一种资源召回方法、装置、设备及存储介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种资源召回方法、装置、设备 及存储介质。


背景技术：

2.互联网和计算机技术随着社会发展越来越普及。人们通过互联网获取各种 信息，以满足不同的需求。对于实时热点等信息流的关注，成为很多的“吃瓜 群众”的日常。用户可以通过输入搜索词，来查找与搜索词相关的最新信息动 态，而互联网平台可以通过用户搜索词，从海量资源中召回用户潜在感兴趣的 资源。
3.然而，现有的资源召回方法，通常提取用户搜索词的文本特征和资源侧的 文本特征，进行匹配召回，忽略了文本之外其他模态信息的特征，导致资源召 回结果的精准性较低；此外，也无法保证召回资源的时效性，因此，需要提供 一种更加准确的技术方案。


技术实现要素：

4.本技术提供了一种资源召回方法、装置、设备及存储介质，通过挖掘对象 关注的实时热点，并利用热点资源的多模态融合特征进行资源召回，可以在提 升召回资源精准性的同时提升召回资源的时效性，本技术技术方案如下：
5.一方面，提供了一种资源召回方法，所述方法包括：
6.获取对象搜索信息和实时热词集合；
7.对所述对象搜索信息和所述实时热词集合进行热词匹配，得到目标热词；
8.确定所述目标热词对应的目标热门资源；
9.获取所述目标热门资源和多个待召回资源各自对应的多模态融合特征，任 一多模态融合特征是基于对应资源的图像语义特征信息和文本特征信息进行双 向融合后生成的，所述图像语义特征信息是基于对应资源的图像特征信息对所 述文本特征信息进行分词语义筛选后生成的；
10.基于所述多模态融合特征，对所述多个待召回资源和所述目标热门资源进 行特征匹配，确定所述多个待召回资源中的第一召回资源。
11.另一方面，提供了一种资源召回装置，所述方法包括：
12.信息获取模块，用于获取对象搜索信息和实时热词集合；
13.热词匹配模块，用于对所述对象搜索信息和所述实时热词集合进行热词匹 配，得到目标热词；
14.目标热门资源确定模块，用于确定所述目标热词对应的目标热门资源；
15.多模态融合特征获取模块，用于获取所述目标热门资源和多个待召回资源 各自对应的多模态融合特征，任一多模态融合特征是基于对应资源的图像语义 特征信息和文本特征信息进行双向融合后生成的，所述图像语义特征信息是基 于对应资源的图像特征信息对所述文本特征信息进行分词语义筛选后生成的；
16.特征匹配模块，用于基于所述多模态融合特征，对所述多个待召回资源和 所述目标热门资源进行特征匹配，确定所述多个待召回资源中的第一召回资源。
17.另一方面，提供了一种资源召回设备，所述设备包括处理器和存储器，所 述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至 少一段程序由所述处理器加载并执行以实现如第一方面所述的资源召回方法。
18.另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少 一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加 载并执行以实现如第一方面所述的资源召回方法。
19.另一方面，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如第一方面所述的资源召回方法。
20.本技术提供的一种资源召回方法、装置、设备及存储介质，具有如下技术 效果：
21.本技术在资源召回的应用场景中，通过将对象搜索信息和实时热词集合进 行热词匹配，得到目标热词，然后确定目标热词对应的目标热门资源，可以挖 掘对象关注的实时热点；然后获取目标热门资源和多个待召回资源各自对应的 多模态融合特征，任一多模态融合特征是基于对应资源的图像语义特征信息和 文本特征信息进行双向融合后生成的，图像语义特征信息是基于对应资源的图 像特征信息对文本特征信息进行分词语义筛选后生成的，考虑到目标热词的粒 度要细于一般待召回资源的粒度，可以利用通过图像语义特征信息可以将视觉 信息映射到高纬语义空间，减少视觉侧的噪声，从而提升多模态融合特征对资 源特征的表征精准性；再基于多模态融合特征，对多个待召回资源和目标热门 资源进行特征匹配，确定多个待召回资源中的第一召回资源，在提升召回资源 的精准性的同时可以提升召回资源的时效性，从而提升用户体验。
附图说明
22.为了更清楚地说明本技术实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下 面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲， 在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
23.图1是本技术实施例提供的一种应用环境的示意图；
24.图2是本技术实施例提供的一种资源召回方法的流程示意图；
25.图3是本技术实施例提供的一种对对象搜索信息和实时热词集合进行热词 匹配，得到目标热词的流程示意图；
26.图4是本技术实施例提供的一种实时热词集合生成方法的流程示意图；
27.图5是本技术实施例提供的一种对实时高频搜索词进行热词检测，得到热 词检测结果的流程示意图；
28.图6是本技术实施例提供的一种热词检测模块的示意图；
29.图7是本技术实施例提供的一种图像特征提取网络的示意图；
30.图8是本技术实施例提供的一种将文本特征信息和图像特征信息输入多模 态融
合网络进行融合处理，得到待处理资源对应的多模态融合特征的流程示意 图；
31.图9是本技术实施例提供的一种将图像语义特征信息和文本特征信息输入 第二融合网络进行双向融合处理，得到多模态融合特征的流程示意图；
32.图10是本技术实施例提供的一种多模态融合网络的示意图；
33.图11是本技术实施例提供的一种网络训练方法的流程示意图；
34.图12是本技术实施例提供的一种基于对象搜索信息，对第一召回资源进行 文本逻辑匹配，确定第一召回资源中的第二召回资源的流程示意图；
35.图13是本技术实施例提供的一种资源召回装置的组成框图；
36.图14是本技术实施例提供的一种资源召回设备的结构示意图。
具体实施方式
37.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 性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
38.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“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、产品或服务器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。
39.可以理解的是，在本技术的具体实施方式中，涉及到用户信息等相关的数 据，当本技术以上实施例运用到具体产品或技术中时，需要获得用户许可或者 同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法 规和标准。
40.请参阅图1，图1是本技术实施例提供的一种应用环境的示意图，该应用 环境中可以包括客户端10和服务器端20，客户端10与服务器端20可以通过 有线或无线通信方式进行直接或间接地连接。用户可以通过客户端10向服务器 端20发送资源召回请求。服务器端20基于资源召回请求确定对应的对象搜索 信息，然后获取实时热词集合，对对象搜索信息和实时热词集合进行热词匹配， 得到目标热词，接着确定目标热词对应的目标热门资源，获取目标热门资源和 多个待召回资源各自对应的多模态融合特征，任一多模态融合特征是基于对应 资源的图像语义特征信息和文本特征信息进行双向融合后生成的，图像语义特 征信息是基于对应资源的图像特征信息对文本特征信息进行分词语义筛选后生 成的，再基于多模态融合特征，对多个待召回资源和目标热门资源进行特征匹 配，确定多个待召回资源中的第一召回资源，并将第一召回资源返回客户端10。 需要说明的是，图1仅仅是一种示例。
41.客户端可以是智能手机、车载终端、电脑(如台式电脑、平板电脑、笔记 本电脑)、数字助理、智能语音交互设备(如智能音箱)、智能可穿戴设备等类 型的实体设备，也可以是运行于实体设备中的软体，比如计算机程序。客户端 所对应的操作系统可以是安卓系统(android系统)、ios系统(是由苹果公司 开发的移动操作系统)、linux系统(一种操作系统)、microsoft windows系统 (微软视窗操作系统)等。
42.服务器端可以是独立的物理服务器，也可以是多个物理服务器构成的服务 器集
群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、 云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(contentdelivery network，内容分发网络)以及大数据和人工智能平台等基础云计算服 务的云服务器。其中服务器可以包括有网络通信单元、处理器和存储器等等。 服务器端可以为对应的客户端提供后台服务。
43.上述客户端10和服务器端20可以用于构建一个有关资源召回的系统，该 系统可以是分布式系统。以分布式系统为区块链系统为例，由多个节点(接入 网络中的任意形式的计算设备，如服务器、用户终端)和客户端形成，节点之 间形成组成的点对点(p2p，peer to peer)网络，p2p协议是一个运行在传输 控制协议(tcp，transmission control protocol)协议之上的应用层协议。在分 布式系统中，任何机器如服务器、终端都可以加入而成为节点，节点包括硬件 层、中间层、操作系统层和应用层。
44.上述区块链系统中各节点的功能，涉及的功能包括：
45.1)路由，节点具有的基本功能，用于支持节点之间的通信。
46.节点除具有路由功能外，还可以具有以下功能：
47.2)应用，用于部署在区块链中，根据实际业务需求而实现特定业务，记录 实现功能相关的数据形成记录数据，在记录数据中携带数字签名以表示任务数 据的来源，将记录数据发送到区块链系统中的其他节点，供其他节点在验证记 录数据来源以及完整性成功时，将记录数据添加到临时区块中。
48.3)区块链，包括一系列按照产生的先后时间顺序相互接续的区块(block)， 新区块一旦加入到区块链中就不会再被移除，区块中记录了区块链系统中节点 提交的记录数据。
49.以下介绍本技术提供的一种资源召回方法的具体实施例，图2是本技术实 施例提供的一种资源召回方法的流程示意图，本技术提供了如实施例或流程图 所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少 的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式， 不代表唯一的执行顺序。在实际中的系统或产品执行时，可以按照实施例或者 附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环 境)。具体的如图2所示，所述方法可以包括：
50.s201，获取对象搜索信息和实时热词集合。
51.在本说明书实施例中，对象搜索信息可以为目标对象的搜索信息，具体的， 目标对象可以为目标用户，搜索信息可以用于进行资源搜索，其中，资源搜索 可以包括但不限于：新闻搜索、视频搜索、商品搜索等。
52.在本说明书实施例中，实时热词集合可以包括当前时段的多个实时热词， 实时热词可以为实时热点的搜索关键词。具体的，实时热词集合的热词类型可 以与对象搜索信息所要搜索的资源类型对应，例如，对象搜索信息用于新闻类 资源的搜索时，实时热词集合可以为新闻类热词集合；对象搜索信息用于商品 类资源的搜索时，实时热词集合可以为商品类热词集合。
53.在实际应用中，实时热词集合可以每隔预设时间段进行更新，以保证实时 热词的时效性。例如，预设时间段可以为20分钟。
54.s202，对对象搜索信息和实时热词集合进行热词匹配，得到目标热词。
55.在本说明书实施例中，目标热词可以为实时热词集合中与对象搜索信息匹 配的
实时热词。
56.s203，确定目标热词对应的目标热门资源。
57.在本说明书实施例中，目标热门资源可以为与目标热词对应的高频点击资 源。
58.s204，获取目标热门资源和多个待召回资源各自对应的多模态融合特征， 任一多模态融合特征是基于对应资源的图像语义特征信息和文本特征信息进行 双向融合后生成的，图像语义特征信息是基于对应资源的图像特征信息对文本 特征信息进行分词语义筛选后生成的。
59.在本说明书实施例中，多个待召回资源可以为资源召回设备中的新增资源。
60.在本说明书实施例中，可以预先生成资源库中目标热门资源和多个待召回 资源的多模态融合特征，以保证后续特征匹配和资源召回的效率。
61.在一个具体的实施例中，多模态融合特征的表现形式可以为多模态融合特 征向量。
62.s205，基于多模态融合特征，对多个待召回资源和目标热门资源进行特征 匹配，确定多个待召回资源中的第一召回资源。
63.由以上实施例可见，通过挖掘对象关注的实时热点对应的目标热门资源， 然后提取目标热门资源和多个待召回资源的多模态融合特征，提升对资源特征 的表征精准性；再基于多模态融合特征，对多个待召回资源和目标热门资源进 行特征匹配，得到召回资源，在提升召回资源的精准性的同时可以提升召回资 源的时效性，从而提升用户体验。
64.在一个具体的实施例中，如图3所示，上述对对象搜索信息和实时热词集 合进行热词匹配，得到目标热词可以包括：
65.s301，将对象搜索信息与实时热词集合进行热词匹配，得到第一热词匹配 结果。
66.s302，在第一热词匹配结果包括至少一个匹配热词的情况下，将至少一个 匹配热词中文本粒度最大的匹配热词作为目标热词，文本粒度用于衡量对应匹 配热词所含信息量的大小。
67.在本说明书实施例中，文本粒度可以用于衡量对应匹配热词所含信息量的 大小，一般地，匹配热词所含信息量越大，其文本粒度也越大。
68.以视频搜索的应用场景为例，对象搜索信息为“b市k区高考”，实 时热词集合中与该对象搜索信息匹配的匹配热词包括：“高考”和“b市 高考”，由于“b市高考”的文本粒度大于“高考”，因此将匹配热词“b 市高考”作为目标热词。
69.以商品搜索的应用场景为例，对象搜索信息为“iphone13硅胶手机壳”，实 时热词集合中与该对象搜索信息匹配的匹配热词包括：“iphone13”和“iphone13 手机壳”，由于“iphone13手机壳”的文本粒度大于“iphone13”，因此将匹配 热词“iphone13手机壳”作为目标热词。
70.由以上实施例可见，通过热词匹配，确定用户关注的目标热点，再结合文 本粒度，得到与对象搜索信息最匹配的目标热词，可以基于实时热点数据挖掘 用户侧的画像信息，保证后续召回资源的时效性，从而提升用户体验。
71.在一个具体的实施例中，如图4所示，在上述获取对象搜索信息和实时热 词集合之前，上述方法还包括：
72.s401，获取实时高频搜索词和实时高频搜索词对应的高频点击资源。
73.在一个具体的实施例中，上述获取实时高频搜索词和实时高频搜索词对应 的高频点击资源可以包括：采集当前时段内的用户搜索点击日志，对用户搜索 点击日志进行高频搜索词提取，得到实时高频搜索词-高频点击资源的搜索点击 对。
74.具体的，实时高频搜索词可以为当前时段内搜索频次大于预设频次阈值的 搜索词，高频点击资源可以为实时高频搜索词对应的召回资源中用户点击次数 最多的资源。其中，预设频次阈值可以结合实际应用中的用户搜索点击日志的 数据量进行预先设置，例如，预设频次阈值可以为300次/每5分钟。
75.具体的，当前时段的时间长度可以结合实际应用中的热词整合的时效需求 进行预先设置。例如，当前时段的时间长度可以为：最近5分钟或最近10分钟。
76.s402，对实时高频搜索词进行热词检测，得到热词检测结果。
77.具体的，热词检测可以用于检测实时高频搜索词是否为热词，相应的，热 词检测结果可以包括：实时高频搜索词是热词或实时高频搜索词不是热词。
78.s403，在热词检测结果确定实时高频搜索词是热词的情况下，对实时高频 搜索词进行文本分析，得到实时高频搜索词的文本粒度。
79.具体的，上述对实时高频搜索词进行文本分析，得到实时高频搜索词的文 本粒度可以包括：对实时高频搜索词进行文本信息量分析，得到实时高频搜索 词对应的文本信息量；基于文本信息量进行文本粒度分析，确定实时高频搜索 词的文本粒度。
80.在一个具体的实施例中，可以预先设置文本信息量与文本粒度之间的映射 关系，相应的，基于文本信息量进行文本粒度分析，确定实时高频搜索词的文 本粒度可以包括：基于文本信息量和映射关系，确定实时高频搜索词的文本粒 度。
81.s404，基于实时高频搜索词和实时高频搜索词的文本粒度，更新实时热词 集合。
82.在实际应用中，可以基于用户搜索点击日志的采集频率，确定实时热词集 合的更新频率。例如，采集频率和更新频率可以为5分钟。
83.s405，将高频点击资源作为实时高频搜索词对应的热门资源。
84.由以上实施例可见，通过提取实时高频搜索词和实时高频搜索词对应的高 频点击资源进行热点分析，得到实时热词集合，可以提升实时热词集合的时效 性。
85.在一个可选的实施例中，如图5所示，上述对实时高频搜索词进行热词检 测，得到热词检测结果可以包括：
86.s501，将实时高频搜索词与实时热词集合进行热词匹配，得到第二热词匹 配结果。
87.s502，在第二热词匹配结果为匹配成功的情况下，将实时高频搜索词是热 词作为热词检测结果。
88.具体的，在实时高频搜索词与实时热词集合中任一实时热词匹配成功的情 况下，将实时高频搜索词是热词作为热词检测结果。
89.在另一个可选的实施例中，在上述将实时高频搜索词与实时热词集合进行 热词匹配，得到第二热词匹配结果之后，上述方法还可以包括：
90.s503，在第二热词匹配结果为匹配失败的情况下，将实时高频搜索词输入 热词判别网络进行热词判别，得到热词判别结果。
91.具体的，热词判别网络可以用于判别实时高频搜索词是否为热词，以防止 实时热
词集合中混入没有时效性的高频词。
92.在一个具体的实施例中，在新闻类资源搜索的应用场景中，热词判别网络 可以用于判别实时高频搜索词是否是新闻类热词；在商品类资源搜索的应用场 景中，热词判别网络可以用于判别实时高频搜索词是否是商品类热词。
93.在一个具体的实施例中，热词判别网络可以为基于机器学习得到的分类模 型，具体的实施例中，热词判别网络可以包括但不限于：决策树模型、svm(支 持向量机)等。
94.s504，将热词判别结果作为热词检测结果。
95.参见图6，图6是本技术实施例提供的一种热词检测模块的示意图。具体 的，采集用户点击日志，然后基于用户点击日志进行聚合处理，得到高频搜索 词，并将高频搜索词输入热词检测模块进行热词检测，得到高频热词，其中， 热词检测模块包括热词匹配模块和热词判别模块。
96.由以上实施例可见，通过热词匹配和热词判别的双重热词检测机制，提升 热词检测结果的准确性。
97.机器学习(machine learning,ml)是一门多领域交叉学科，涉及概率论、统 计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习是人工智能的 核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机 器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、 归纳学习、式教学习等技术。本技术实施例提供的资源的多模态融合特征的生 成方案涉及人工智能的机器学习等技术，具体通过如下实施例进行说明：
98.在一个具体的实施例中，在上述获取对象搜索信息和实时热词集合之前， 上述方法还可以包括：
99.1)获取待处理资源对应的多模态特征信息，多模态特征信息包括：文本特 征信息和图像特征信息，待处理资源为目标热门资源或多个待召回资源中任一 待召回资源。
100.在本说明书实施例中，多模态特征信息可以为待处理资源对应的多模态信 息的特征信息。具体的，待处理资源对应的多模态信息可以包括下述至少两个 模态信息：文本信息、图像信息、音频信息等，相应的，多模态特征信息可以 包括：文本特征信息、图像特征信息和音频特征信息。
101.以待处理资源是视频类资源为例，文本信息可以包括但不限于视频类资源 的标题信息、字幕信息、对视频图像进行光学字符识别得到的光学识别文本、 对视频音频进行语音识别得到的语音识别文本等，图像信息可以包括但不限于 视频类资源的封面帧图像、多个视频片段对应的关键帧图像。
102.以待处理资源是商品类资源为例，文本信息可以包括但不限于商品简介、 商品展示视频中识别的文本，图像信息可以包括但不限于商品展示图像，商品 展示视频的封面帧图像和多个关键帧图像。
103.具体的，多模态特征信息的表现形式可以为多模态特征向量，相应的，文 本特征信息、图像特征信息和音频特征信息可以分别为文本特征向量、图像特 征向量和音频特征向量。
104.在一个具体的实施例中，获取待处理资源对应的多模态特征信息可以包括： 获取待处理资源对应的多模态信息；将多模态信息分别输入特征提取网络进行 特征提取，得到
多模态信息对应的多模态特征信息。
105.在一个具体的实施例中，多模态信息可以包括：文本信息和图像信息，相 应的，上述对多模态信息分别进行特征提取，得到多模态信息对应的多模态特 征信息可以包括：将图像信息输入图像特征提取网络进行图像特征提取，得到 图像信息对应的图像特征信息；将文本信息输入文本特征提取网络进行文本特 征提取，得到文本信息对应的文本特征信息；将图像特征信息和文本特征信息 作为多维度特征信息。
106.具体的，上述文本特征提取网络可以为基于样本文本信息对预设文本特征 提取网络进行文本特征提取训练后得到的，在实际应用中，预设文本特征提取 网络可以包括但不限于transformer(变换器)、预训练模型的bert模型(基 于变换器的双向编码表示模型)、lstm(树结构长短期记忆网络)等。
107.具体的，上述图像特征提取网络可以为基于样本图像信息对预设图像特征 提取网络进行图像特征提取训练后得到的。
108.参见图7，图7是本技术实施例提供的一种图像特征提取网络的示意图。 具体的，在待处理资源为视频的情况下，将视频分为多个视频片段，每个视频 片段随机抽取1帧图像，得到多帧视频图像，将多帧视频图像输入图像特征提 取网络得到多个图像特征信息，其中，图像特征提取网络可以包括：卷积层、 特征映射层和编码层。
109.在实际应用中，图像特征提取网络并不以上述训练后的预设图像特征提取 网络为限，图像特征提取网络可以包括但不限于cnn(卷积神经网络)、dnn (深度神经网络)、vit(vision transformer，视觉变换器)等。
110.2)将文本特征信息和图像特征信息输入多模态融合网络进行融合处理，得 到待处理资源对应的多模态融合特征。
111.由以上实施例可见，将文本特征信息和图像特征信息进行融合处理得到多 模态融合特征，能够提升资源特征表征的精准性。
112.参见图10，图10是本技术实施例提供的一种多模态融合网络的示意图， 具体的，多模态融合网络可以包括第一融合网络和第二融合网络。
113.在一个具体的实施例中，如图8所示，上述将文本特征信息和图像特征信 息输入多模态融合网络进行融合处理，得到待处理资源对应的多模态融合特征 可以包括：
114.s801，将图像特征信息和文本特征信息输入第一融合网络，在第一融合网 络中，基于文本特征信息中多个分词特征信息对应的融合权重对多个分词特征 信息进行分词语义筛选，得到图像语义特征信息，融合权重是根据对应分词特 征信息和图像特征信息间的特征相似度确定的。
115.在一个具体的实施例中，在分词特征信息为分词特征向量，图像特征信息 为图像特征向量的情况下，对应分词特征信息和图像特征信息间的特征相似度 可以包括：分词特征向量与图像特征向量之间的向量相似度，即分词特征向量 与图像特征向量之间的相似程度的量化值。具体的，通过计算特征向量之间的 点积来判断特征向量之间的向量相似度。
116.在一个具体的实施例中，可以对分词特征信息和图像特征信息间的特征相 似度进行归一化处理后得到融合权重。
117.具体的，基于文本特征信息中多个分词特征信息对应的融合权重对多个分 词特
征信息进行分词语义筛选，得到图像语义特征信息，能够根据视频图像中 的隐含语义对分词语义进行筛选，从而将视觉信息映射到高纬语义空间，减少 视频图像中无意义信息带来的噪声干扰。
118.s802，将图像语义特征信息和文本特征信息输入第二融合网络进行双向融 合处理，得到多模态融合特征。
119.具体的，对图像语义特征信息和文本特征信息进行双向融合处理，可以基 于图像语义特征信息和文本特征信息各自分量特征之间的特征相似度得到各自 分量特征的关联性，从而关注其中的重要分量特征。
120.由以上实施例可见，根据资源图像中的隐含语义对分词语义进行筛选，从 而将视觉信息映射到高纬语义空间，得到图像语义特征信息，再对图像语义特 征信息和文本特征信息进行双向融合处理，能够提升多模态融合特征对资源特 征表征的精准性。
121.在一个具体的实施例中，在图像特征信息包括多个图像对应的多个图像特 征的情况下，图像语义特征信息可以包括：多个图像特征各自对应的图像语义 特征信息，上述将图像语义特征信息和文本特征信息输入第二融合网络进行双 向融合处理，得到多模态融合特征可以包括：将多个图像特征各自对应的图像 语义特征信息和文本特征信息中多个分词特征信息输入第二融合网络进行双向 融合处理，得到多模态融合特征。
122.在一个具体的实施例中，如图9所示，上述第二融合网络可以包括：第一 融合层、第二融合层、第三融合层、第四融合层和拼接层，上述将图像语义特 征信息和文本特征信息输入第二融合网络进行双向融合处理，得到多模态融合 特征可以包括：
123.s901，将图像语义特征信息输入第一融合层，在第一融合层中，基于第一 融合权重对图像语义特征信息进行加权融合，得到第一融合特征信息，第一融 合权重是根据图像语义特征信息之间的特征相似度确定的。
124.在一个具体的实施例中，在图像语义特征信息为多个图像特征各自对应的 图像语义特征向量的情况下，图像语义特征信息之间的特征相似度可以包括： 多个图像特征各自对应的图像语义特征向量之间的向量相似度，即图像语义特 征向量之间的相似程度的量化值。具体的，通过计算特征向量之间的点积来判 断特征向量之间的向量相似度。
125.在一个具体的实施例中，可以对图像语义特征向量之间的特征相似度进行 归一化处理后得到第一融合权重。
126.s902，将文本特征信息输入第二融合层，在第二融合层中，基于第二融合 权重对文本特征信息进行加权融合，得到第二融合特征信息，第一融合权重是 根据文本特征信息之间的特征相似度确定的。
127.在一个具体的实施例中，在文本特征信息为包括多个分词特征向量的文本 特征向量的情况下，文本特征信息之间的特征相似度可以包括：多个分词特征 向量之间的向量相似度，即多个分词特征向量之间的相似程度的量化值。具体 的，通过计算特征向量之间的点积来判断特征向量之间的向量相似度。
128.在一个具体的实施例中，可以对文本特征信息之间的特征相似度进行归一 化处理后得到第二融合权重。
129.s903，将图像语义特征信息和文本特征信息输入第三融合层，在第三融合 层中，基于第三融合权重对图像语义特征信息进行加权融合，得到第三融合特 征信息，第三融合
特征信息是根据图像语义特征信息和文本特征信息间的特征 相似度确定的。
130.在一个具体的实施例中，在图像语义特征信息为多个图像特征各自对应的 图像语义特征向量，文本特征信息为包括多个分词特征向量的文本特征向量的 情况下，图像语义特征信息和文本特征信息间的特征相似度可以包括：图像语 义特征向量与分词特征向量之间的向量相似度，即图像语义特征向量与分词特 征向量之间的相似程度的量化值。具体的，通过计算特征向量之间的点积来判 断特征向量之间的向量相似度。
131.在一个具体的实施例中，可以对图像语义特征信息和文本特征信息间的特 征相似度进行归一化处理后得到第二融合权重。
132.s904，将图像语义特征信息和文本特征信息输入第四融合层，在第四融合 层中，基于第三融合权重对文本特征信息进行加权融合，得到第四融合特征信 息。
133.s905，将第一融合特征信息、第二融合特征信息、第三融合特征信息和第 四融合特征信息输入拼接层进行拼接处理，得到多模态融合特征。
134.由以上实施例可见，将图像语义特征信息和文本特征信息输入第二融合网 络的四种融合层进行特征融合，能够充分提取重要特征，从而提升多模态融合 特征对资源特征表征的精准性。
135.在本技术实施例中，可以通过样本多模态特征信息对第一预设融合网络和 第二预设融合网络进行联合训练，得到上述第一融合网络和上述第二融合网络。
136.在一个具体的实施例中，如图11所示，图11是本技术实施例提供的一种 网络训练方法的流程示意图，具体的，可以包括：
137.s1001，获取多个待处理样本资源对应的样本多模态特征信息，多个待处 理样本资源包括：样本热门资源和样本热门资源对应的样本召回资源，每一待 处理样本资源的样本多模态特征信息包括：样本文本特征信息和样本图像特征 信息。
138.在实际应用中，在进行网络训练之前，可以先确定训练数据，具体的，本 申请实施例中，可以获取样本热门资源和样本热门资源对应的样本召回资源各 自的样本多模态特征信息作为训练数据。
139.在一个具体的实施例中，上述样本召回资源可以包括：正样本召回资源和 负样本召回资源，具体的，正样本召回资源可以为样本热门资源对应的点击召 回资源，负样本召回资源可以为样本热门资源对应的未点击召回资源。
140.s1002，将每一待处理样本资源的样本图像特征信息和样本文本特征信息 输入第一预设融合网络，在第一预设融合网络中，基于样本文本特征信息中多 个样本分词特征信息对应的样本融合权重对多个样本分词特征信息进行分词语 义筛选，得到每一待处理样本资源的样本图像语义特征，样本融合权重是根据 对应样本分词特征信息和样本图像特征信息间的特征相似度确定的。
141.s1003，将样本图像语义特征和样本文本特征信息输入第二预设融合网络 进行双向融合处理，得到样本多模态融合特征。
142.s1004，基于样本多模态融合特征，对样本热门资源和样本召回资源进行 特征匹配，得到样本特征匹配结果。
143.s1005，基于样本特征匹配结果，确定目标损失信息。
144.s1006，基于目标损失信息，训练第一预设融合网络和第二预设融合网络， 得到第
一融合网络和第二融合网络。
145.在一个可选的实施例中，上述目标损失信息可以包括特征匹配损失；
146.相应的，上述基于样本特征匹配结果，确定目标损失信息，确定目标损失 信息可以包括：根据样本特征匹配结果，确定特征匹配损失。
147.在一个具体的实施例中，在上述样本召回资源包括正样本召回资源和负样 本召回资源的情况下，上述样本特征匹配结果可以包括：正样本特征匹配结果 和负样本特征匹配结果，上述基于样本多模态融合特征，对样本热门资源和样 本召回资源进行特征匹配，得到样本特征匹配结果可以包括：基于样本多模态 融合特征，对样本热门资源和正样本召回资源进行特征匹配，得到正样本特征 匹配结果；基于样本多模态融合特征，对样本热门资源和负样本召回资源进行 特征匹配，得到负样本特征匹配结果；
148.相应的，上述基于样本特征匹配结果，确定目标损失信息可以包括：
149.基于正样本特征匹配结果和负样本特征匹配结果，确定特征匹配损失。
150.具体的，可以将上述样本热门资源和样本热门资源对应的样本召回资源分 批进行训练，例如，每批样本可以包括一个样本热门资源、一个正样本召回资 源和多个负样本召回资源。
151.在一个具体的实施例中，预设损失函数可以包括但不限于batch-softmax、 交叉熵损失函数、逻辑损失函数、指数损失函数等。
152.在一个可选的实施例中，基于目标损失信息，训练第一预设融合网络和第 二预设融合网络，得到第一融合网络和第二融合网络可以包括：
153.s1101，基于目标损失信息，更新第一预设融合网络的网络参数和第二预设 融合网络的网络参数；
154.s1102，基于更新后的第一预设融合网络和更新后的第二预设融合网络，重 复步骤s1002至s1006、s1101的特征匹配训练迭代操作，至达到特征匹配收 敛条件；将达到特征匹配收敛条件的情况下得到的第一预设融合网络和第二预 设融合网络，作为第一融合网络和第二融合网络。
155.在一个可选的实施例中，上述达到特征匹配收敛条件可以为训练迭代操作 的次数达到预设训练次数。可选的，达到特征匹配收敛条件也可以为目标损失 信息小于指定阈值。本说明书实施例中，预设训练次数和指定阈值可以结合实 际应用中对网络的训练速度和精准度预先设置。
156.由以上实施例可见，一方面，基于样本热门资源和样本热门资源对应的样 本召回资源的机器学习训练，得到具有高泛化能力的第一融合网络和第二融合 网络；另一方面，通过对第一预设融合网络和第二预设融合网络进行联合训练， 提升训练效率的同时，可以更好的提升网络对资源多模态特征融合的准确性。
157.在一个具体的实施例中，在上述基于多模态融合特征，对多个待召回资源 和目标热门资源进行特征匹配，确定多个待召回资源中的第一召回资源之前， 上述方法还可以包括：
158.1)对多个待召回资源的多模态融合特征进行聚类处理，得到多个特征子集 合，任一特征子集合包括至少一个特征相似的待召回资源的多模态融合特征。
159.具体的，在多模态融合特征为多模态融合特征向量的情况下，上述至少一 个特征
相似的待召回资源的多模态融合特征可以包括：至少一个向量相似的待 召回资源的多模态融合特征向量。具体的，通过计算向量之间的距离来判断特 征向量之间的向量相似度，这里的距离可以包括但不限于欧氏距离、余弦距离、 曼哈顿距离等。
160.2)对任一特征子集合中的多模态融合特征进行均值处理，得到任一特征子 集合对应的类中心特征。
161.在实际应用中，可以预先对多个特征子集合的类中心特征进行存储。
162.相应的，上述基于多模态融合特征，对多个待召回资源和目标热门资源进 行特征匹配，确定多个待召回资源中的第一召回资源可以包括：
163.3)基于多个特征子集合的类中心特征与目标热门资源的多模态融合特征的 特征匹配结果，从多个特征子集合中确定与目标热门资源的多模态融合特征最 相似的目标特征子集合。
164.具体的，在类中心特征为类中心特征向量，多模态融合特征为多模态融合 特征向量的情况下，多个特征子集合的类中心特征与目标热门资源的多模态融 合特征的特征匹配结果可以包括：类中心特征向量与多模态融合特征向量之间 的向量相似度，即图像语义特征向量之间的相似程度的量化值。
165.4)对目标特征子集合中的至少一个多模态融合特征进行向量量化处理，得 到至少一个量化特征向量。
166.具体的，这里向量量化处理的方法可以包括但不限于：乘积量化、倒排乘 积量化。
167.5)对目标热门资源的多模态融合特征进行向量量化处理，得到查询量化特 征向量。
168.6)基于查询量化特征向量，对至少一个量化特征向量进行向量检索，得到 至少一个量化特征向量中的目标量化特征向量。
169.7)将目标量化特征向量对应的待召回资源作为第一召回资源。
170.由以上实施例可见，基于多个特征子集合的类中心特征与目标热门资源的 多模态融合特征的特征匹配结果，从多个特征子集合中确定与目标热门资源的 多模态融合特征最相似的目标特征子集合，能够缩小召回范围，然后，通过向 量量化处理有效地降低特征向量复杂度，提升召回匹配的效率和准确性。
171.在一个具体的实施例中，在上述基于多模态融合特征，对多个待召回资源 和目标热门资源进行特征匹配，确定多个待召回资源中的第一召回资源之后， 上述方法还可以包括：
172.基于对象搜索信息，对第一召回资源进行文本逻辑匹配，确定第一召回资 源中的第二召回资源。
173.具体的，文本逻辑匹配可以利用对象搜索信息中鲁棒的信息对第一召回资 源进行二次筛选，从而提高热词召回的容错率。具体的实施例中，这里的鲁棒 的信息可以为实体词。在本说明书实施例中，实体词可以为文本中具有特定意 义的词，具体的，实体词可以包括但不限于：人名、地名、机构名、专有名词 等。
174.在一个具体的实施例中，如图12所示，上述基于对象搜索信息，对第一召 回资源进行文本逻辑匹配，确定第一召回资源中的第二召回资源可以包括：
175.s1201，对对象搜索信息进行实体词识别，得到第一实体词。
176.s1202，对第一召回资源对应的文本信息进行实体词识别，得到第一召回 资源对应的第二实体词。
177.s1203，对第一实体词和第二实体词进行关联匹配，得到关联匹配结果。
178.具体的，关联匹配结果可以表征第一实体词和第二实体词之间的从属关系 或者字体匹配关系。
179.s1204，将关联匹配结果满足预设实体词匹配条件的第一召回资源作为第 二召回资源。
180.在实际应用中，预设实体词匹配条件可以结合实体词的类型和召回资源的 筛选需求进行预先设置。
181.在一个具体的实施例中，在第一实体词和第二实体词为人名的情况下，预 设实体词匹配条件可以为：人名匹配条件，具体的，人名匹配条件可以包括： 第一实体词和第二实体词之间存在简繁体关系，首字母缩写关系、拼写错误关 系等。在实际应用中，可以预先设置人名字典，人名字典用于存储热点人名的 简体字、繁体字、首字母缩写和拼写错误字等，并基于人名字典判断关联匹配 结果是否满足人名匹配条件。
182.以对象搜索信息是“陶渊明”为例，在第一召回资源对应的文本信息 是“陶淵明”的情况下，该第一召回资源可以作为第二召回资源。
183.在另一个具体的实施例中，在第一实体词和第二实体词为地名的情况 下，预设实体词匹配条件可以为地名匹配条件，具体的，地名匹配条件可 以包括第一实体词和第二实体词之间存在行政从属关系。在实际应用中， 可以预先设置地名字典，地名字典用于存储各个地名的行政从属关系，并 基于地名字典判断关联匹配结果是否满足地名匹配条件。
184.以对象搜索信息是“a省高考”为例，第一召回资源1对应的文本信 息是“x市高考”，第一召回资源2对应的文本信息是“y市高考”，由 于实体词“a省”与实体词“x市”之间不存在行政从属关系，而实体词
185.在一个具体的实施例中，对象搜索信息为“a市市民送别袁某某”， 第一召回资源对应的资源文本信息为“吴某某院士遗体告别仪式在b市举 行”，对对象搜索信息和资源文本信息进行实体词识别后，得到对象搜索 信息中的实体词包括：第一人名“袁某某”和第一地名“a市”，资源文 本信息中的实体词包括：第二人名“吴某某”和第二地名“b市”，首先 判断第一人名和第二人名的关联匹配结果是否满足人名匹配条件，判断结 果为不满足，然后判断第一地名和第二地名的关联匹配结果是否满足地名 匹配条件，判断结果也为不满足，因此，该第一召回资源无法作为第二召 回资源。
186.由以上实施例可见，利用对象搜索信息与第一召回资源的文本信息中的鲁 棒信息进行文本逻辑匹配，进一步筛选出第一召回资源中的第二召回资源，能 够在提高热词召回的容错率的同时，提升资源召回率。
187.由以上本技术实施例提供的技术方案可见，本技术在资源召回的应用场景 中，通过对象搜索信息和实时热词集合进行热词匹配，确定用户关注的目标热 点，再结合文本粒度，得到与对象搜索信息最匹配的目标热词，可以基于实时 热点数据挖掘用户侧的画像信息，保证后续召回资源的时效性，从而提升用户 体验；此外，根据资源图像中的隐含语义对分词语义进行筛选，从而将视觉信 息映射到高纬语义空间，得到图像语义特征信息，再对图像语义特征信息和文 本特征信息进行双向融合处理，能够提升多模态融合特征对资源
特征表征的精 准性；然后，基于多个待召回资源对应的多个特征子集合的类中心特征与目标 热门资源的多模态融合特征的特征匹配结果，从多个特征子集合中确定与目标 热门资源的多模态融合特征最相似的目标特征子集合，能够缩小召回范围，并 通过向量量化处理有效地降低特征向量复杂度，提升召回匹配的效率和准确性； 此外，利用对象搜索信息与第一召回资源的文本信息中的鲁棒信息进行文本逻 辑匹配，进一步筛选出第一召回资源中的第二召回资源，能够在提高热词召回 的容错率的同时，提升资源召回率。
188.本技术实施例还提供了一种资源召回装置，如图13所示，该资源召回装置 可以包括：
189.信息获取模块1310，用于获取对象搜索信息和实时热词集合；
190.热词匹配模块1320，用于对对象搜索信息和实时热词集合进行热词匹配， 得到目标热词；
191.目标热门资源确定模块1330，用于确定目标热词对应的目标热门资源；
192.多模态融合特征获取模块1340，用于获取目标热门资源和多个待召回资源 各自对应的多模态融合特征，任一多模态融合特征是基于对应资源的图像语义 特征信息和文本特征信息进行双向融合后生成的，图像语义特征信息是基于对 应资源的图像特征信息对文本特征信息进行分词语义筛选后生成的；
193.特征匹配模块1350，用于基于多模态融合特征，对多个待召回资源和目标 热门资源进行特征匹配，确定多个待召回资源中的第一召回资源。
194.在一个具体的实施例中，上述热词匹配模块1320可以包括：
195.第一热词匹配单元，用于将对象搜索信息与实时热词集合进行热词匹配， 得到第一热词匹配结果；
196.目标热词确定单元，用于在第一热词匹配结果包括至少一个匹配热词的情 况下，将至少一个匹配热词中文本粒度最大的匹配热词作为目标热词，文本粒 度用于衡量对应匹配热词所含信息量的大小。
197.在一个具体的实施例中，上述装置还可以包括：
198.高频搜索词获取模块，用于获取实时高频搜索词和实时高频搜索词对应的 高频点击资源；
199.热词检测模块，用于对实时高频搜索词进行热词检测，得到热词检测结果；
200.文本分析模块，用于在热词检测结果确定实时高频搜索词是热词的情况下， 对实时高频搜索词进行文本分析，得到实时高频搜索词的文本粒度；
201.实时热词集合更新模块，用于基于实时高频搜索词和实时高频搜索词的文 本粒度，更新实时热词集合；
202.热门资源确定模块，用于将高频点击资源作为实时高频搜索词对应的热门 资源。
203.在一个可选的实施例中，上述热词检测模块可以包括：
204.第二热词匹配单元，用于将实时高频搜索词与实时热词集合进行热词匹配， 得到第二热词匹配结果；
205.第一热词检测结果单元，用于在第二热词匹配结果为匹配成功的情况下， 将实时高频搜索词是热词作为热词检测结果。
206.在另一个可选的实施例中，上述热词检测模块还可以包括：
207.热词判别单元，用于在第二热词匹配结果为匹配失败的情况下，将实时高 频搜索词输入热词判别网络进行热词判别，得到热词判别结果；
208.第二热词检测结果单元，用于将热词判别结果作为热词检测结果。
209.在一个具体的实施例中，上述装置还可以包括：
210.多模态特征信息获取模块，用于获取待处理资源对应的多模态特征信息， 多模态特征信息包括：文本特征信息和图像特征信息，待处理资源为目标热门 资源或多个待召回资源中任一待召回资源；
211.融合处理模块，用于将文本特征信息和图像特征信息输入多模态融合网络 进行融合处理，得到待处理资源对应的多模态融合特征。
212.在一个具体的实施例中，上述多模态融合网络可以包括第一融合网络和第 二融合网络，上述融合处理模块可以包括：
213.单向融合单元，用于将图像特征信息和文本特征信息输入第一融合网络， 在第一融合网络中，基于文本特征信息中多个分词特征信息对应的融合权重对 多个分词特征信息进行分词语义筛选，得到图像语义特征信息，融合权重是根 据对应分词特征信息和图像特征信息间的特征相似度确定的；
214.双向融合单元，用于将图像语义特征信息和文本特征信息输入第二融合网 络进行双向融合处理，得到多模态融合特征。
215.在一个具体的实施例中，上述第二融合网络可以包括：第一融合层、第二 融合层、第三融合层、第四融合层和拼接层，上述双向融合单元可以包括：
216.第一融合单元，用于将图像语义特征信息输入第一融合层，在第一融合层 中，基于第一融合权重对图像语义特征信息进行加权融合，得到第一融合特征 信息，第一融合权重是根据图像语义特征信息之间的特征相似度确定的；
217.第二融合单元，用于将文本特征信息输入第二融合层，在第二融合层中， 基于第二融合权重对文本特征信息进行加权融合，得到第二融合特征信息，第 一融合权重是根据文本特征信息之间的特征相似度确定的；
218.第三融合单元，用于将图像语义特征信息和文本特征信息输入第三融合层， 在第三融合层中，基于第三融合权重对图像语义特征信息进行加权融合，得到 第三融合特征信息，第三融合特征信息是根据图像语义特征信息和文本特征信 息间的特征相似度确定的；
219.第四融合单元，用于将图像语义特征信息和文本特征信息输入第四融合层， 在第四融合层中，基于第三融合权重对文本特征信息进行加权融合，得到第四 融合特征信息；
220.拼接单元，用于将第一融合特征信息、第二融合特征信息、第三融合特征 信息和第四融合特征信息输入拼接层进行拼接处理，得到多模态融合特征。
221.在一个具体的实施例中，上述装置还可以包括：
222.文本逻辑匹配模块，用于基于对象搜索信息，对第一召回资源进行文本逻 辑匹配，确定第一召回资源中的第二召回资源。
223.在一个具体的实施例中，上述文本逻辑匹配模块可以包括：
224.第一实体词识别单元，用于对对象搜索信息进行实体词识别，得到第一实 体词。
225.第二实体词识别单元，用于对第一召回资源对应的文本信息进行实体词识 别，得到第一召回资源对应的第二实体词。
226.关联匹配单元，用于对第一实体词和第二实体词进行关联匹配，得到关联 匹配结果。
227.实体词匹配单元，用于将关联匹配结果满足预设实体词匹配条件的第一召 回资源作为第二召回资源。
228.在一个具体的实施例中，上述第一融合网络和第二融合网络是通过如下装 置训练的：
229.样本多模态特征信息获取单元，用于获取多个待处理样本资源对应的样本 多模态特征信息，多个待处理样本资源包括：样本热门资源和样本热门资源对 应的样本召回资源，每一待处理样本资源的样本多模态特征信息包括：样本文 本特征信息和样本图像特征信息；
230.第一预设融合网络单元，用于将每一待处理样本资源的样本图像特征信息 和样本文本特征信息输入第一预设融合网络，在第一预设融合网络中，基于样 本文本特征信息中多个样本分词特征信息对应的样本融合权重对多个样本分词 特征信息进行分词语义筛选，得到每一待处理样本资源的样本图像语义特征， 样本融合权重是根据对应样本分词特征信息和样本图像特征信息间的特征相似 度确定的；
231.第二预设融合网络单元，用于将样本图像语义特征和样本文本特征信息输 入第二预设融合网络进行双向融合处理，得到样本多模态融合特征。
232.样本特征匹配单元，用于基于样本多模态融合特征，对样本热门资源和样 本召回资源进行特征匹配，得到样本特征匹配结果。
233.目标损失信息确定单元，用于基于样本特征匹配结果，确定目标损失信息。
234.网络训练单元，用于基于目标损失信息，训练第一预设融合网络和第二预 设融合网络，得到第一融合网络和第二融合网络。
235.需要说明的，所述装置实施例中的装置与方法实施例基于同样的发明构思。
236.本技术实施例提供了一种资源召回设备，该资源召回设备包括处理器和存 储器，该存储器中存储有至少一条指令或至少一段程序，该至少一条指令或该 至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的资源召 回方法。
237.进一步地，图14示出了一种用于实现本技术实施例所提供的资源召回方法 的资源召回设备的硬件结构示意图，所述资源召回设备可以参与构成或包含本 申请实施例所提供的资源召回装置。如图14所示，资源召回设备140可以包括 一个或多个(图中采用1402a、1402b，
……
，1402n来示出)处理器1402(处 理器1402可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理 装置)、用于存储数据的存储器1404、以及用于通信功能的传输装置1406。除 此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb) 端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、电源和/或 相机。本领域普通技术人员可以理解，图14所示的结构仅为示意，其并不对上 述电子装置的结构造成限定。例如，资源召回设备140还可包括比图14中所示 更多或者更少的组件，或者具有与图14所示不同的配置。
238.应当注意到的是上述一个或多个处理器1402和/或其他数据处理电路在本 文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现 为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处 理模块，或全部或部分的结
合到资源召回设备140(或移动设备)中的其他元 件中的任意一个内。如本技术实施例中所涉及到的，该数据处理电路作为一种 处理器控制(例如与接口连接的可变电阻终端路径的选择)。
239.存储器1404可用于存储应用软件的软件程序以及模块，如本技术实施例中 所述的资源召回方法对应的程序指令/数据存储装置，处理器1402通过运行存 储在存储器1404内的软件程序以及模块，从而执行各种功能应用以及数据处 理，即实现上述的一种资源召回方法。存储器1404可包括高速随机存储器，还 可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易 失性固态存储器。在一些实例中，存储器1404可进一步包括相对于处理器1402 远程设置的存储器，这些远程存储器可以通过网络连接至资源召回设备140。 上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其 组合。
240.传输装置1406用于经由一个网络接收或者发送数据。上述的网络具体实例 可包括资源召回设备140的通信供应商提供的无线网络。在一个实例中，传输 装置1406包括一个网络适配器(networkinterfacecontroller，nic)，其可通过 基站与其他网络设备相连从而可与互联网进行通讯。在一个实施例中，传输装 置1406可以为射频(radiofrequency，rf)模块，其用于通过无线方式与互联 网进行通讯。
241.显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户 能够与资源召回设备140(或移动设备)的用户界面进行交互。
242.本技术的实施例还提供了一种计算机可读存储介质，所述存储介质可设置 于资源召回设备之中以保存用于实现方法实施例中资源召回方法相关的至少一 条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并 执行以实现上述方法实施例提供的资源召回方法。
243.可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服 务器中的至少一个网络服务器。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、只读存储器(read-only memory，rom)、随机存取存储 器(random access memory，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。
244.本技术的实施例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如方法实施例提供的资源召回方法。 可选的，该计算机程序产品可以包括但不限于新闻推荐系统、视频推荐系统和 商品推荐系统。
245.需要说明的是：上述本技术实施例先后顺序仅仅为了描述，不代表实施例 的优劣。且上述对本技术特定实施例进行了描述。其它实施例在所附权利要求 书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同 于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘 的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些 实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
246.本技术中的各个实施例均采用递进的方式描述，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
和设备实施例而言，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。
247.本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过 硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于 一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或 光盘等。
248.以上所述仅为本技术的较佳实施例，并不用以限制本技术，凡在本技术的 精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的 保护范围之内。