本技术实施例涉及计算机，特别涉及一种资源推荐方法、资源推荐模型的训练方法、装置及设备。
背景技术：
1、随着计算机技术的飞速发展，人工智能技术在推荐领域的应用越来越广泛，例如可以向用户推荐物品、视频、音乐等资源，用户会对收到的资源进行反馈，反馈数据可以作为推荐系统向用户进行推荐的依据。
2、相关技术中，对于某一领域下的推荐任务，通常根据用户在该领域下产生的反馈数据，来推测为用户推荐该领域下的哪些资源。但是，如果用户在该领域下产生的反馈数据较少，则进行资源推荐时所依据的数据量较少，进而导致资源推荐的准确性较低。
技术实现思路
1、本技术实施例提供了一种资源推荐方法、资源推荐模型的训练方法、装置及设备，能够提高资源推荐的准确性。所述技术方案如下：
2、一方面，提供了一种资源推荐方法，所述方法包括：
3、获取对象的对象数据和目标资源的资源数据，所述目标资源属于目标域；
4、获取所述对象的第一源域互动数据和所述对象的目标域互动数据，所述第一源域互动数据包括多个源域互动事项，所述源域互动事项是指所述对象与源域中的资源进行互动，所述目标域互动数据包括多个目标域互动事项，所述目标域互动事项是指所述对象与所述目标域中的资源进行互动，所述源域和所述目标域属于不同领域；
5、在所述第一源域互动数据中，确定与所述目标域关联的至少一个源域互动事项，与所述目标域关联的至少一个源域互动事项构成第二源域互动数据；
6、基于所述对象数据、所述资源数据、所述第二源域互动数据和所述目标域互动数据，确定所述目标资源的推荐预测结果，所述推荐预测结果用于表征若向所述对象推荐所述目标资源，所述对象与所述目标资源的互动情况。
7、可选地，所述若所述源域互动事项中的资源所属的实体与任一所述目标实体之间的相似度大于相似度阈值，则确定所述源域互动事项与所述目标域关联，包括：
8、获取每个所述目标实体的目标实体特征；
9、对所述源域互动事项中资源所属的实体进行特征提取，得到源域实体特征；
10、若所述源域实体特征与任一所述目标实体特征之间的相似度大于所述相似度阈值，则确定所述源域互动事项与所述目标域关联。
11、可选地，所述特征提取子模型还包括第二注意力网络，所述第二注意力网络包括第二映射矩阵；所述基于所述第二融合互动特征，确定所述源域互动特征和所述目标域互动特征，包括：
12、在所述第二融合互动特征中拆分出中间源域互动特征；
13、通过所述第二注意力网络，将所述资源特征与所述第二映射矩阵相乘，得到第二查询特征，将所述中间源域互动特征与所述第二映射矩阵相乘，得到第二键特征和第二值特征；
14、通过所述第二注意力网络，将所述第二查询特征、所述第二键特征和所述第二值特征进行融合，得到所述源域互动特征。
15、可选地，所述特征提取子模型还包括第三注意力网络，所述第三注意力网络包括第三映射矩阵；所述基于所述第二融合互动特征，确定所述源域互动特征和所述目标域互动特征，包括：
16、在所述第二融合互动特征中拆分出中间目标域互动特征；
17、通过所述第三注意力网络，将所述资源特征与所述第三映射矩阵相乘，得到第三查询特征，将所述中间目标域互动特征与所述第三映射矩阵相乘，得到第三键特征和第三值特征；
18、通过所述第三注意力网络，将所述第三查询特征、所述第三键特征和所述第三值特征进行融合，得到所述目标域互动特征。
19、可选地，所述基于所述对象数据、所述资源数据、所述第二源域互动数据和所述目标域互动数据，确定所述目标资源的推荐预测结果之后，所述方法还包括：
20、若所述推荐预测结果满足推荐条件，则向所述对象推荐所述目标资源。
21、另一方面，提供了一种资源推荐模型的训练方法，所述方法包括：
22、获取样本对象的样本对象数据、样本资源的样本资源数据和样本标签，所述样本资源属于目标域，所述样本标签用于表示在为所述样本对象推荐所述样本资源后，所述样本对象与所述样本资源的真实互动情况；
23、获取所述样本对象的第一样本源域互动数据和所述样本对象的样本目标域互动数据，所述第一样本源域互动数据包括多个样本源域互动事项，所述样本源域互动事项是指所述样本对象与源域中的资源进行互动，所述样本目标域互动数据包括多个样本目标域互动事项，所述样本目标域互动事项是指所述样本对象与所述目标域中的资源进行互动，所述源域和所述目标域属于不同领域；
24、在所述第一样本源域互动数据中，确定与所述目标域关联的至少一个样本源域互动事项，与所述目标域关联的至少一个样本源域互动事项构成第二样本源域互动数据；
25、通过资源推荐模型，基于所述样本对象数据、所述样本资源数据、所述第二样本源域互动数据和所述目标域样本互动数据，确定所述样本资源的推荐预测结果，所述推荐预测结果用于表征若向所述样本对象推荐所述样本资源，所述样本对象与所述样本资源的预测互动情况；
26、基于所述推荐预测结果与所述样本标签，对所述资源推荐模型进行训练。
27、可选地，所述特征提取子模型包括特征提取网络、特征融合网络和第一注意力网络，所述第一注意力网络包括第一映射矩阵；所述通过所述特征提取子模型，对所述第二样本源域互动数据和所述样本目标域互动数据进行特征提取，得到样本源域互动特征和样本目标域互动特征，包括：
28、通过所述特征提取网络，对所述第二样本源域互动数据进行特征提取，得到初始样本源域互动特征，对所述样本目标域互动数据进行特征提取，得到初始样本目标域互动特征；
29、通过所述特征融合网络，将所述初始样本源域互动特征和所述初始样本目标域互动特征进行融合，得到第一样本融合互动特征；
30、通过所述第一注意力网络，将所述第一样本融合互动特征与所述第一映射矩阵相乘，得到第一样本查询特征、第一样本键特征和第一样本值特征，将所述第一样本查询特征、所述第一样本键特征和所述第一样本值特征进行融合，得到第二样本融合互动特征；
31、基于所述第二样本融合互动特征，确定所述样本源域互动特征和所述样本目标域互动特征。
32、可选地，所述特征提取子模型还包括第二注意力网络，所述第二注意力网络包括第二映射矩阵；所述基于所述第二样本融合互动特征，确定所述样本源域互动特征和所述样本目标域互动特征，包括：
33、在所述第二样本融合互动特征中拆分出中间样本源域互动特征；
34、通过所述第二注意力网络，将所述样本资源特征与所述第二映射矩阵相乘，得到第二样本查询特征，将所述中间样本源域互动特征与所述第二映射矩阵相乘，得到第二样本键特征和第二样本值特征；
35、通过所述第二注意力网络，将所述第二样本查询特征、所述第二样本键特征和所述第二样本值特征进行融合，得到所述样本源域互动特征。
36、可选地，所述特征提取子模型还包括第三注意力网络，所述第三注意力网络包括第三映射矩阵；所述基于所述第二样本融合互动特征，确定所述样本源域互动特征和所述样本目标域互动特征，包括：
37、在所述第二样本融合互动特征中拆分出中间样本目标域互动特征；
38、通过所述第三注意力网络，将所述样本资源特征与所述第三映射矩阵相乘，得到第三样本查询特征，将所述中间样本目标域互动特征与所述第三映射矩阵相乘，得到第三样本键特征和第三样本值特征；
39、通过所述第三注意力网络，将所述第三样本查询特征、所述第三样本键特征和所述第三样本值特征进行融合，得到所述样本目标域互动特征。
40、可选地，所述在所述第一样本源域互动数据中，确定与所述目标域关联的至少一个样本源域互动事项，包括：
41、确定多个目标实体，所述目标实体是指所述目标域的资源所属的实体，所述实体是指提供资源的对象；
42、对于所述第一样本源域互动数据中的任一样本源域互动事项，若所述样本源域互动事项中的资源所属的实体为任一所述目标实体，则确定所述样本源域互动事项与所述目标域关联。
43、可选地，所述在所述第一样本源域互动数据中，确定与所述目标域关联的至少一个样本源域互动事项，包括：
44、确定多个目标实体，所述目标实体是指所述目标域的资源所属的实体，所述实体是指提供资源的对象；
45、对于所述第一样本源域互动数据中的任一样本源域互动事项，若所述样本源域互动事项中的资源所属的实体与任一所述目标实体之间的相似度大于相似度阈值，则确定所述样本源域互动事项与所述目标域关联。
46、可选地，所述若所述样本源域互动事项中的资源所属的实体与任一所述目标实体之间的相似度大于相似度阈值，则确定所述样本源域互动事项与所述目标域关联，包括：
47、获取每个所述目标实体的目标实体特征；
48、对所述样本源域互动事项中资源所属的实体进行特征提取，得到样本源域实体特征；
49、若所述样本源域实体特征与任一所述目标实体特征之间的相似度大于所述相似度阈值，则确定所述样本源域互动事项与所述目标域关联。
50、另一方面，提供了一种资源推荐装置，所述装置包括：
51、第一获取模块，用于获取对象的对象数据和目标资源的资源数据，所述目标资源属于目标域；
52、第二获取模块，拥有获取所述对象的第一源域互动数据和所述对象的目标域互动数据，所述第一源域互动数据包括多个源域互动事项，所述源域互动事项是指所述对象与源域中的资源进行互动，所述目标域互动数据包括多个目标域互动事项，所述目标域互动事项是指所述对象与所述目标域中的资源进行互动，所述源域和所述目标域属于不同领域；
53、筛选模块，用于在所述第一源域互动数据中，确定与所述目标域关联的至少一个源域互动事项，与所述目标域关联的至少一个源域互动事项构成第二源域互动数据；
54、预测模块，用于基于所述对象数据、所述资源数据、所述第二源域互动数据和所述目标域互动数据，确定所述目标资源的推荐预测结果，所述推荐预测结果用于表征若向所述对象推荐所述目标资源，所述对象与所述目标资源的互动情况。
55、可选地，所述筛选模块，用于：
56、确定多个目标实体，所述目标实体是指所述目标域的资源所属的实体，所述实体是指提供资源的对象；
57、对于所述第一源域互动数据中的任一源域互动事项，若所述源域互动事项中的资源所属的实体为任一所述目标实体，则确定所述源域互动事项与所述目标域关联。
58、可选地，所述筛选模块，用于：
59、确定多个目标实体，所述目标实体是指所述目标域的资源所属的实体，所述实体是指提供资源的对象；
60、对于所述第一源域互动数据中的任一源域互动事项，若所述源域互动事项中的资源所属的实体与任一所述目标实体之间的相似度大于相似度阈值，则确定所述源域互动事项与所述目标域关联。
61、可选地，所述筛选模块，用于：
62、获取每个所述目标实体的目标实体特征；
63、对所述源域互动事项中资源所属的实体进行特征提取，得到源域实体特征；
64、若所述源域实体特征与任一所述目标实体特征之间的相似度大于所述相似度阈值，则确定所述源域互动事项与所述目标域关联。
65、可选地，所述预测模块，用于：
66、对所述对象数据进行特征提取，得到对象特征；
67、对所述资源数据进行特征提取，得到资源特征；
68、对所述第二源域互动数据和所述目标域互动数据进行特征提取，得到源域互动特征和目标域互动特征；
69、基于所述对象特征、所述资源特征、所述源域互动特征和所述目标域互动特征，确定所述目标资源的推荐预测结果。
70、可选地，所述预测模块，用于：
71、对所述第二源域互动数据进行特征提取，得到初始源域互动特征，对所述目标域互动数据进行特征提取，得到初始目标域互动特征；
72、将所述初始源域互动特征和所述初始目标域互动特征进行融合，得到第一融合互动特征；
73、将所述第一融合互动特征与第一映射矩阵相乘，得到第一查询特征、第一键特征和第一值特征；
74、将所述第一查询特征、所述第一键特征和所述第一值特征进行融合，得到第二融合互动特征；
75、基于所述第二融合互动特征，确定所述源域互动特征和所述目标域互动特征。
76、可选地，所述预测模块，用于：
77、在所述第二融合互动特征中拆分出中间源域互动特征；
78、将所述资源特征与第二映射矩阵相乘，得到第二查询特征；
79、将所述中间源域互动特征与所述第二映射矩阵相乘，得到第二键特征和第二值特征；
80、将所述第二查询特征、所述第二键特征和所述第二值特征进行融合，得到所述源域互动特征。
81、可选地，所述预测模块，用于：
82、在所述第二融合互动特征中拆分出中间目标域互动特征；
83、将所述资源特征与第三映射矩阵相乘，得到第三查询特征；
84、将所述中间目标域互动特征与所述第三映射矩阵相乘，得到第三键特征和第三值特征；
85、将所述第三查询特征、所述第三键特征和所述第三值特征进行融合，得到所述目标域互动特征。
86、可选地，资源推荐模型包括特征提取子模型和推荐预测子模型，所述预测模块，用于：
87、通过所述特征提取子模型，对所述对象数据进行特征提取，得到对象特征；
88、通过所述特征提取子模型，对所述资源数据进行特征提取，得到资源特征；
89、通过所述特征提取子模型，对所述第二源域互动数据和所述目标域互动数据进行特征提取，得到源域互动特征和目标域互动特征；
90、通过所述推荐预测子模型，基于所述对象特征、所述资源特征、所述源域互动特征和所述目标域互动特征，确定所述目标资源的推荐预测结果。
91、可选地，所述特征提取子模型包括特征提取网络、特征融合网络和第一注意力网络，所述第一注意力网络包括第一映射矩阵；所述预测模块，用于：
92、通过所述特征提取网络，对所述第二源域互动数据进行特征提取，得到初始源域互动特征，对所述目标域互动数据进行特征提取，得到初始目标域互动特征；
93、通过所述特征融合网络，将所述初始源域互动特征和所述初始目标域互动特征进行融合，得到第一融合互动特征；
94、通过所述第一注意力网络，将所述第一融合互动特征与所述第一映射矩阵相乘，得到第一查询特征、第一键特征和第一值特征，将所述第一查询特征、所述第一键特征和所述第一值特征进行融合，得到第二融合互动特征；
95、基于所述第二融合互动特征，确定所述源域互动特征和所述目标域互动特征。
96、可选地，所述特征提取子模型还包括第二注意力网络，所述第二注意力网络包括第二映射矩阵；所述预测模块，用于：
97、在所述第二融合互动特征中拆分出中间源域互动特征；
98、通过所述第二注意力网络，将所述资源特征与所述第二映射矩阵相乘，得到第二查询特征，将所述中间源域互动特征与所述第二映射矩阵相乘，得到第二键特征和第二值特征；
99、通过所述第二注意力网络，将所述第二查询特征、所述第二键特征和所述第二值特征进行融合，得到所述源域互动特征。
100、可选地，所述特征提取子模型还包括第三注意力网络，所述第三注意力网络包括第三映射矩阵；所述预测模块，用于：
101、在所述第二融合互动特征中拆分出中间目标域互动特征；
102、通过所述第三注意力网络，将所述资源特征与所述第三映射矩阵相乘，得到第三查询特征，将所述中间目标域互动特征与所述第三映射矩阵相乘，得到第三键特征和第三值特征；
103、通过所述第三注意力网络，将所述第三查询特征、所述第三键特征和所述第三值特征进行融合，得到所述目标域互动特征。
104、可选地，所述装置还包括：
105、推荐模块，用于若所述推荐预测结果满足推荐条件，则向所述对象推荐所述目标资源。
106、另一方面，提供了一种资源推荐装置，所述装置包括：
107、第一获取模块，用于获取样本对象的样本对象数据、样本资源的样本资源数据和样本标签，所述样本资源属于目标域，所述样本标签用于表示在为所述样本对象推荐所述样本资源后，所述样本对象与所述样本资源的真实互动情况；
108、第二获取模块，用于获取所述样本对象的第一样本源域互动数据和所述样本对象的样本目标域互动数据，所述第一样本源域互动数据包括多个样本源域互动事项，所述样本源域互动事项是指所述样本对象与源域中的资源进行互动，所述样本目标域互动数据包括多个样本目标域互动事项，所述样本目标域互动事项是指所述样本对象与所述目标域中的资源进行互动，所述源域和所述目标域属于不同领域；
109、筛选模块，用于在所述第一样本源域互动数据中，确定与所述目标域关联的至少一个样本源域互动事项，与所述目标域关联的至少一个样本源域互动事项构成第二样本源域互动数据；
110、预测模块，用于通过资源推荐模型，基于所述样本对象数据、所述样本资源数据、所述第二样本源域互动数据和所述目标域样本互动数据，确定所述样本资源的推荐预测结果，所述推荐预测结果用于表征若向所述样本对象推荐所述样本资源，所述样本对象与所述样本资源的预测互动情况；
111、训练模块，用于基于所述推荐预测结果与所述样本标签，对所述资源推荐模型进行训练。
112、可选地，所述资源推荐模型包括特征提取子模型和推荐预测子模型；所述预测模块，用于：
113、通过所述特征提取子模型，对所述样本对象数据进行特征提取，得到样本对象特征；
114、通过所述特征提取子模型，对所述样本资源数据进行特征提取，得到样本资源特征；
115、通过所述特征提取子模型，对所述第二样本源域互动数据和所述样本目标域互动数据进行特征提取，得到样本源域互动特征和样本目标域互动特征；
116、通过所述推荐预测子模型，基于所述样本对象特征、所述样本资源特征、所述样本源域互动特征和所述样本目标域互动特征，确定所述推荐预测结果。
117、可选地，所述样本源域互动事项包括源域资源和所述源域资源的互动时间点，所述样本目标域互动事项包括目标域资源和所述目标域资源的互动时间点，所述样本源域互动特征包括每个样本源域互动事项中的源域资源的源域资源特征，所述样本目标域互动特征包括每个样本目标域互动事项中的目标域资源的目标域资源特征；所述装置还包括：
118、第一确定模块，用于对于所述第二样本源域互动数据中的任一源域资源，在所述样本目标域互动数据中确定第一目标域资源，将所述源域资源的源域资源特征和所述第一目标域资源的目标域资源特征确定为第一正样本对，所述第一目标域资源的互动时间点与所述源域资源的互动时间点最接近；
119、所述训练模块，用于：
120、基于所述推荐预测结果、所述样本标签、所述第一正样本对中的源域资源特征与目标域资源特征之间的相似度，对所述资源推荐模型进行训练。
121、可选地，所述装置还包括：
122、第二确定模块，用于对于所述第二样本源域互动数据中的任一源域资源，在除了所述样本对象之外的任意对象的样本目标域互动数据中确定第二目标域资源，将所述源域资源的源域资源特征和所述第二目标域资源的目标域资源特征确定为第一负样本对，所述第二目标域资源为所述任意对象的样本目标域互动数据中的任一目标域资源；
123、所述训练模块，用于：
124、基于所述推荐预测结果、所述样本标签、所述第一正样本对中的源域资源特征与目标域资源特征之间的相似度、所述第一负样本对中的源域资源特征与目标域资源特征之间的相似度，对所述资源推荐模型进行训练。
125、可选地，所述样本源域互动事项包括源域资源和所述源域资源所属的实体，所述样本目标域互动事项包括目标域资源和所述目标域资源所属的实体，所述样本源域互动特征包括每个样本源域互动事项中的源域资源的源域资源特征，所述样本目标域互动特征包括每个样本目标域互动事项中的目标域资源的目标域资源特征；所述装置还包括：
126、第三确定模块，用于对于所述第二样本源域互动数据中的任一源域资源，在所述样本目标域互动数据中确定第三目标域资源，将所述源域资源的源域资源特征和所述第三目标域资源的目标域资源特征确定为第二正样本对，所述第三目标域资源所属的实体与所述源域资源所属的实体相同；
127、所述训练模块，用于：
128、基于所述推荐预测结果、所述样本标签、所述第二正样本对中的源域资源特征与目标域资源特征之间的相似度，对所述资源推荐模型进行训练。
129、可选地，所述装置还包括：
130、第四确定模块，用于对于所述第二样本源域互动数据中的任一源域资源，确定第四目标域资源，将所述源域资源的源域资源特征和所述第四目标域资源的目标域资源特征确定为第二负样本对，所述第四目标域资源为与所述源域资源所属的实体不同的任一目标域资源；
131、所述训练模块，用于：
132、基于所述推荐预测结果、所述样本标签、所述第二正样本对中的源域资源特征与目标域资源特征之间的相似度、所述第二负样本对中的源域资源特征与目标域资源特征之间的相似度，对所述资源推荐模型进行训练。
133、可选地，所述特征提取子模型包括特征提取网络、特征融合网络和第一注意力网络，所述第一注意力网络包括第一映射矩阵；所述预测模块，用于：
134、通过所述特征提取网络，对所述第二样本源域互动数据进行特征提取，得到初始样本源域互动特征，对所述样本目标域互动数据进行特征提取，得到初始样本目标域互动特征；
135、通过所述特征融合网络，将所述初始样本源域互动特征和所述初始样本目标域互动特征进行融合，得到第一样本融合互动特征；
136、通过所述第一注意力网络，将所述第一样本融合互动特征与所述第一映射矩阵相乘，得到第一样本查询特征、第一样本键特征和第一样本值特征，将所述第一样本查询特征、所述第一样本键特征和所述第一样本值特征进行融合，得到第二样本融合互动特征；
137、基于所述第二样本融合互动特征，确定所述样本源域互动特征和所述样本目标域互动特征。
138、可选地，所述特征提取子模型还包括第二注意力网络，所述第二注意力网络包括第二映射矩阵；所述预测模块，用于：
139、在所述第二样本融合互动特征中拆分出中间样本源域互动特征；
140、通过所述第二注意力网络，将所述样本资源特征与所述第二映射矩阵相乘，得到第二样本查询特征，将所述中间样本源域互动特征与所述第二映射矩阵相乘，得到第二样本键特征和第二样本值特征；
141、通过所述第二注意力网络，将所述第二样本查询特征、所述第二样本键特征和所述第二样本值特征进行融合，得到所述样本源域互动特征。
142、可选地，所述特征提取子模型还包括第三注意力网络，所述第三注意力网络包括第三映射矩阵；所述预测模块，用于：
143、在所述第二样本融合互动特征中拆分出中间样本目标域互动特征；
144、通过所述第三注意力网络，将所述样本资源特征与所述第三映射矩阵相乘，得到第三样本查询特征，将所述中间样本目标域互动特征与所述第三映射矩阵相乘，得到第三样本键特征和第三样本值特征；
145、通过所述第三注意力网络，将所述第三样本查询特征、所述第三样本键特征和所述第三样本值特征进行融合，得到所述样本目标域互动特征。
146、可选地，所述筛选模块，用于：
147、确定多个目标实体，所述目标实体是指所述目标域的资源所属的实体，所述实体是指提供资源的对象；
148、对于所述第一样本源域互动数据中的任一样本源域互动事项，若所述样本源域互动事项中的资源所属的实体为任一所述目标实体，则确定所述样本源域互动事项与所述目标域关联。
149、可选地，所述筛选模块，用于：
150、确定多个目标实体，所述目标实体是指所述目标域的资源所属的实体，所述实体是指提供资源的对象；
151、对于所述第一样本源域互动数据中的任一样本源域互动事项，若所述样本源域互动事项中的资源所属的实体与任一所述目标实体之间的相似度大于相似度阈值，则确定所述样本源域互动事项与所述目标域关联。
152、可选地，所述筛选模块，用于：
153、获取每个所述目标实体的目标实体特征；
154、对所述样本源域互动事项中资源所属的实体进行特征提取，得到样本源域实体特征；
155、若所述样本源域实体特征与任一所述目标实体特征之间的相似度大于所述相似度阈值，则确定所述样本源域互动事项与所述目标域关联。
156、另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以实现如上述方面所述的资源推荐方法所执行的操作，或者实现如上述方面所述的资源推荐模型的训练方法所执行的操作。
157、另一方面，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中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以实现如上述方面所述的资源推荐方法所执行的操作，或者实现如上述方面所述的资源推荐模型的训练方法所执行的操作。
158、另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序由处理器加载并执行，以实现如上述方面所述的资源推荐方法所执行的操作，或者实现如上述方面所述的资源推荐模型的训练方法所执行的操作。
159、本技术实施例提供的方案，在确定是否为对象推荐目标域的目标资源时，需要参考该对象与其他资源的历史互动情况，来推断该对象对目标资源的互动倾向。因此，获取该对象在目标域的目标域互动数据，考虑到目标域互动数据可能存在数据量不足的情况，所以还额外获取该对象在源域的源域互动数据，并在源域互动数据中筛选出与目标域关联的部分，然后以目标域互动数据和筛选出的源域互动数据为参考，来预测若向该对象推荐目标资源，该对象与目标资源的互动情况。一方面，由于引入了源域互动数据，因此可以弥补目标域互动数据不足的缺陷，缓解了目标域互动数据稀疏造成的影响，另一方面，由于仅考虑与目标域关联的源域互动数据，摒弃了与目标域无关的源域互动数据，因此可以降低与目标域无关的源域互动数据对预测结果造成的干扰，从而整体提高了资源推荐的准确性。
1.一种资源推荐方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述在所述第一源域互动数据中，确定与所述目标域关联的至少一个源域互动事项，包括：
3.根据权利要求1所述的方法，其特征在于，所述在所述第一源域互动数据中，确定与所述目标域关联的至少一个源域互动事项，包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所述对象数据、所述资源数据、所述第二源域互动数据和所述目标域互动数据，确定所述目标资源的推荐预测结果，包括：
5.根据权利要求4所述的方法，其特征在于，所述对所述第二源域互动数据和所述目标域互动数据进行特征提取，得到源域互动特征和目标域互动特征，包括：
6.根据权利要求5所述的方法，其特征在于，所述基于所述第二融合互动特征，确定所述源域互动特征和所述目标域互动特征，包括：
7.根据权利要求5所述的方法，其特征在于，所述基于所述第二融合互动特征，确定所述源域互动特征和所述目标域互动特征，包括：
8.根据权利要求1-7任一项所述的方法，其特征在于，资源推荐模型包括特征提取子模型和推荐预测子模型，所述基于所述对象数据、所述资源数据、所述第二源域互动数据和所述目标域互动数据，确定所述目标资源的推荐预测结果，包括：
9.根据权利要求8所述的方法，其特征在于，所述特征提取子模型包括特征提取网络、特征融合网络和第一注意力网络，所述第一注意力网络包括第一映射矩阵；所述通过所述特征提取子模型，对所述第二源域互动数据和所述目标域互动数据进行特征提取，得到源域互动特征和目标域互动特征，包括：
10.一种资源推荐模型的训练方法，其特征在于，所述方法包括：
11.根据权利要求10所述的方法，其特征在于，所述资源推荐模型包括特征提取子模型和推荐预测子模型；所述通过资源推荐模型，基于所述样本对象数据、所述样本资源数据、所述第二样本源域互动数据和所述目标域样本互动数据，确定所述样本资源的推荐预测结果，包括：
12.根据权利要求11所述的方法，其特征在于，所述样本源域互动事项包括源域资源和所述源域资源的互动时间点，所述样本目标域互动事项包括目标域资源和所述目标域资源的互动时间点，所述样本源域互动特征包括每个样本源域互动事项中的源域资源的源域资源特征，所述样本目标域互动特征包括每个样本目标域互动事项中的目标域资源的目标域资源特征；所述方法还包括：
13.根据权利要求12所述的方法，其特征在于，所述方法还包括：
14.根据权利要求11所述的方法，其特征在于，所述样本源域互动事项包括源域资源和所述源域资源所属的实体，所述样本目标域互动事项包括目标域资源和所述目标域资源所属的实体，所述样本源域互动特征包括每个样本源域互动事项中的源域资源的源域资源特征，所述样本目标域互动特征包括每个样本目标域互动事项中的目标域资源的目标域资源特征；所述方法还包括：
15.根据权利要求14所述的方法，其特征在于，所述方法还包括：
16.一种资源推荐装置，其特征在于，所述装置包括：
17.一种资源推荐模型的训练装置，其特征在于，所述装置包括：
18.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以实现如权利要求1至9任一项所述的资源推荐方法所执行的操作，或者实现如权利要求10至15任一项所述的资源推荐模型的训练方法所执行的操作。
19.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以实现如权利要求1至9任一项所述的资源推荐方法所执行的操作，或者实现如权利要求10至15任一项所述的资源推荐模型的训练方法所执行的操作。
20.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序由处理器加载并执行，以实现如权利要求1至9任一项所述的资源推荐方法所执行的操作，或者实现如权利要求10至15任一项所述的资源推荐模型的训练方法所执行的操作。
