资源推荐的方法和装置、电子设备和存储介质与流程

1.本技术涉及数据生成领域，尤其涉及一种资源推荐的方法和装置、电子设备和存储介质。


背景技术：

2.目前，在保险领域，针对保险产品参数进行内容比对的过程中，相关技术仅仅满足了用户对于保险产品的具体参数的对比，仍然需要用户一对一地对参数进行比较，且没有将保险最核心的参数进行可视化表示，不利于用户直观的筛选保险产品。
3.另外相关技术方案只是将保险的参数进行表格排列，仅有对比，不能根据用户的数据、标签、需求等按照算法模型为用户智能推荐对比的保险产品和相应的智能推荐话术。
4.因此，相关技术中存在保险产品对比应用场景中，不能准确地根据用户特征或需求生成最符合条件的保险产品和对应的推荐话术，降低了投保成功率的问题。


技术实现要素：

5.本技术提供了一种资源推荐的方法和装置、电子设备和存储介质，以至少解决相关技术中存在不能准确地根据用户特征或需求生成最符合条件的保险产品和对应的推荐话术，降低了投保成功率的问题。
6.根据本技术实施例的一个方面，提供了一种资源推荐的方法，该方法包括：获取目标用户的用户特征数据，其中，用户特征数据包括目标用户的属性数据、操作记录数据以及选取的标签数据，标签数据为属性数据和产品特征中的部分数据；根据用户特征数据，从虚拟对象存储池中获取多个待推荐的虚拟对象以及虚拟对象的对象特征数据，其中，对象特征数据用于表征虚拟对象的产品画像，多个待推荐的虚拟对象包括目标用户预先选定的用于对比操作的虚拟对象；根据用户特征数据和对象特征数据，从多个待推荐的虚拟对象中确定出目标虚拟对象；根据目标虚拟对象确定推荐目标虚拟对象的个性化语句；将个性化语句作为资源推荐信息发送至目标用户的终端帐号。
7.根据本技术实施例的另一个方面，还提供了一种资源推荐的装置，该装置包括：第一获取单元，用于获取目标用户的用户特征数据，其中，用户特征数据包括目标用户的属性数据、操作记录数据以及选取的标签数据，标签数据为属性数据和产品特征中的部分数据；第二获取单元，用于根据用户特征数据，从虚拟对象存储池中获取多个待推荐的虚拟对象以及虚拟对象的对象特征数据，其中，对象特征数据用于表征虚拟对象的产品画像，多个待推荐的虚拟对象包括目标用户预先选定的用于对比操作的虚拟对象；第一确定单元，用于根据用户特征数据和对象特征数据，从多个待推荐的虚拟对象中确定出目标虚拟对象；第二确定单元，用于根据目标虚拟对象确定推荐目标虚拟对象的个性化语句；第一发送单元，用于将个性化语句作为资源推荐信息发送至目标用户的终端帐号。
8.根据本技术实施例的又一个方面，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、通信接口和存储器通过通信总线完成相互间的通信；
其中，存储器，用于存储计算机程序；处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行上述任一实施例中的方法步骤。
9.根据本技术实施例的又一个方面，还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一实施例中的方法步骤。
10.根据本技术实施例的又一个方面，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中；计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一实施例中的方法步骤。
11.在本技术实施例中，通过获取目标用户的用户特征数据，其中，用户特征数据包括目标用户的属性数据、操作记录数据以及选取的标签数据，标签数据为属性数据和产品特征中的部分数据；根据用户特征数据，从虚拟对象存储池中获取多个待推荐的虚拟对象以及虚拟对象的对象特征数据，其中，对象特征数据用于表征虚拟对象的产品画像，多个待推荐的虚拟对象包括目标用户预先选定的用于对比操作的虚拟对象；根据用户特征数据和对象特征数据，从多个待推荐的虚拟对象中确定出目标虚拟对象；根据目标虚拟对象确定推荐目标虚拟对象的个性化语句；将个性化语句作为资源推荐信息发送至目标用户的终端帐号。由于本技术实施例全程自动化地获取到目标用户的用户特征数据和用户选取的虚拟对象的对象特征数据，得到目标虚拟对象，这样做到了结合用户特征或需求生成最符合条件的保险产品，同时将该目标虚拟对象的推荐个性化语句发送到了用户，能帮助用户在进行产品对比参数看不懂的情况下，既推荐了合适的虚拟对象又可以让用户看到推荐目标虚拟对象的理由，从而可以实现提高投保成功转化率的目的，进而解决了相关技术中存在的不能准确地根据用户特征或需求生成最符合条件的保险产品和对应的推荐话术，降低了投保成功率的问题。
附图说明
12.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
13.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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
14.图1是根据本发明实施例的一种可选的资源推荐的方法的硬件环境的示意图；
15.图2是根据本技术实施例的一种可选的资源推荐的方法的流程示意图；
16.图3是根据本技术实施例的一种可选的资源推荐的方法的整体流程示意图；
17.图4是根据本技术实施例的一种可选的个性化对比语句生成网络的流程示意图；
18.图5是根据本技术实施例的一种可选的推荐语句整体界面示意图；
19.图6是根据本技术实施例的一种可选的推荐语句界面示意图；
20.图7是根据本技术实施例的另一种可选的推荐语句界面示意图；
21.图8是根据本技术实施例的一种可选的对比雷达图维度示意图；
22.图9是根据本技术实施例的一种可选的资源推荐的装置的结构框图；
23.图10是根据本技术实施例的一种可选的电子设备的结构框图。
具体实施方式
24.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
25.需要说明的是，本技术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，以便这里描述的本技术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。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
26.根据本技术实施例的一个方面，提供了一种资源推荐的方法。可选地，在本实施例中，上述资源推荐的方法可以应用于如图1所示的硬件环境中。如图1所示，终端102中可以包含有存储器104、处理器106和显示器108(可选部件)。终端102可以通过网络110与服务器112进行通信连接，该服务器112可用于为终端或终端上安装的客户端提供服务(如应用服务等)，可在服务器112上或独立于服务器112设置数据库114，用于为服务器112提供数据存储服务。此外，服务器112中可以运行有处理引擎116，该处理引擎116可以用于执行由服务器112所执行的步骤。
27.可选地，终端102可以但不限于为可以计算数据的终端，如移动终端(例如手机、平板电脑)、笔记本电脑、pc(personal computer，个人计算机)机等终端上，上述网络可以包括但不限于无线网络或有线网络。其中，该无线网络包括：蓝牙、wifi(wireless fidelity，无线保真)及其他实现无线通信的网络。上述有线网络可以包括但不限于：广域网、城域网、局域网。上述服务器112可以包括但不限于任何可以进行计算的硬件设备。
28.此外，在本实施例中，上述资源推荐的方法还可以但不限于应用于处理能力较强大的独立的处理设备中，而无需进行数据交互。例如，该处理设备可以但不限于为处理能力较强大的终端设备，即，上述资源推荐的方法中的各个操作可以集成在一个独立的处理设备中。上述仅是一种示例，本实施例中对此不作任何限定。
29.可选地，在本实施例中，上述资源推荐的方法可以由服务器112来执行，也可以由终端102来执行，还可以是由服务器112和终端102共同执行。其中，终端102执行本技术实施例的资源推荐的方法也可以是由安装在其上的客户端来执行。
30.本技术实施例可以应用于金融领域，更具体地，可以应用于保险产品的资源推荐领域，接下来以保险产品资源推荐作为应用场景，以运行在服务器为例展开资源推荐的方法的过程阐述，如图2所示，图2是根据本技术实施例的一种可选的资源推荐的方法的流程示意图，该方法的流程可以包括以下步骤：
31.步骤s201，获取目标用户的用户特征数据，其中，用户特征数据包括目标用户的属
性数据、操作记录数据以及选取的标签数据，标签数据为属性数据和产品特征中的部分数据。
32.可选地，本技术实施例以某一用户，比如目标用户张三作为推荐保险产品的对象，获取到目标用户(张三自己)的一些用户特征数据，比如目标用户的属性数据：保单数量、年龄、职业、性别等，用户的操作记录数据，包括浏览记录和勾选的保险产品选项等，比如用户浏览/对比/搜索等数据。标签数据是指用户在显示页面选取的多维度标签中的至少一种，如自身特征维度、投保对象维度、产品维度等。例如，张三选取的一些产品标签数据，可以是用户自己筛选的对保险产品的要求维度数据，比如性价比，保额高等。
33.当然，标签数据也可以包含投保对象，投保对象包括张三的子女、父母等，这时候就可以根据张三选取的投保人的一些标签数据(比如投保人的特征，对保险的要求等)，进行后续的资源推荐操作等。
34.在一示例中，在获取目标用户的用户特征数据之前，还包括：
35.获取用户基于显示页面显示的产品的选定操作，响应选定操作，以对选定的产品的产品信息根据预设划分维度进行关键信息提取；选定的产品至少为两个，且选定的产品同属于一个类别。可选地，当用户选定第一个用于对比操作的虚拟对象时，服务器确定该虚拟对象的类别，获取该类别下的其他虚拟对象并在显示页面进行显示，以便客户快速根据显示的同一类别下的其他虚拟对象选取第二虚拟对象，且至少两个产品是可以进行对比的。可以理解地，确定同一类别下的其他虚拟对象时，其他虚拟对象包括本平台提供虚拟服务，还可包含其他平台提供虚拟服务。以应用于金融保险领域为例进行说明，选定的第一个虚拟对象为医疗类的具体产品“xx百万医疗”，那么选定的第二虚拟对象应该为医疗类的具体产品，如“xxx长期医疗”，第二虚拟对象是指除第一个虚拟对象以外的一个或多个虚拟对象，且提供虚拟对象的虚拟服务可以是本平台提供的也可以是其他平台提供的。
36.基于各选定的产品的预设划分维度的关键信息形成对比信息，将对比信息在显示页面进行展示。其中，对比信息可通过表格等样式进行展示，并可锁定表格头，并将选定产品的关键信息通过滑动等操作显示，其选定的产品作为后续的待推荐的虚拟对象。
37.步骤s202，根据用户特征数据，从虚拟对象存储池中获取多个待推荐的虚拟对象以及虚拟对象的对象特征数据，其中，对象特征数据用于表征虚拟对象的产品画像，多个待推荐的虚拟对象包括目标用户预先选定的用于对比操作的虚拟对象。
38.可选地，服务器会根据目标用户的行为操作得到从虚拟对象存储池中勾选的多个待推荐虚拟对象，可以理解的是这些待推荐虚拟对象都是向目标用户发送的待推荐的候选对象，可以是目标用户预先选定的用于对比操作的虚拟对象，每个待推荐虚拟对象都有自身的对象特征数据，这些对象特征数据用于表征出虚拟对象的产品画像，比如产品类型、价格、保险标签等。可以理解的是，上述的虚拟对象就是保险产品。
39.步骤s203，根据用户特征数据和对象特征数据，从多个待推荐的虚拟对象中确定出目标虚拟对象。
40.可选地，本技术实施例服务器将根据获取的用户特征数据和多个待推荐虚拟对象所对应的对象特征数据进行计算，从多个待推荐的虚拟对象中选取出目标虚拟对象，将该目标虚拟对象作为最终的保险产品推荐对象，其中，该目标虚拟对象也是最符合用户特征数据的保险产品。
41.步骤s204，根据目标虚拟对象确定推荐目标虚拟对象的个性化语句。
42.可选地，在本技术实施例中除了向目标用户发送最佳的保险产品(即目标虚拟对象)之外，还需要向目标用户发送推荐该目标虚拟对象的介绍语句，这里主要是依据目标虚拟对象得到推荐目标虚拟对象的个性化语句，该个性化语句是围绕目标虚拟对象展开的，重点描述目标虚拟对象相比其他待推荐的虚拟对象的优点优势等。
43.需要说明的是，在本技术实施例中，生成的个性化语句除了是针对虚拟对象得到的语句之外，还可以包含对一些保额，保费等的描述性语句。
44.步骤s205，将个性化语句作为资源推荐信息发送至目标用户的终端帐号。
45.可选地，在本技术实施例中，为了让目标用户看到推荐目标虚拟对象的理由，同时让目标用户了解到目标虚拟对象具备的优势，服务器会将得到的个性化语句作为资源推荐信息发送至目标用户的终端设备帐号上，便于目标用户随时查看。
46.另外，还可以以链接内嵌的方式将个性化语句对应的产品嵌入某一链接内，将该内嵌链接发送至终端，这样目标用户可以点击该内嵌链接，产品详情页面。
47.在本技术实施例中，通过获取目标用户的用户特征数据，其中，用户特征数据包括目标用户的属性数据、操作记录数据以及选取的标签数据，标签数据为属性数据和产品特征中的部分数据；根据用户特征数据，从虚拟对象存储池中获取多个待推荐的虚拟对象以及虚拟对象的对象特征数据，其中，对象特征数据用于表征虚拟对象的产品画像，多个待推荐的虚拟对象包括目标用户预先选定的用于对比操作的虚拟对象；根据用户特征数据和对象特征数据，从多个待推荐的虚拟对象中确定出目标虚拟对象；根据目标虚拟对象确定推荐目标虚拟对象的个性化语句；将个性化语句作为资源推荐信息发送至目标用户的终端帐号。由于本技术实施例全程自动化地获取到目标用户的用户特征数据和用户选取的虚拟对象的对象特征数据，得到目标虚拟对象，这样做到了结合用户特征或需求生成最符合条件的保险产品，同时将该目标虚拟对象的推荐个性化语句发送到了用户，能帮助用户在进行产品对比参数看不懂的情况下，既推荐了合适的虚拟对象又可以让用户看到推荐目标虚拟对象的理由，从而可以实现提高投保成功转化率的目的，进而解决了相关技术中存在的不能准确地根据用户特征或需求生成最符合条件的保险产品和对应的推荐话术，降低了投保成功率的问题，另外，用户特征数据包含用户选取的标签数据，使得推荐给用户的目标虚拟对象以及目标虚拟对象对应的个性化语句更加准确。
48.作为一种可选实施例，根据用户特征数据和对象特征数据，从多个待推荐的虚拟对象中确定出目标虚拟对象包括：
49.利用目标方案对用户特征数据进行数据处理，得到第一数据，利用目标方案对对象特征数据进行数据处理，得到第二数据，其中，目标方案用于将用户特征数据或对象特征数据处理为多热特征；
50.根据第一数据、第二数据以及第一目标网络，得到多个虚拟对象的推荐概率值，其中，第一目标网络用于得出每个虚拟对象的推荐概率值；
51.根据推荐概率值，确定目标虚拟对象，其中，目标虚拟对象的推荐概率值为最大值。
52.可选地，如图3所示，图中包含了两个数据处理网络，分别是产品推荐网络和个性化语句生成网络，在本技术实施例主要阐述的是如何得到目标虚拟对象的，所以将图3中的
产品推荐网络称为第一目标网络。
53.首先利用目标方案，比如离散化处理方案对用户特征数据和对象特征数据进行处理，分别得到第一数据和第二数据，这里的第一数据和第二数据为经过目标方案处理后得到的多热特征，然后第一数据和第二数据输入第一目标网络中，在第一目标网络中，上述第一数据和第二数据会送入嵌入层压缩为稠密向量，计算公式如下：
54.x＝emb(x),mi＝emb(mi)
55.其中，x表示用户特征，mi表示第i个待推荐产品(这里的产品即为图3中的sku)。
56.计算完成后，两个向量会拼接为一个长向量，然后送入多层感知器网络(mlp)进行计算，输出每个备选sku的选择概率，即：p(skui|x)＝mlp
sku
([x；mi])。对于所有备选sku，选择概率值最高的作为最终输出sku。
[0057]
可以理解的是，推荐概率值的数值越大则说明被作为推荐对象的可能性越大，这时，从中选取出数值最大的概率值，将其对应的虚拟对象作为目标虚拟对象。另外，如果概率值最大的虚拟对象的数量大于一个时，则根据这些虚拟对象在保险平台的热度进行推荐，或者是根据目标权重进行推荐，最终生成一个目标虚拟对象发给目标用户，供目标用户参考。
[0058]
在本技术实施例中，通过利用目标方案对用户特征数据和每个待推荐的虚拟对象的对象特征数据进行处理，进而得到推荐概率值最大的目标虚拟对象，作为最终的推荐资源，这样得到的目标虚拟对象充分考虑了目标用户的特征，同时比较了多个待推荐的虚拟对象的对象特征，从而得到最符合目标用户需求的目标保险产品。
[0059]
作为一种可选实施例，对象特征数据包括虚拟对象的属性数据和被访问的统计类数据，利用目标方案对用户特征数据进行数据处理，得到第一数据，利用目标方案对对象特征数据进行数据处理，得到第二数据包括：
[0060]
对用户特征数据的属性数据和虚拟对象的属性数据按照第一预设方案进行处理，分别得到第三数据和第四数据，其中，第一预设方案用于对用户特征数据的属性数据和虚拟对象的属性数据进行第一预设范围内的离散化处理；
[0061]
对操作记录数据和被访问的统计类数据按照第二预设方案进行处理，分别得到第五数据和第六数据，其中，第二预设方案用于对操作记录数据和被访问的统计类数据进行第二预设范围内的离散化等频分桶处理；
[0062]
将第三数据和第五数据进行合并，得到第一数据，将第四数据和第六数据进行合并，得到第二数据。
[0063]
可选地，本技术实施例对上述的目标方案的数据处理过程做了更细致的阐述，具体为：在用户特征数据中，通常包含目标用户的属性数据、操作记录数据以及选取的标签数据等；在对象特征数据中，通常包含虚拟对象的属性数据和被访问的统计类数据。
[0064]
其中，目标用户的属性数据可以是性别，年龄，常驻省份，当前手机号归属地等；操作记录数据可以是目标用户的行为浏览偏好，如用户近一周的产品浏览历史，在平台内近一周的产品购买历史等；目标用户的选取的标签数据可以是目标用户选取的比较关心的一些保险产品的性能标签，如性价比高、保额高、保障范围全等；虚拟对象的属性数据可以是产品的一些属性，比如类型、价格等；被访问的统计类数据可以是产品的具备统计类的特征，如最近一周的点击次数，最近一周的点击率等。
[0065]
由上述可知，目标用户的属性数据、选取的标签数据以及虚拟对象的属性数据都是些属性类特征，这时对这些属性类特征直接按照第一预设方案，如离散化分桶计算进行数据处理，比如以性别特征举例，由于只有男女两个值，那么分桶就包含了两段，这时用一个二维向量表示，则[0，1]表示男，[1，0]表示女。需要说明的是，第一预设方案对应的数据处理范围为第一预设范围，该第一预设范围通常是一个穷举的范围，也即将当前属性数据涉及到的所有范围都作为分桶的分段依据。
[0066]
对于数值型连续特征，如每一个产品的浏览次数，近一周的某一产品的被点击次数等，即目标用户的操作记录数据和虚拟对象的被访问的统计类数据，需要利用第二预设方案对应的离散化等频分桶的方式进行数据处理，由于目标用户的操作记录数据和虚拟对象的被访问的统计类数据都是数值型连续的特性，所以本技术实施例以第二预设范围作为第二预设方案对应的数据处理范围，该第二预设范围不同于第一预设范围，其通常会是一个已经缩小后的范围，然后对缩小后的范围进行等频分桶，比如获取到目标用户的操作记录数据中的浏览次数为5次，此时离散化分桶时，将预设的浏览次数范围1-100次先进行范围缩小，得到第二预设范围为1-10，然后对1-10进行等频分桶，若以2为单位分频，则可以得到5段子范围，分别是1-2，3-4，5-6，7-8，9-10，此时浏览次数5次位于第3段，这时采用一个长度为5的向量来记录此特征，并将向量中第3个数值设置为1，其余为0，那么对应的二维向量为[0，0，1，0，0]。
[0067]
然后将属于目标用户的用户特征的第三数据和第五数据进行合并，得到第一数据，将属于虚拟对象的对象特征的第四数据和第六数据进行合并，得到第二数据。其中，在本技术实施例中，由于上述第三数据、第四数据、第五数据以及第六数据都是二维向量，所以得到的第一数据和第二数据也将是二维向量，这时可以将该第一数据和第二数据均作为多热特征，输入第一目标网络。
[0068]
在本技术实施例中，按照特征的实际属性分别利用第一预设方案和第二预设方案进行数据的处理，达到精确获取的目的。
[0069]
作为一种可选实施例，根据目标虚拟对象确定推荐目标虚拟对象的个性化语句包括：
[0070]
获取目标虚拟对象对应的目标对象特征数据；
[0071]
利用嵌入层网络获取用户特征数据的用户特征嵌入向量、目标对象特征数据的目标对象特征嵌入向量以及参考对象特征数据的参考对象特征嵌入向量，其中，参考对象为多个待推荐的虚拟对象中除了目标虚拟对象之外的其他虚拟对象；
[0072]
根据用户特征嵌入向量、目标对象特征嵌入向量、参考对象特征嵌入向量以及第二目标网络，输出初始关注特征向量，其中，第二目标网络用于得出与目标用户初始关注相关的向量信息；
[0073]
将初始关注特征向量输入全连接层，从候选特征中确定出目标特征，其中，候选特征为目标用户的兴趣度大于兴趣度阈值的特征，候选特征的个数为至少一个；
[0074]
获取与目标特征相匹配的目标模板，将目标虚拟对象的目标特征对应的特征值填充至目标模板，得到个性化语句。
[0075]
可选地，参见图3，在图3中可以得出，为了得到个性化语句，本技术实施例是将得到的目标虚拟对象对应的目标对象特征数据、用户特征数据以及参考对象特征数据输入第
二目标网络，输出个性化语句，其中，第二目标网络即为图3中的个性化对比语句生成网络中最关键的网络部分。
[0076]
其中，图3中的个性化对比语句生成网络具体流程可参见图4，图4中是将用户特征数据、目标对象特征数据以及参考对象特征数据输入嵌入层，分别得到用户特征嵌入向量、目标对象特征嵌入向量以及参考对象特征嵌入向量，在这里可以用x，m和n分别表示他们的原始向量，那么嵌入层的操作可以表示为：
[0077]
x＝emb2(x),m＝emb2(mi),nj＝emb2(nj)
[0078]
其中，emb2表示此网络的嵌入层。
[0079]
如图4，在经过嵌入层以后，目标对象特征嵌入向量m和参考对象特征嵌入向量nj会进一步进行组合：依据目标对象特征嵌入向量和参考对象特征嵌入向量，均输入拼接层，进行向量拼接，得到拼接向量，再将拼接向量输入神经网络层进行特征交叉处理，如图4中的交叉层处理，这一步是通过函数操作来根据目标对象特征嵌入向量m，来提取参考对象特征嵌入nj中的有效信息，其中，拼接层和交叉层的操作具体如下：
[0080]
output
cross
＝mlp
cross
(concat(m,nj))
[0081]
其中concat表示拼接操作，mlp
cross
表示交叉层的多层神经网络，output表示交叉层的输出。
[0082]
得到交叉层的输出的有效信息之后，本技术实施例会利用一个独立的注意力单元将目标用户初始关注的原始向量信息与有效信息进行结合，以得到更能满足目标用户个人爱好和关注产品标签的特征信息。这时，将用户特征嵌入向量和有效信息输入注意力单元，得到初始关注特征向量，其中，有效信息为生成个性化语句的部分信息，该有效信息也是属于参考对象特征嵌入向量和目标对象特征嵌入向量内的高维特征向量，具体操作如下：
[0083]
att＝ω*output
cross
[0084][0085]
ω＝[ω1,ω2,...,ωc]
[0086]
其中ω是每一维度对应的权重，w表示注意力矩阵，i表示第i维向量，c表示ouput的总维度。由上述可知，本技术实施例的第二目标网络包含图4中的三个部分：拼接层、交叉层以及注意力单元。
[0087]
在得到初始关注特征向量以后，将其送入最后的多层神经网络(即全连接层)中，并连接softmax函数，输出最后的预测结果，即从候选特征中确定出目标特征，该目标特征为候选特征中目标用户兴趣度最高的特征，候选特征为后台预先存储的与虚拟对象相关的，且都是目标用户比较感兴趣的一些特征(可以利用兴趣度阈值去从后台选取多个候选特征，比如兴趣度大于兴趣度阈值的特征选作候选特征。同时，这里的兴趣度阈值是预设的数值，可以是80％，90％等)具体公式如下：
[0088][0089]
其中，fk表示第k个对象特征，j表示第j个待对比虚拟对象，n表示待对比虚拟对象的多热特征。p表示目标用户关心虚拟对象特征fk的概率，概率越高则表示目标用户越关心这个特征。
[0090]
在计算完成后，可对所有特征f按照p的大小进行排序，然后根据兴趣度阈值取前q个特征作为候选特征，其中q为自定义数值，比如比较前5个特征。预测函数softmax的输出是一个预测向量，向量长度表示的是目标用户关心的产品特征。这些产品特征也可以包含目标用户选取保险产品的标签。
[0091]
根据候选特征确定目标特征，从模板库中找到与每一目标特征相匹配的目标模板，然后将该目标模板作为生成个性化语句的套用模板，同时将目标特征对应的特征值填充至目标模板，得到本次的最终个性化对比语句，比如对于保费这个特征，假设目标产品和待对比产品的目标特征分别50万和30万，那么可能生成的子句为：目标产品x保费50万，高于对比产品y的30万。
[0092]
在一示例中，根据候选特征确定目标特征包括，随机从候选特征中确定目标特征，或者，根据兴趣度大小确定目标特征，或者，当页面再次展示(如刷新，相同条件下推荐)时，目标特征为除之前已展示的之外的其他候选特征，目标特征的数量小于或等于候选特征的数量，获取每一目标特征的目标模板，将目标特征对应的特征值填充至目标模板，得到个性化语句集群，并对个性化语句集群进行展示。
[0093]
在本技术实施例中，通过个性化对比语句生成网络得到的个性化语句，其既包含描述待推荐对象、目标对象的产品语句，又包含目标用户的用户特征的个性化语句，这样更能让目标用户清晰地看到目标虚拟对象的优势，进而解决了目标用户在对比产品的过程中不能准确定位产品的缺陷。作为一种可选实施例，在将个性化语句作为资源推荐信息发送至目标用户的终端帐号之后，方法还包括：
[0094]
根据用户特征数据生成推荐目标虚拟对象的固定语句；
[0095]
将固定语句和个性化语句合并，将合并后的语句作为资源推荐信息发送至目标用户的终端帐号。
[0096]
可选地，在本技术实施例中，除了生成关于目标虚拟对象的个性化语句之外，还会生成一些固定语句，这些固定语句通常是由目标用户的用户特征数据生成的。可参见图5，图5中包含了固定话术和个性话术，其中固定话术就是固定语句，个性话术就是个性化语句。
[0097]
将固定语句和个性话语句作为发送整体进行合并，将合并后的语句发送至目标用户的终端帐号，然后作为一个整体共同展示到一个页面上，如图5。
[0098]
在本技术实施例中，根据目标用户的用户特征生成的固定语句也作为推荐资源，与个性化语句共同发送至目标用户，这样可以便于目标用户查看自己的自身保险保障情况和需要购买的保险产品以及比较出的最优的保险产品，整个显示页面一目了然，提高了用户的用户体验。
[0099]
作为一种可选实施例，根据用户特征数据生成推荐目标虚拟对象的固定语句包括：
[0100]
获取多个虚拟对象的属性维度信息；
[0101]
将属性维度信息进行数值信息化处理，生成属于每个属性维度信息的评分值；
[0102]
利用评分值生成对应的虚拟对象的多维度评分图；
[0103]
对多个多维度评分图进行比较，得到固定语句。
[0104]
可选地，在本技术实施例中，获取到多个虚拟对象中的每个虚拟对象的属性维度
信息，其中，该属性维度信息包括保障额度、保障范围、产品价格、公司实力和健康要求等。进一步的将属性信息进行数值信息化处理生成属性信息对应的标准评分，根据标准评分生成目标业务数据的多维度评分图。请参见图8，下面对保险产品的数值信息化处理进行说明，其中，多维度评分图采用五维标准分，根据保险产品的产品详情、健康告知、保障条款、出品公司等信息，对所有保险产品提炼出保障额度、保障范围、产品价格、公司实力和健康要求五个核心评估维度。保障额度与产品价格是固定字段，并且本身为数值类型，无需进行额外处理。保障范围与健康告知为文本信息，分别从文本中识别保障名称与疾病名称，根据识别出的名称进行积分，每个名称有对应的分数，识别到则加分，识别出的名称越多，分数则越高，最后根据名称加权生成总得分。公司实力是一个抽象的概念，按照公司的gmv、保费规模、员工规模等数值信息加权为一个总分数。根据上述计算的五个维度的分数，分别在全量集合上计算均值和方差，根据均值和方差使用标准分方法，将五维分数标准化到0～100的分数区间内，即可得到五维标准分。
[0105]
然后基于得到的五维标准分生成的多维度评分图，将评分较高的属性维度作为生成固定语句的主要参数，得到固定语句。如图5中的标题“目前(自己)现有保单数量”对应的保单语句就是固定语句，
[0106]
另外，在当前的目标用户为新用户，在保险平台数据库内不存在目标用户的属性数据和操作记录数据的情况下，可以仅根据目标用户当前选取的虚拟对象的标签数据，即可得到固定语句，参见图6和图7，图6是目标用户为老用户，数据库中存在目标用户的属性数据和操作记录数据时，根据目标用户的属性数据、操作记录数据和选取的标签数据共同得到的话术页面，图7是目标用户为新用户，数据库中不存在目标用户的属性数据和操作记录数据时，根据目标用户选取的标签数据所得到的话术页面。
[0107]
在本技术实施例中，通过比较多个虚拟对象的属性维度信息生成的维度分数，进而得到固定语句，这样根据实际情况生成对应的固定语句，增加了整个语句灵活性和丰满度。
[0108]
作为一种可选实施例，每个标签数据设置有对应的初始权重，根据用户特征数据和对象特征数据，从多个待推荐的虚拟对象中确定出目标虚拟对象包括：
[0109]
根据用户特征数据，确定出目标用户选取的目标标签数据，其中，每个目标标签数据都具备初始权重；
[0110]
按照权重调整方案对初始权重进行数值调整，得到目标权重；
[0111]
根据对象特征数据和目标权重，从多个待推荐的虚拟对象中选出目标虚拟对象。
[0112]
可选地，在本技术实施例中，确定出目标虚拟对象可以是服务器根据目标用户选中的一些标签数据进行排布选取的，具体地，服务器会事先对每个标签数据设置一个初始权重，然后如果目标用户选中了某一个标签后，会再根据权重调整方案对所有的初始权重进行数值的重新调整，比如，目标用户选取的标签数据是“性价比”，若其初始权重是2，那利用权重调整方案(选中的标签对应的初始权重乘以3)后，其对应的初始权重变为目标权重6。然后，可以从多个待推荐的虚拟对象的对象特征中找到性价比较高的产品对象，作为目标虚拟对象，作为一种实施例，通过第一目标网络得到各待推荐的虚拟对象的推荐概率值，对各待推荐的虚拟对象进行排序，并结合目标权重以及推荐概率值对排序后的各待推荐的虚拟对象进行调整，即从多个待推荐的虚拟对象的对象特征中确定性价比较高且结合了概
率推荐值的产品对象，进而确定出目标虚拟对象。
[0113]
在本技术实施例中，利用权重调整方案调整目标用户选取的目标标签数据，使得得到的目标虚拟对象更能满足目标用户的真实需求。
[0114]
作为一种可选实施例，根据用户特征数据和对象特征数据，从多个待推荐的虚拟对象中确定出目标虚拟对象包括：
[0115]
在标签数据中包含推荐目标虚拟对象的用户标识的情况下，根据用户标识，确定推荐目标虚拟对象的需求对象，其中，用户标识用于表征用户需求群体；根据需求对象、需求对象对应的用户特征数据和对象特征数据，从多个待推荐的虚拟对象中选取出目标虚拟对象；
[0116]
或者，
[0117]
在标签数据中未包含推荐目标虚拟对象的用户标识的情况下，根据多个待推荐的虚拟对象，确定出当前推荐目标虚拟对象的用户标识；根据用户标识，再从多个待推荐的虚拟对象中确定出目标虚拟对象。
[0118]
可选地，在本技术实施例中，如果标签数据中包含了目标用户想要投保的投保对象(比如父母、子女、自己)，也即是包含用户标识后，即可确定本次推荐目标虚拟对象的需求对象，然后根据当前的投保需求对象、需求对象对应的一些用户特征数据以及多个虚拟对象的对象特征数据，再从多个待推荐的虚拟对象中选取出目标虚拟对象。
[0119]
或者，如果标签数据中未包含目标用户想要投保的投保对象，即不包含用户标识时，这时可以根据多个待推荐的虚拟对象(比如中老年癌症医疗险、高端防癌险等)，确定出投保群体(可能是父母)，进而再从多个待推荐的虚拟对象中选取满足该群体的最终目标虚拟对象。
[0120]
在本技术实施例中，可以根据标签数据中包含用户标识的实际情况，采取不同方案获取目标虚拟对象，提高选取的目标虚拟对象准确性。
[0121]
基于上述各实施例，本技术实施例提供固定语句的语言和推荐模型逻辑：
[0122]
根据用户特征数据，按照语言1保单固定语句：用户当下的保障状态特征文案，语言2风险固定语句：用户当下的风险文案，语言3补充保障固定语句：用户当下的保障需求文案，生成文案阐述；
[0123]
语言2风险固定语句和语言3补充保障固定语句文案是从不同险种的缺口语言库生成用户当下的风险缺口以及保障需求，并结合用户筛选的对保险产品的要求标签中对比产品的相关参数数据，生成语句：
[0124]
比如从(保险要求标签点一)来看，保险产品a》或者《＝保险产品b，并结合用户风险和对比的保险产品生成文案。
[0125]
最后根据用户筛选的标签点和用户特征数据，为用户推荐产品，并生成个性话术。
[0126]
推荐模型逻辑：(结合3部分数据)
[0127]
第一部分：将选取的标签数据作为一部分参数进行推荐，如：标签1:a》b，标签2：a》b，标签3：a《b，整体a》b，第一部分推荐产品a)；
[0128]
第二部分，根据产品对比雷达图的n个维度的总分进行判断，(如：总分a产品超过b产品，则第二部分推荐a产品)；如图8。
[0129]
第三部分，结合用户的画像特征和保单数量，判断购买所对比的多款产品对用户
的保障完善度系数各自是多少，保障完善度系数最高的一款产品在此部分分数最高。
[0130]
(根据这3部分数据结合推荐模型可判断出哪一款产品最适合用户，若算出两个产品均合适，则借助产品的在保险平台的热度进行推荐)。
[0131]
本技术实施例提供个性化语句的语言：
[0132]
1.根据第一部分逻辑，从不同要求标签，结合产品参数，生成参数对比语句(例如：从性价比分析，在保障内容基本不变的情况下，a产品的价格要远超b产品，对你而言，短期内购买b产品更合适)
[0133]
2.结合第二部分逻辑，生成：由于在标签a、b、c、d中x产品要好过y产品，推荐你购买x产品。帮助用户掌握最应该买哪个产品，以及相关原因。
[0134]
3.结合用户角色特征生成：为你推荐购买x产品，推荐保额为m万，并生成个性化语句原因。(此处金额主要依据用户角色生成推荐保额，多个保额适用的情况下，推荐较多用户配置的保额)。
[0135]
另外，在上述各实施例中，用户都是通过产品评测入口页面进而到对比产品添加页面的，用户在终端设备上通过点击顶部的添加按钮即可到达多个保险产品对比页面，其中，保险产品对比页面中主要包括5大模块，可以是1.保险产品添加模块，2.对比产品雷达图及精算师说分析模块，3.对比产品详细参数对比模块，4.对比产品智能分析模块，5.人工客服模块。当然，保险产品对比页面中的各个模块可以是任意自定义的，包括但不限于上述5个模块。
[0136]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。
[0137]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom(read-only memory，只读存储器)/ram(random access memory，随机存取存储器)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本技术各个实施例的方法。
[0138]
根据本技术实施例的另一个方面，还提供了一种用于实施上述资源推荐的方法的资源推荐的装置。图9是根据本技术实施例的一种可选的资源推荐的装置的结构框图，如图9所示，该装置可以包括：
[0139]
第一获取单元901，用于获取目标用户的用户特征数据，其中，用户特征数据包括目标用户的属性数据、操作记录数据以及选取的标签数据，标签数据为属性数据和产品特征中的部分数据；
[0140]
第二获取单元902，与第一获取单元901相连，用于根据用户特征数据，从虚拟对象存储池中获取多个待推荐的虚拟对象以及虚拟对象的对象特征数据，其中，对象特征数据用于表征虚拟对象的产品画像，多个待推荐的虚拟对象包括目标用户预先选定的用于对比
操作的虚拟对象；
[0141]
第一确定单元903，与第二获取单元902相连，用于根据用户特征数据和对象特征数据，从多个待推荐的虚拟对象中确定出目标虚拟对象；
[0142]
第二确定单元904，与第一确定单元903相连，用于根据目标虚拟对象确定推荐目标虚拟对象的个性化语句；
[0143]
第一发送单元905，与第二确定单元904相连，用于将个性化语句作为资源推荐信息发送至目标用户的终端帐号。
[0144]
需要说明的是，该实施例中的第一获取单元901可以用于执行上述步骤s201，该实施例中的第二获取单元902可以用于执行上述步骤s202，该实施例中的第一确定单元903可以用于执行上述步骤s203，该实施例中的第二确定单元904可以用于执行上述步骤s204，该实施例中的第一发送单元905可以用于执行上述步骤s205。
[0145]
通过上述模块，本技术实施例全程自动化地获取到目标用户的用户特征数据和用户选取的虚拟对象的对象特征数据，得到目标虚拟对象，这样做到了结合用户特征或需求生成最符合条件的保险产品，同时将该目标虚拟对象的推荐个性化语句发送到了用户，能帮助用户在进行产品对比参数看不懂的情况下，既推荐了合适的虚拟对象又可以让用户看到推荐目标虚拟对象的理由，从而可以实现提高投保成功转化率的目的，进而解决了相关技术中存在的不能准确地根据用户特征或需求生成最符合条件的保险产品和对应的推荐话术，降低了投保成功率的问题。
[0146]
作为一种可选的实施例，第一确定单元包括：处理模块，用于利用目标方案对用户特征数据进行数据处理，得到第一数据，利用目标方案对对象特征数据进行数据处理，得到第二数据，其中，目标方案用于将用户特征数据或对象特征数据处理为多热特征；第一得到模块，用于根据第一数据、第二数据以及第一目标网络，得到多个虚拟对象的推荐概率值，其中，第一目标网络用于得出每个虚拟对象的推荐概率值；第一确定模块，用于根据推荐概率值，确定目标虚拟对象，其中，目标虚拟对象的推荐概率值为最大值。
[0147]
作为一种可选的实施例，对象特征数据包括虚拟对象的属性数据和被访问的统计类数据，处理模块包括：第一处理子单元，用于对用户特征数据的属性数据和虚拟对象的属性数据按照第一预设方案进行处理，分别得到第三数据和第四数据，其中，第一预设方案用于对用户特征数据的属性数据和虚拟对象的属性数据进行第一预设范围内的离散化处理；第二处理子单元，用于对操作记录数据和被访问的统计类数据按照第二预设方案进行处理，分别得到第五数据和第六数据，其中，第二预设方案用于对操作记录数据和被访问的统计类数据进行第二预设范围内的离散化等频分桶处理；合并子单元，用于将第三数据和第五数据进行合并，得到第一数据，将第四数据和第六数据进行合并，得到第二数据。
[0148]
作为一种可选实施例，第二确定单元包括：第一获取模块，用于获取目标虚拟对象对应的目标对象特征数据；第二获取模块，用于利用嵌入层网络获取用户特征数据的用户特征嵌入向量、目标对象特征数据的目标对象特征嵌入向量以及参考对象特征数据的参考对象特征嵌入向量，其中，参考对象为多个待推荐的虚拟对象中除了目标虚拟对象之外的其他虚拟对象；输出模块，用于根据用户特征嵌入向量、目标对象特征嵌入向量、参考对象特征嵌入向量以及第二目标网络，输出初始关注特征向量，其中，第二目标网络用于得出与目标用户初始关注相关的向量信息；
[0149]
第二确定模块，用于将初始关注特征向量输入全连接层，从候选特征中确定出目标特征，其中，候选特征为目标用户的兴趣度大于兴趣度阈值的特征，候选特征的个数为至少一个；填充模块，用于获取与目标特征相匹配的目标模板，将目标虚拟对象的目标特征对应的特征值填充至目标模板，得到个性化语句。
[0150]
作为一种可选的实施例，输出模块包括：确定子单元，用于根据目标对象特征嵌入向量和参考对象特征嵌入向量，确定参考对象特征嵌入向量中的有效信息，其中，有效信息为生成个性化语句的部分信息；得到子单元，用于将用户特征嵌入向量和有效信息输入注意力单元，得到初始关注特征向量。
[0151]
作为一种可选的实施例，确定子单元包括：拼接子模块，用于将目标对象特征嵌入向量和参考对象特征嵌入向量进行拼接，得到拼接向量；提取子模块，用于将拼接向量输入神经网络层进行特征交叉处理，提取出有效信息，其中，有效信息属于参考对象特征嵌入向量和目标对象特征嵌入向量。
[0152]
作为一种可选的实施例，该装置还包括：生成单元，用于在将个性化语句作为资源推荐信息发送至目标用户的终端帐号之后，根据用户特征数据生成推荐目标虚拟对象的固定语句；第二发送单元，用于将固定语句和个性化语句合并，将合并后的语句作为资源推荐信息发送至目标用户的终端帐号。
[0153]
作为一种可选的实施例，生成单元包括：第三获取模块，用于获取多个虚拟对象的属性维度信息；第一生成模块，用于将属性维度信息进行数值信息化处理，生成属于每个属性维度信息的评分值；第二生成模块，用于利用评分值生成对应的虚拟对象的多维度评分图；比较模块，用于对多个多维度评分图进行比较，得到固定语句。
[0154]
作为一种可选的实施例，每个标签数据设置有对应的初始权重，第一确定单元包括：第三确定模块，用于根据用户特征数据，确定出目标用户选取的目标标签数据，其中，每个目标标签数据都具备初始权重；调整模块，用于按照权重调整方案对初始权重进行数值调整，得到目标权重；第一选取模块，用于根据对象特征数据和目标权重，从多个待推荐的虚拟对象中选出目标虚拟对象。
[0155]
作为一种可选的实施例，第二确定单元包括：第四确定模块，用于在标签数据中包含推荐目标虚拟对象的用户标识的情况下，根据用户标识，确定推荐目标虚拟对象的需求对象，其中，用户标识用于表征用户需求群体；第二选取模块，用于根据需求对象、需求对象对应的用户特征数据和对象特征数据，从多个待推荐的虚拟对象中选取出目标虚拟对象；
[0156]
或者，第五确定模块，用于在标签数据中未包含推荐目标虚拟对象的用户标识的情况下，根据多个待推荐的虚拟对象，确定出当前推荐目标虚拟对象的用户标识；第六确定模块，用于根据用户标识，再从多个待推荐的虚拟对象中确定出目标虚拟对象。
[0157]
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。
[0158]
根据本技术实施例的又一个方面，还提供了一种用于实施上述资源推荐的方法的电子设备，该电子设备可以是服务器、终端、或者其组合。
[0159]
图10是根据本技术实施例的一种可选的电子设备的结构框图，如图10所示，包括
处理器1001、通信接口1002、存储器1003和通信总线1004，其中，处理器1001、通信接口1002和存储器1003通过通信总线1004完成相互间的通信，其中，
[0160]
存储器1003，用于存储计算机程序；
[0161]
处理器1001，用于执行存储器1003上所存放的计算机程序时，实现如下步骤：获取目标用户的用户特征数据，其中，用户特征数据包括目标用户的属性数据、操作记录数据以及选取的标签数据，标签数据为属性数据和产品特征中的部分数据；根据用户特征数据，从虚拟对象存储池中获取多个待推荐的虚拟对象以及虚拟对象的对象特征数据，其中，对象特征数据用于表征虚拟对象的产品画像，多个待推荐的虚拟对象包括目标用户预先选定的用于对比操作的虚拟对象；根据用户特征数据和对象特征数据，从多个待推荐的虚拟对象中确定出目标虚拟对象；根据目标虚拟对象确定推荐目标虚拟对象的个性化语句；将个性化语句作为资源推荐信息发送至目标用户的终端帐号。
[0162]
可选地，在本实施例中，上述的通信总线可以是pci(peripheral component interconnect，外设部件互连标准)总线、或eisa(extended industry standard architecture，扩展工业标准结构)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10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。
[0163]
通信接口用于上述电子设备与其他设备之间的通信。
[0164]
存储器可以包括ram，也可以包括非易失性存储器(non-volatile memory)，例如，至少一个磁盘存储器。可选地，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。
[0165]
作为一种示例，如图10所示，上述存储器1003中可以但不限于包括上述资源推荐的装置中的第一获取单元901、第二获取单元902、第一确定单元903、第二确定单元904以及第一发送单元905。此外，还可以包括但不限于上述资源推荐的装置中的其他模块单元，本示例中不再赘述。
[0166]
上述处理器可以是通用处理器，可以包含但不限于：cpu(central processing unit，中央处理器)、np(network processor，网络处理器)等；还可以是dsp(digital signal processing，数字信号处理器)、asic(application specific integrated circuit，专用集成电路)、fpga(field－programmable gate array，现场可编程门阵列)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。
[0167]
此外，上述电子设备还包括：显示器，用于显示资源推荐的结果。
[0168]
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
[0169]
本领域普通技术人员可以理解，图10所示的结构仅为示意，实施上述资源推荐的方法的设备可以是终端设备，该终端设备可以是智能手机(如android手机、ios手机等)、平板电脑、掌上电脑以及移动互联网设备(mobile internet devices，mid)、pad等终端设备。图10其并不对上述电子设备的结构造成限定。例如，终端设备还可包括比图10中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图10所示的不同的配置。
[0170]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、rom、ram、磁盘或光盘等。
[0171]
根据本技术实施例的又一个方面，还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行资源推荐的方法的程序代码。
[0172]
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
[0173]
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标用户的用户特征数据，其中，用户特征数据包括目标用户的属性数据、操作记录数据以及选取的标签数据，标签数据为属性数据和产品特征中的部分数据；根据用户特征数据，从虚拟对象存储池中获取多个待推荐的虚拟对象以及虚拟对象的对象特征数据，其中，对象特征数据用于表征虚拟对象的产品画像，多个待推荐的虚拟对象包括目标用户预先选定的用于对比操作的虚拟对象；根据用户特征数据和对象特征数据，从多个待推荐的虚拟对象中确定出目标虚拟对象；根据目标虚拟对象确定推荐目标虚拟对象的个性化语句；将个性化语句作为资源推荐信息发送至目标用户的终端帐号。
[0174]
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例中对此不再赘述。
[0175]
可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、rom、ram、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0176]
根据本技术实施例的又一个方面，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中；计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一个实施例中的资源推荐的方法步骤。
[0177]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0178]
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本技术各个实施例资源推荐的方法的全部或部分步骤。
[0179]
在本技术的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0180]
在本技术所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0181]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例中所提供的方案的目的。
[0182]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0183]
以上仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。