至所述当前隐藏层之后不存在下一隐藏
层；
125.第五确定单元，被配置为执行基于所述当前隐藏层对应的目标融合训练特征信息，以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到所述资源操作预测模型。
126.在一示例性实施例中，所述资源操作预测模型确定单元包括：
127.损失信息确定单元，被配置为执行基于所述第一多尺度训练特征信息、所述第一训练特征信息，以及所述样本资源操作标签，确定损失信息；
128.参数调整单元，被配置为执行基于所述损失信息对所述隐藏层的网络参数和第一多尺度信息提取模块的网络参数进行调整，得到调整后的隐藏层和调整后的第一多尺度信息提取模块；
129.第四确定单元，被配置为执行基于所述调整后的隐藏层和所述调整后的第一多尺度信息提取模块，得到所述资源操作预测模型。
130.根据本公开实施例的第五方面，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，以实现如上所述的资源操作数据预测方法或资源操作预测模型训练方法。
131.根据本公开实施例的第六方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如上所述的资源操作数据预测方法或资源操作预测模型训练方法。
132.根据本公开实施例的第七方面，提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，计算机设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序，使得设备执行上述的资源操作数据预测方法或资源操作预测模型训练方法。
133.本公开的实施例提供的技术方案至少带来以下有益效果：
134.本公开通过资源操作预测模型的隐藏层对目标对象的对象特征信息和目标多媒体资源的资源特征信息进行信息提取，得到第一特征信息；基于第一多尺度信息提取模块对第一输入特征信息进行多尺度信息提取，得到第一多尺度特征信息；基于第一多尺度特征信息，以及第一特征信息，确定目标对象对目标多媒体资源的资源操作数据。本公开中采用第一多尺度信息提取模块对第一输入特征信息进行多尺度信息提取，从而可得到与第一输入特征信息对应的多个采样尺度的特征信息，提取出的多个采样尺度的特征信息能够提高对目标对象和目标多媒体资源的特征表征能力，相应地提高了资源操作预测模型的特征提取能力和信息拟合能力，进一步提高了资源操作预测模型预测的准确性。
135.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
136.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。
137.图1是根据一示例性实施例示出的实施环境示意图。
138.图2是根据一示例性实施例示出的一种资源操作数据预测方法流程图。
139.图3是根据一示例性实施例示出的一种基于多尺度门控权重的资源操作数据确定方法流程图。
140.图4是根据一示例性实施例示出的一种对第一特征信息进行多尺度信息提取的方法流程图。
141.图5是根据一示例性实施例示出的一种基于多尺度特征信息确定资源操作数据的方法流程图。
142.图6是根据一示例性实施例示出的另一种资源操作数据确定方法流程图。
143.图7是根据一示例性实施例示出的第一多尺度信息提取模块的结构示意图。
144.图8是根据一示例性实施例示出的多尺度门控权重预测模块的结构示意图。
145.图9是根据一示例性实施例示出的第二多尺度信息提取模块的结构示意图。
146.图10是根据一示例性实施例示出的一种资源操作预测模型训练方法流程图。
147.图11是根据一示例性实施例示出的一种基于多尺度门控权重预测模块进行模型训练的方法流程图。
148.图12是根据一示例性实施例示出的一种基于第二多尺度信息提取模块进行信息提取的方法流程图。
149.图13是根据一示例性实施例示出的另一种资源操作预测模型训练方法流程图。
150.图14是根据一示例性实施例示出的又一种资源操作预测模型训练方法流程图。
151.图15是根据一示例性实施例示出的一种基于网络参数调整确定资源操作预测模型的方法流程图。
152.图16是根据一示例性实施例示出的一种资源推送方法流程图。
153.图17是根据一示例性实施例示出的带有门控网络的点击率模型和转化率模型示意图。
154.图18是根据一示例性实施例示出的一种资源操作预测装置示意图。
155.图19是根据一示例性实施例示出的一种资源操作预测模型训练装置示意图。
156.图20是根据一示例性实施例示出的电子设备结构示意图。
具体实施方式
157.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。
158.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。
159.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。
160.请参阅图1，其示出了本公开实施例提供的实施环境示意图，该实施环境可包括：
至少一个第一终端110和第二终端120，第一终端110和第二终端120可通过网络进行数据通信。
161.具体地，第二终端120根据目标对象的对象特征信息，向目标对象对应的第一终端110推送与目标对象的对象特征信息相适配的多媒体资源。进一步地，与目标对象的对象特征信息相适配的多媒体资源可基于资源操作预测模型进行预测得到；相应地，第二终端120还可以基于样本数据对待训练资源操作预测模型进行训练，以得到资源操作预测模型。
162.第一终端110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)与第二终端120进行通信。第一终端110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、服务器等类型的实体设备，也可以包括运行于实体设备中的软体，例如应用程序等。本公开实施例中的第一终端110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。
163.第二终端120与第一终端110可以通过有线或者无线建立通信连接，所述第二终端120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，其中服务器可以是云端服务器。
164.为了解决相关技术中对用户资源操作预测不准确的问题，请参阅图2，其示出了一种资源操作数据预测方法，该方法的执行主体可以为图1中的第二终端；该方法具体可包括：
165.s210.获取目标对象的对象特征信息和目标多媒体资源的资源特征信息。
166.在一具体实施例中，目标对象的对象特征信息可包括目标对象的标记信息、目标对象的静态信息以及目标对象的动态信息等，其中目标对象的标记信息可以为目标对象在系统中的标签分类信息，目标对象的静态信息可以包括目标对象的年龄、性别、居住地、教育背景等信息，目标对象的动态信息可以包括目标对象历史点击过的多媒体资源，历史转化过的多媒体资源等。目标多媒体资源的资源特征信息包括目标多媒体资源在系统中的标签分类信息、目标多媒体资源的作者信息、目标多媒体资源的后验统计信息等。
167.s220.基于资源操作预测模型的隐藏层对所述对象特征信息以及所述资源特征信息进行信息提取，得到第一特征信息。
168.在一个可选实施例中，资源操作预测模型中可包含多个隐藏层，一个隐藏层可对应一个多尺度信息提取模块，即隐藏层和多尺度信息提取模块可成对出现；多尺度信息提取模块也可以是一个可灵活拆卸的模块，从而当需要用到多尺度信息提取模块，可直接进行多尺度信息提取模块的添加。
169.在另一个可选实施例中，资源操作预测模型还可包括输入层和输出层，输入层可用于接收目标对象的原始特征信息，以及目标多媒体资源的原始特征信息，对原始特征信息进行处理，得到相应的对象特征信息和资源特征信息。输出层可用于输出目标对象对目标多媒体资源的具体资源操作数据。
170.在一个可选实施例中，输入到隐藏层的对象特征信息和资源特征信息可以是基于目标对象的原始特征信息，以及目标多媒体资源的原始特征信息进行特征处理所得到的，通过隐藏层对对象特征信息以及资源特征信息进行信息提取，得到第一特征信息。
171.s230.基于所述资源操作预测模型的第一多尺度信息提取模块对第一输入特征信息进行多尺度信息提取，得到第一多尺度特征信息；所述第一输入特征信息通过对所述第
一特征信息进行特征维度转换得到。
172.具体地，第一多尺度信息提取模块可用于对输入的信息进行多个尺度的信息提取，具体可采用多个不同尺度的池化通道对第一输入特征信息进行信息提取，得到与每个尺度的池化通道对应的尺度特征信息，进而得到多个尺度的池化通道对应的多尺度特征信息。
173.在一个可选实施例中，第一输入特征信息可基于对第一特征信息进行特征维度转换得到；具体地，第一特征信息可以为稀疏特征信息，第一输入特征信息可以为稠密特征信息，第一特征信息的特征维度可以大于第一输入特征信息；从而通过较少维度的第一输入特征信息来表征较多维度的第一特征信息，能够提高模型对对象特征信息以及资源特征信息的处理效率。
174.在一个可选实施例中，特征维度转换操作具体可以是进行element-wise信息提取，即向量的内积操作，从而实现了对第一特征信息的特征维度转换，将第一特征信息转换为稠密的第一输入特征信息。
175.s240.基于所述第一多尺度特征信息和所述第一特征信息，确定所述目标对象对所述目标多媒体资源的资源操作数据。
176.第一多尺度特征信息和第一特征信息中均包含了目标对象和目标多媒体资源的特征信息，从而可基于第一多尺度特征信息以及第一特征信息，确定目标对象对目标多媒体资源的资源操作数据；其中目标对象对目标多媒体资源的资源操作包括目标对象对目标多媒体资源的点击操作、转化操作等，相应地，资源操作数据可用于表征目标对象对目标多媒体资源执行点击操作的可能性，以及执行转化操作的可能性等。
177.本公开中采用第一多尺度信息提取模块对第一输入特征信息进行多尺度信息提取，从而可得到与第一输入特征信息对应的多个采样尺度的特征信息，提取出的多个采样尺度的特征信息能够提高对目标对象和目标多媒体资源的特征表征能力，相应地提高了资源操作预测模型的特征提取能力和信息拟合能力，进一步提高了资源操作预测模型预测的准确性。
178.在一可选实施例中，资源操作预测模型还包括多尺度门控权重预测模块；相应地请参阅图3，其示出了一种基于多尺度门控权重的资源操作数据确定方法，该方法可包括：
179.s310.基于所述多尺度门控权重预测模块对所述第一多尺度特征信息中各个尺度的特征信息进行权重预测，得到与所述各个尺度的特征信息对应的尺度门控权重。
180.s320.基于所述各个尺度的特征信息，以及各个尺度的特征信息各自对应的尺度门控权重，得到多尺度加权信息。
181.s330.基于所述多尺度加权信息以及所述第一特征信息，确定所述资源操作数据。
182.具体地，第一多尺度信息提取模块中可包括多个池化通道，各个池化通道的池化尺度不同，从而当通过多个池化通道对第一输入特征信息进行信息提取时，可得到与各个池化通道对应的尺度特征信息；对于不同的资源操作预测目标，对不同池化通道提取的信息的依赖程度可能不同，从而在资源操作预测模型包括第一多尺度信息提取模块的基础上，可进一步添加多尺度门控权重预测模块，多尺度门控权重预测模块可用于对各个池化通道的权重进行预测，在第一多尺度信息提取模块输出各个池化通道对第一输入特征信息提取的多尺度特征信息之后，可采用多尺度门控权重预测模块对各自池化通道输出的提取
信息进行加权，以得到加权后的多尺度加权信息。多尺度加权信息是经过对各个池化通道输出的提取信息进行加权之后得到的，而各个池化通道所对应的尺度门控权重是与预测目标相关联的，从而使得多尺度加权信息更有助于对预测目标进行预测，从而提高了预测结果的准确性。
183.在一具体实施例中，请参阅图4，其示出了一种对第一特征信息进行多尺度信息提取的方法，该方法可包括：
184.s410.基于所述第二多尺度信息提取模块对所述第一特征信息进行多尺度信息提取，得到第二多尺度特征信息。
185.s420.基于所述第一特征信息和所述第二多尺度特征信息，确定所述第一输入特征信息。
186.在图2所示的方法中，采用了第一多尺度信息提取模块对第一输入特征信息进行了多尺度的信息提取，从而实现了从第一输入特征信息中提取到了丰富的特征信息；在一个具体实施例中，同样可以对第一特征信息进行多尺度信息提取；在图2中，通过第一多尺度信息提取模块所提取的特征信息已经经过了高度抽象化，存在着特征信息的损失，从而在图2的基础上，再次添加了第二多尺度信息提取模块，通过第二多尺度信息提取模块可实现对第一特征信息进行多个尺度的信息提取，可提高提取特征信息的多样性和丰富性，进而提高了提取的特征信息对目标对象和目标多媒体资源的特征表征能力；进一步地，通过第一特征信息和第二多尺度特征信息确定一多尺度信息提取模块的输入信息，提高了第一输入特征信息的丰富性。
187.在一具体实施例中，请参阅图5，其示出了一种基于多尺度特征信息确定资源操作数据的方法，该方法可包括：
188.s510.计算所述第一多尺度特征信息中各个尺度的特征信息的平均尺度特征信息。
189.s520.对所述平均尺度特征信息以及所述第一特征信息进行信息融合，得到融合特征信息。
190.s530.基于所述目标融合特征信息确定所述资源操作数据。
191.第一尺度特征信息中包含了对第一输入特征信息的多个尺度的提取信息，可对这多个尺度的特征信息进行平均操作，得到相应的平均尺度特征信息；通过取平均操作能够实现输出数据的平滑，避免某一个池化通道的输出信息过于突兀，提高输出数据的平稳性。另外在第一特征信息的基础上融合了平均尺度特征信息，使得用于确定资源操作数据的特征数据具有较强的特征表达能力，进一步可提高预测结果的准确性。
192.在一可选实施例中，所述资源操作预测模型包括多个隐藏层；相应地，请参阅图6，其示出了一种基于多个隐藏层的资源操作数据确定方法，该方法可包括：
193.s610.将当前隐藏层对应的目标融合特征信息输入到所述当前隐藏层的下一隐藏层，基于所述下一隐藏层对所述目标融合特征信息进行信息提取，得到第二特征信息。
194.s620.基于所述下一隐藏层对应的第一多尺度信息提取模块，对第二输入特征信息进行多尺度信息提取，得到第三多尺度特征信息；所述第二输入特征信息通过对所述第二特征信息进行特征维度转换得到。
195.s630.基于所述第三多尺度特征信息，以及所述第二特征信息，确定与所述下一隐
藏层对应的目标融合特征信息。
196.s640.将所述下一隐藏层确定为当前隐藏层。
197.s650.判断所述当前隐藏层之后是否存在下一隐藏层；若是，执行步骤s610，若否，执行步骤s660。
198.s660.基于所述当前隐藏层对应的目标融合特征信息，确定所述资源操作数据。
199.在一具体实施例中，资源操作预测模型中可包括多个隐藏层，每个隐藏层可对应一个第一多尺度信息提取模块，当前隐藏层对应的第一多尺度信息提取模块的输出信息以及当前隐藏层的第一特征信息可用作下一隐藏层的输入信息。
200.每个隐藏层以及每个隐藏层对应的第一多尺度信息提取模块，均可在前一隐藏层以及前一隐藏层对应的第一多尺度信息提取模块所得到的目标融合特征信息的基础上，进一步对输入的特征信息进行抽象提取，从而通过多个隐藏层以及多个隐藏层对应的第一多尺度信息提取模块进行特征信息提取，能够提高所提取信息的特征表达能力，提高特征提取的准确性，进而提高预测模型预测结果的准确性。
201.在具体实施过程中，对于上述图2中所示的第一多尺度信息提取模块、图3中所示的多尺度门控权重预测模块以及图4中所示的第二多尺度信息提取模块均可看成是多尺度门控模块的一部分，第一多尺度信息提取模块、多尺度门控权重预测模块以及第二多尺度信息提取模块可进行组合使用，具体组合情况可包括：第一多尺度信息提取模块 多尺度门控权重预测模块，一多尺度信息提取模块 第二多尺度信息提取模块，第一多尺度信息提取模块 多尺度门控权重预测模块 第二多尺度信息提取模块等，多个模块的叠加可以使得提取出的信息的特征表达能力更强，进一步可提高模型预测结果的准确性。
202.在一个具体实施例中，请参阅图7，其示出了第一多尺度信息提取模块的结构示意图，从图7中可以看出，第一多尺度信息提取模块具体包含了尺度为1，2，4，8，16的池化通道，通过这些池化通道分别对第一输入特征信息进行信息提取，然后使用sigmoid激活函数激活多各池化通道提取到的特征信息，再求各池化通道提取到的特征信息的平均信息，得到当前多尺度门控模块的输出信息。
203.在一个具体实施例中，请参阅图8，其示出了多尺度门控权重预测模块的结构示意图，从图8中可以看出，通过对不同池化通道的输出信息进行加权，得到不同池化通道对应的多尺度加权信息，进一步基于该多尺度加权信息进行平均计算，基于平均计算结果确定当前多尺度门控模块的输出信息。
204.在一个具体实施例中，请参阅图9，其示出了第二多尺度信息提取模块的结构示意图，从图9中可以看出，第二多尺度信息提取模块对第一特征信息进行了多尺度信息提取操作，得到了相应的第二多尺度特征信息；从而基于第一特征信息和第二多尺度特征信息的融合结果确定第一多尺度信息提取模块的输入信息。
205.在一个示例中，资源操作数据包括对多个候选资源的资源操作数据；相应地，还可以基于所述对多个候选资源的资源操作数据，确定各个候选资源的在推送列表中的排序信息；基于所述排序信息，从所述推送列表中确定出目标资源；将所述目标资源推送给所述目标对象。从而基于本公开上述的资源操作预测模型预测得到的资源操作数据，为目标对象推送相应的目标资源，从而能够实现目标资源与目标对象的适配性，提高用户体验。
206.在一具体实施例中，请参阅图10，其示出了一种资源操作预测模型训练方法，该方
法可包括：
207.s1010.获取样本数据；所述样本数据包括样本对象的样本对象特征信息、样本多媒体资源的样本资源特征信息，以及样本资源操作标签。
208.具体地，样本数据包括正样本和负样本，对于资源点击预测模型来说，正样本就是对象点击了的多媒体资源，负样本是给对象展示了但是没有点击的多媒体资源；对于资源转化预测模型来说，正样本是对象在点击后发生了转化行为的多媒体资源，负样本是对象点击了但是没有发生转化行为的多媒体资源。正样本对应的样本资源操作标签具体可为1，负样本对应的样本资源操作标签具体可为0。
209.s1020.基于待训练资源操作预测模型的隐藏层对所述样本对象特征信息以及所述样本资源特征信息进行信息提取，得到第一训练特征信息。
210.s030.基于所述待训练资源操作预测模型的第一多尺度信息提取模块对第一输入训练特征信息进行多尺度信息提取，得到第一多尺度训练特征信息；所述第一输入训练特征信息通过对所述第一训练特征信息进行特征维度转换得到。
211.s1040.基于所述第一多尺度训练特征信息、所述第一训练特征信息，以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到资源操作预测模型。
212.本公开中采用第一多尺度信息提取模块对第一输入训练特征信息进行多尺度信息提取，从而可得到与第一输入训练特征信息对应的多个采样尺度的特征信息，提取出的多个采样尺度的特征信息能够提高对目标对象和目标多媒体资源的特征表征能力，相应地提高了资源操作预测模型的特征提取能力和信息拟合能力，进一步提高了资源操作预测模型预测的准确性。
213.在一可选实施例中，请参阅图11，其示出了一种基于多尺度门控权重预测模块进行模型训练的方法，该方法可包括：
214.s1110.基于所述多尺度门控权重预测模块对所述第一多尺度训练特征信息中各个尺度的特征信息进行权重预测，得到所述各个尺度的训练特征信息对应的尺度门控训练权重。
215.s1120.基于所述各个尺度的训练特征信息，以及各个尺度的训练特征信息各自对应的尺度门控训练权重，得到多尺度加权训练信息。
216.s1130.基于所述多尺度加权训练信息、所述第一训练特征信息以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到所述资源操作预测模型。
217.具体地，第一多尺度信息提取模块中可包括多个池化通道，各个池化通道的池化尺度不同，从而当通过多个池化通道对第一输入训练特征信息进行信息提取时，可得到与各个池化通道对应的尺度特征信息；对于不同的资源操作预测目标，对不同池化通道提取的信息的依赖程度可能不同，从而在资源操作预测模型包括第一多尺度信息提取模块的基础上，可进一步添加多尺度门控权重预测模块，多尺度门控权重预测模块可用于对各个池化通道的权重进行预测，在第一多尺度信息提取模块输出各个池化通道对第一输入训练特征信息提取的多尺度特征信息之后，可采用多尺度门控权重预测模块对各自池化通道输出的提取信息进行加权，以得到加权后的多尺度加权训练信息。多尺度加权训练信息是经过对各个池化通道输出的提取信息进行加权之后得到的，而各个池化通道所对应的尺度门控训练权重是与预测目标相关联的，从而使得多尺度加权训练信息更有助于对预测目标进行
预测，从而提高了预测结果的准确性。
218.在一具体实施例中，请参阅图12，其示出了一种基于第二多尺度信息提取模块进行信息提取的方法，该方法可包括：
219.s1210.基于所述第二多尺度信息提取模块对所述第一训练特征信息进行多尺度信息提取，得到第二多尺度训练特征信息。
220.s1220.对所述一训练特征信息和所述第二多尺度训练特征信息进行信息融合，得到所述第一输入训练特征信息。
221.在图11中，通过第一多尺度信息提取模块所提取的特征信息已经经过了高度抽象化，存在着特征信息的损失，从而在图11的基础上，再次添加了第二多尺度信息提取模块，通过第二多尺度信息提取模块可实现对第一特征训练信息进行多个尺度的信息提取，可提高提取特征信息的多样性和丰富性，进而提高了提取的特征信息对样本对象和样本多媒体资源的特征表征能力；进一步地，通过第一训练特征信息和第二多尺度训练特征信息确定一多尺度信息提取模块的输入信息，提高了第一输入训练特征信息的丰富性。
222.在一可选实施例中，请参阅图13，其示出了另一种资源操作预测模型训练方法，该方法可包括：
223.s1310.计算所述第一多尺度训练特征信息中各个尺度的训练特征信息的平均尺度训练特征信息。
224.s1320.对所述平均尺度训练特征信息以及所述第一训练特征信息进行信息融合，得到目标融合训练特征信息。
225.s1330.基于所述目标融合训练特征信息，以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到所述资源操作预测模型。
226.通过取平均操作能够实现输出数据的平滑，避免某一个池化通道的输出信息过于突兀，提高输出数据的平稳性。另外在第一训练特征信息的基础上融合了平均尺度训练特征信息，使得用于确定资源操作数据的特征数据具有较强的特征表达能力，进一步可提高模型训练的准确性。
227.在一具体实施例中，请参阅图14，其示出了一种基于多个隐藏层的资源操作预测模型训练方法，该方法可包括：
228.s1410.将当前隐藏层对应的目标融合训练特征信息输入到所述当前隐藏层的下一隐藏层，基于所述下一隐藏层对所述目标融合训练特征信息进行信息提取，得到第二训练特征信息。
229.s1420.基于所述下一隐藏层对应的第一多尺度信息提取模块，对第二输入特征信息进行多尺度信息提取，得到第三多尺度训练特征信息；所述第二输入训练特征信息通过对所述第二训练特征信息进行特征维度转换得到。
230.s1430.基于所述第三多尺度训练特征信息，以及所述第二训练特征信息，确定与所述下一隐藏层对应的目标融合训练特征信息。
231.s1440.将所述下一隐藏层确定为当前隐藏层。
232.s1450.判断所述当前隐藏层之后是否存在下一隐藏层；若是，执行步骤s1410，若否，执行步骤s1460。
233.s1460.基于所述当前隐藏层对应的目标融合训练特征信息，以及所述样本资源操
作标签，对所述待训练资源操作预测模型进行训练，得到所述资源操作预测模型。
234.在一具体实施例中，待训练资源操作预测模型中可包括多个隐藏层，每个隐藏层可对应一个第一多尺度信息提取模块，当前隐藏层对应的第一多尺度信息提取模块的输出信息以及当前隐藏层的第一特征信息可用作下一隐藏层的输入信息。
235.每个隐藏层以及每个隐藏层对应的第一多尺度信息提取模块，均可在前一隐藏层以及前一隐藏层对应的第一多尺度信息提取模块所得到的目标融合特征信息的基础上，进一步对输入的特征信息进行抽象提取，从而通过多个隐藏层以及多个隐藏层对应的第一多尺度信息提取模块进行信息提取，能够提高提取信息的特征表达能力，提高特征提取的准确性，进而提高预测结果的准确性。
236.在一可选实施例中，请参阅图15，其示出了一种基于网络参数调整确定资源操作预测模型的方法，该方法可包括：
237.s1510.基于所述第一多尺度训练特征信息、所述第一训练特征信息，以及所述样本资源操作标签，确定损失信息。
238.s1520.基于所述损失信息对所述隐藏层的网络参数和第一多尺度信息提取模块的网络参数进行调整，得到调整后的隐藏层和调整后的第一多尺度信息提取模块。
239.s1530.基于所述调整后的隐藏层和所述调整后的第一多尺度信息提取模块，得到所述资源操作预测模型。
240.在具体实施过程中，上述图10中所示的第一多尺度信息提取模块、图11中所示的多尺度门控权重预测模块以及图12中所示的第二多尺度信息提取模块均可看成是多尺度门控模块的一部分，第一多尺度信息提取模块、多尺度门控权重预测模块以及第二多尺度信息提取模块可进行组合使用，具体组合情况可包括：第一多尺度信息提取模块 多尺度门控权重预测模块，一多尺度信息提取模块 第二多尺度信息提取模块，第一多尺度信息提取模块 多尺度门控权重预测模块 第二多尺度信息提取模块等。相应在训练过程中，也可对包含不同模块的待训练资源操作预测模型分别进行训练，从而可得到包含第一多尺度信息提取模块 多尺度门控权重预测模块的资源操作预测模型，一多尺度信息提取模块 第二多尺度信息提取模块的资源操作预测模型，第一多尺度信息提取模块 多尺度门控权重预测模块 第二多尺度信息提取模块的资源操作预测模型。多个模块的叠加可以使得提取出的信息的特征表达能力更强，进一步可提高训练生成的资源操作预测模型的拟合能力，进而提高模型预测的准确性。
241.在一个可选实施例中，请参阅图16，其示出了一种资源推送方法，该方法可包括：
242.s1610.获取样本数据；所述样本数据包括样本对象的样本对象特征信息、样本多媒体资源的样本资源特征信息，以及样本资源操作标签。
243.s1620.基于待训练资源操作预测模型的隐藏层对所述样本对象特征信息以及所述样本资源特征信息进行信息提取，得到第一训练特征信息。
244.s1630.基于所述待训练资源操作预测模型的第一多尺度信息提取模块对第一输入训练特征信息进行多尺度信息提取，得到第一多尺度训练特征信息；所述第一输入训练特征信息通过对所述第一训练特征信息进行特征维度转换得到。
245.s1640.基于所述第一多尺度训练特征信息、所述第一训练特征信息，以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到资源操作预测模型。
246.s1650.基于资源操作预测模型的隐藏层对目标对象的对象特征信息以及目标多媒体资源的资源特征信息进行信息提取，得到第一特征信息。
247.s1660.基于所述资源操作预测模型的第一多尺度信息提取模块对第一输入特征信息进行多尺度信息提取，得到第一多尺度特征信息；所述第一输入特征信息通过对所述第一特征信息进行特征维度转换得到。
248.s1670.基于所述第一多尺度特征信息和所述第一特征信息，确定所述目标对象对所述目标多媒体资源的资源操作数据。
249.s1680.基于所述对多个候选资源的资源操作数据，确定各个候选资源的在推送列表中的排序信息。
250.s1690.基于所述排序信息，从所述推送列表中确定出目标资源，将所述目标资源推送给所述目标对象。
251.其中关于资源操作预测模型的训练过程，以及目标对象的资源操作数据的预测过程可参阅本公开上述实施例中的具体细节，在此不再赘述。
252.下面以一具体示例说明本公开的具体实施流程，请参阅图17，其示出了带有门控网络的点击率模型和转化率模型，对于模型的输入和输出涉及具体可包括：
253.1.对象特征的设计：包含了对象的标记、静态与动态行为等特征；
254.2.视频特征的设计：包括了视频标记、视频作者与视频的后验统计信息等特征；
255.3.正负样本的设计：设计了点击率模型与转化率模型。对于点击率模型来说，正样本就是对象点击了的视频，负样本是给对象展示了但是没有点击的视频；对于转化率模型来说，正样本是对象在点击了后发生了转化行为的视频，负样本是对象点击了但是没有发生转化行为的视频。
256.4.神经网络的设计：请参阅图17，该神经网络主要分为两个部分，点击率网络和转化率网络。同时点击率网络中，添加了门控网络，用以提取神经网络隐层结构化信息。
257.5.门控模块-特征金字塔(图7中的第一多尺度信息提取模块)：对门控隐层输出做多尺度的信息提取，先对隐层输出做element-wise的信息提取，得到稠密的特征层；接着再分别用尺度为1，2，4，8，16，32的平均池化操作做稠密特征层的信息提取；然后使用sigmoid激活函数激活多尺度提取到的信息，最终对不同尺度的门控输出求平均，得到特征金字塔门控模块对隐层高维抽象特征的重要性偏置。
258.6.门控模块-gate-reweight模块(图8中的多尺度门控权重预测模块)：对特征金字塔模块中的多尺度提取到重要性偏置分别进行通道重要性评估。不同的预估目标对于多尺度提取到的重要性存在了依赖度偏置。通过设计se-gig模块，得到了不同尺度下，预估目标不同的依赖程度。
259.7.门控模块-输入校准模块gsig(图9中的第二多尺度信息提取模块)：对特征金字塔模块的输入隐层特征做多尺度的特征偏置。由于特征金字塔所提取的特征已经经过了高度抽象化，存在着信息的损失。通过添加gsig模块，将特征金字塔模块所依赖的尺度的重要性提升，对不重要的尺度的依赖程度下降。
260.8.网络的前向学习：对于对象侧来说，点击模型与转化模型是一个多层的全连接神经网络。输入为对象侧特征与多媒体资源侧特征，经过多层非线性变换，如图17所示，分别输出隐层向量a1与a2。a1与a2分别代表点击率的顶层向量，转化率模型的顶层向量。
261.9.损失函数：隐层向量a1与a2，经过sigmoid函数转化成预估的概率值，其中sigmoid函数计算公式如下：
262.σ(a)＝1/(1 exp(-a))
ꢀꢀꢀꢀꢀꢀ
(1)
263.sigmoid函数的取之范围是(0,1)之间，从而得到了点击率与转化率的概率值。之后再根据样本的标签(点击率的正负样本，转化率的正负样本)，使用logloss损失函数，损失函数如下：
264.l
t
(w
t
)＝-y
t
log p
t-(1-y
t
)log(1-p
t
)
ꢀꢀꢀꢀꢀ
(2)
265.其中，x
t
∈rd，模型的参数为w
t
，预估的概率为p
t
＝σ(w
t
·
x
t
)，σ是sigmoid函数，y
t
∈{0,1}是样本标签。
266.10.网络的反向学习：采用了随机梯度下降法来做最小化logloss的损失函数，并求解损失函数的梯度，最终逐层更新网络参数。对于点击率预估来说，根据点击率预估构成的样本，根据损失函数公式计算损失值，并计算相关梯度。反向传播的方向是从顶至底，先更新顶层a1的参数，再往下更新次顶层的参数，最终更新输入特征embedding。对于转化率模型来说，根据转化率预估构成的样本，同样是根据损失函数公式计算损失值，并计算相关梯度，从顶至底更新模型参数。
267.11.线上预估使用：当神经网络使用样本充分学习后，可对线上请求进行准确排序。例如，当一个对象发送了视频获取请求，点击率模型会预估对象对某一视频的点击率，转化率模型会预估对象对于视频中商品的购买率。点击率的范围是0～1，越大代表模型认为对象对当前视频的点击可能性更大。
268.本公开能够大幅提高神经网络在视频推荐精排的精度，通过先验的构建神经元的组合关系，使得多层感知机具备了结构化信息的提取能力，大幅度提升了模型的拟合能力，适用于不同预测目标。其中，金字塔特征提取器在有效提升模型的特征提取能力的情况下，同时大幅度降低了多尺度门控网络的计算资源；门控偏置网络拟合不同预估目标对金字塔特征提取器门控的偏置；输入偏置网络拟合不同预估目标对金字塔特征输入的偏置。
269.图18是根据一示例性实施例示出的一种资源操作预测装置，包括：
270.特征信息获取单元1810，被配置为执行获取目标对象的对象特征信息和目标多媒体资源的资源特征信息；
271.第一特征信息提取单元1820，被配置为执行基于资源操作预测模型的隐藏层对所述对象特征信息以及所述资源特征信息进行信息提取，得到第一特征信息；
272.第一多尺度特征信息提取单元1830，被配置为执行基于所述资源操作预测模型的第一多尺度信息提取模块对第一输入特征信息进行多尺度信息提取，得到第一多尺度特征信息；所述第一输入特征信息通过对所述第一特征信息进行特征维度转换得到；
273.资源操作数据确定单元1840，被配置为执行基于所述第一多尺度特征信息和所述第一特征信息，确定所述目标对象对所述目标多媒体资源的资源操作数据。
274.在一示例性实施例中，所述资源操作预测模型还包括多尺度门控权重预测模块；
275.所述装置还包括：
276.尺度门控权重确定单元，被配置为执行基于所述多尺度门控权重预测模块对所述第一多尺度特征信息中各个尺度的特征信息进行权重预测，得到与所述各个尺度的特征信息对应的尺度门控权重；
277.所述资源操作数据确定单元1840包括：
278.多尺度加权信息单元，被配置为执行基于所述各个尺度的特征信息，以及各个尺度的特征信息各自对应的尺度门控权重，得到多尺度加权信息；
279.第一确定单元，被配置为执行基于所述多尺度加权信息以及所述第一特征信息，确定所述资源操作数据。
280.在一示例性实施例中，所述资源操作预测模型还包括第二多尺度信息提取模块；
281.所述装置还包括：
282.第二多尺度特征信息确定单元，被配置为执行基于所述第二多尺度信息提取模块对所述第一特征信息进行多尺度信息提取，得到第二多尺度特征信息；
283.第一输入特征信息确定单元，被配置为执行基于所述第一特征信息和所述第二多尺度特征信息，确定所述第一输入特征信息。
284.在一示例性实施例中，所述资源操作数据确定单元1840包括：
285.平均尺度特征信息确定单元，被配置为执行计算所述第一多尺度特征信息中各个尺度的特征信息的平均尺度特征信息；
286.融合特征信息确定单元，被配置为执行对所述平均尺度特征信息以及所述第一特征信息进行信息融合，得到目标融合特征信息；
287.第二确定单元，被配置为执行基于所述目标融合特征信息确定所述资源操作数据。
288.在一示例性实施例中，所述资源操作预测模型包括多个隐藏层；
289.所述第二确定单元包括：
290.第二特征信息确定单元，被配置为执行将当前隐藏层对应的目标融合特征信息输入到所述当前隐藏层的下一隐藏层，基于所述下一隐藏层对所述目标融合特征信息进行信息提取，得到第二特征信息；
291.第三多尺度特征信息确定单元，被配置为执行基于所述下一隐藏层对应的第一多尺度信息提取模块，对第二输入特征信息进行多尺度信息提取，得到第三多尺度特征信息；所述第二输入特征信息通过对所述第二特征信息进行特征维度转换得到；
292.第三确定单元，被配置为执行基于所述第三多尺度特征信息，以及所述第二特征信息，确定与所述下一隐藏层对应的目标融合特征信息；
293.第一隐藏层确定单元，被配置为执行将所述下一隐藏层确定为当前隐藏层；
294.第一隐藏层判断单元，被配置为执行直至所述当前隐藏层之后不存在下一隐藏层；
295.第四确定单元，被配置为执行基于所述当前隐藏层对应的目标融合特征信息，确定所述资源操作数据。
296.在一示例性实施例中，所述资源操作数据包括对多个候选资源的资源操作数据；
297.所述装置还包括：
298.排序信息确定单元，被配置为执行基于所述对多个候选资源的资源操作数据，确定各个候选资源的在推送列表中的排序信息；
299.目标资源确定单元，被配置为执行基于所述排序信息，从所述推送列表中确定出目标资源；
300.目标资源推送单元，被配置为执行将所述目标资源推送给所述目标对象。
301.图19是根据一示例性实施例示出的一种资源操作预测模型训练装置，包括：
302.样本数据获取单元1910，被配置为执行获取样本数据；所述样本数据包括样本对象的样本对象特征信息、样本多媒体资源的样本资源特征信息，以及样本资源操作标签；
303.第一训练特征信息确定单元1920，被配置为执行基于待训练资源操作预测模型的隐藏层对所述样本对象特征信息以及所述样本资源特征信息进行信息提取，得到第一训练特征信息；
304.第一多尺度训练特征信息提取单元1930，被配置为执行基于基于所述待训练资源操作预测模型的第一多尺度信息提取模块对第一输入训练特征信息进行多尺度信息提取，得到第一多尺度训练特征信息；所述第一输入训练特征信息通过对所述第一训练特征信息进行特征维度转换得到；
305.资源操作预测模型确定单元1940，被配置为执行基于所述第一多尺度训练特征信息、所述第一训练特征信息，以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到资源操作预测模型。
306.在一示例性实施例中，所述待训练资源操作预测模型还包括多尺度门控权重预测模块；
307.所述装置还包括：
308.尺度门控训练权重确定单元，被配置为执行基于所述多尺度门控权重预测模块对所述第一多尺度训练特征信息中各个尺度的特征信息进行权重预测，得到所述各个尺度的训练特征信息对应的尺度门控训练权重；
309.所述资源操作预测模型确定单元包括：
310.多尺度加权训练信息确定单元，被配置为执行基于所述各个尺度的训练特征信息，以及各个尺度的训练特征信息各自对应的尺度门控训练权重，得到多尺度加权训练信息；
311.第一训练单元，被配置为执行基于所述多尺度加权训练信息、所述第一训练特征信息以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到所述资源操作预测模型。
312.在一示例性实施例中，所述待训练资源操作预测模型还包括第二多尺度信息提取模块；
313.所述装置还包括：
314.第二多尺度训练特征信息确定单元，被配置为执行基于所述第二多尺度信息提取模块对所述第一训练特征信息进行多尺度信息提取，得到第二多尺度训练特征信息；
315.第一输入训练特征信息确定单元，被配置为执行对所述一训练特征信息和所述第二多尺度训练特征信息进行信息融合，得到所述第一输入训练特征信息。
316.在一示例性实施例中，所述资源操作预测模型确定单元包括：
317.平均尺度训练特征信息确定单元，被配置为执行计算所述第一多尺度训练特征信息中各个尺度的训练特征信息的平均尺度训练特征信息；
318.融合训练特征信息确定单元，被配置为执行对所述平均尺度训练特征信息以及所述第一训练特征信息进行信息融合，得到目标融合训练特征信息；
319.第二训练单元，被配置为执行基于所述目标融合训练特征信息，以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到所述资源操作预测模型。
320.在一示例性实施例中，所述待训练资源操作预测模型包括多个隐藏层；
321.所述第二训练单元包括：
322.第二训练特征信息确定单元，被配置为执行将当前隐藏层对应的目标融合训练特征信息输入到所述当前隐藏层的下一隐藏层，基于所述下一隐藏层对所述目标融合训练特征信息进行信息提取，得到第二训练特征信息；
323.第三多尺度训练特征信息确定单元，被配置为执行基于所述下一隐藏层对应的第一多尺度信息提取模块，对第二输入特征信息进行多尺度信息提取，得到第三多尺度训练特征信息；所述第二输入训练特征信息基于对所述第二训练特征信息进行特征维度转换确定；
324.第二隐藏层确定单元，被配置为执行将所述下一隐藏层确定为当前隐藏层；
325.第二隐藏层判断单元，被配置为执行直至所述当前隐藏层之后不存在下一隐藏层；
326.第五确定单元，被配置为执行基于所述当前隐藏层对应的目标融合训练特征信息，以及所述样本资源操作标签，对所述待训练资源操作预测模型进行训练，得到所述资源操作预测模型。
327.在一示例性实施例中，所述资源操作预测模型确定单元包括：
328.损失信息确定单元，被配置为执行基于所述第一多尺度训练特征信息、所述第一训练特征信息，以及所述样本资源操作标签，确定损失信息；
329.参数调整单元，被配置为执行基于所述损失信息对所述隐藏层的网络参数和第一多尺度信息提取模块的网络参数进行调整，得到调整后的隐藏层和调整后的第一多尺度信息提取模块；
330.第四确定单元，被配置为执行基于所述调整后的隐藏层和所述调整后的第一多尺度信息提取模块，得到所述资源操作预测模型。
331.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。
332.在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，可选地，计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等；当所述计算机可读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上所述的任一方法。
333.在示例性实施例中，还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，计算机设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序，使得设备执行上述任一方法。
334.图20是根据一示例性实施例示出的一种用于资源操作数据预测方法或资源操作预测模型训练方法的电子设备的框图，该电子设备可以是服务器，其内部结构图可以如图19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资源操作数据预测方法或资源操作预测模型训练方法。
335.本领域技术人员可以理解，图20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。
336.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。
337.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。