CN109493138A - 信息推荐方法、装置、服务器及存储介质 - Google Patents

信息推荐方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN109493138A
CN109493138A CN201811314707.4A CN201811314707A CN109493138A CN 109493138 A CN109493138 A CN 109493138A CN 201811314707 A CN201811314707 A CN 201811314707A CN 109493138 A CN109493138 A CN 109493138A
Authority
CN
China
Prior art keywords
information
user
recommendation
recommended amounts
parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811314707.4A
Other languages
English (en)
Other versions
CN109493138B (zh
Inventor
程波波
严强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN201811314707.4A priority Critical patent/CN109493138B/zh
Publication of CN109493138A publication Critical patent/CN109493138A/zh
Application granted granted Critical
Publication of CN109493138B publication Critical patent/CN109493138B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开是关于一种信息推荐方法、装置、服务器及存储介质，涉及网技术领域，方法包括：基于多个用户的用户信息，获取多个第一信息的效果预测数据，所述效果预测数据用于指示当所述多个第一信息被推荐至所述多个用户时的推荐效果；获取所述多个第一信息的目标推荐量参数，所述目标推荐量参数用于表示目标推荐量的大小；根据所述多个第一信息的效果预测数据和目标推荐量参数，确定每个第一信息对所述多个用户中任一用户的推荐概率；根据所述每个第一信息的推荐概率，向所述多个用户推荐所述多个第一信息。在保证每个信息所要求的投放量的前提下，最大化每个第一信息被推荐后产生的推荐效果，提高了信息推荐的实际推荐效率。

Description

信息推荐方法、装置、服务器及存储介质
技术领域
本公开涉及互联网技术领域，尤其涉及一种信息推荐方法、装置、服务器及存储介质。
背景技术
随着互联网技术的发展，用户可以购买某个信息在网络平台上的投放量，以使该网络平台可以基于该投放量，向该网络平台上的观众用户推荐该信息，例如，社交应用平台上推荐的广告、短视频应用平台上推荐的热门用户的短视频等。
相关技术中，一般是对广告的推荐，以视频应用平台为例，该推荐过程可以为：服务器根据多个待推荐的信息的投放量，对多个信息进行排序，根据该每个信息的投放量，通过HWM(High Water Mark，高水位)算法，确定出每个信息在达到该信息的投放量时，每个信息的投放概率，并基于每个信息的投放概率，向每个该视频平台的用户推荐该多个信息，以使该多个信息均能按照该投放量投放至该多个用户中。
上述过程实际上是基于投放量进行信息推荐的过程，虽然，每个信息最终被推荐的次数满足所要求的投放量，但是，该信息推送至用户时，该用户可能对被推荐的信息并不感兴趣，则该次推荐是无效的推荐，使得上述推荐过程中，所推荐的信息转化为有效信息的转化率较低，导致上述信息推荐的实际推荐效率较低。
发明内容
为克服相关技术中存在的问题，本公开提供一种信息推荐方法、装置、服务器及存储介质。
根据本公开实施例的第一方面，提供一种信息推荐方法，所述方法应用在服务器上，包括：
基于多个用户的用户信息，获取多个第一信息的效果预测数据，所述效果预测数据用于指示当所述多个第一信息被推荐至所述多个用户时的推荐效果；
获取所述多个第一信息的目标推荐量参数，所述目标推荐量参数用于表示目标推荐量的大小；
根据所述多个第一信息的效果预测数据和目标推荐量参数，确定每个第一信息对所述多个用户中任一用户的推荐概率；
根据所述每个第一信息的推荐概率，向所述多个用户推荐所述多个第一信息。
在一种可能的设计中，所述获取所述多个第一信息的目标推荐量参数包括：
从所述服务器的目标存储空间中，获取所述多个第一信息的历史推荐量参数，所述历史推荐参数是指所述多个第一信息在历史推荐时采用的推荐量参数；
将所述历史推荐量参数作为所述目标推荐量参数。
在一种可能的设计中，所述获取所述多个第一信息的目标推荐量参数包括：
获取所述多个第一信息的目标推荐量；
根据所述多个第一信息的目标推荐量和效果预测数据，通过所述多个第一信息的推荐量参数表达式，确定所述多个第一信息的目标推荐量参数。
在一种可能的设计中，所述推荐量参数表达式用于表示在所述每个第一信息的推荐概率满足第一约束条件时，所述每个信息的推荐概率与效果预测数据、目标推荐量参数之间的关系；
其中，所述第一约束条件包括：所述每个第一信息对于所述多个用户中每个用户的推荐概率之和不超过第一预设阈值，所述每个第一信息对于所述多个用户中每个用户的推荐量之和为所述每个第一信息的目标推荐量。
在一种可能的设计中，所述多个第一信息的推荐量参数的确定过程包括：将所述多个第一信息的目标推荐量和效果预测数据输入所述推荐量参数表达式，基于所述推荐量表达式包括的第一约束条件，通过迭代算法，确定出满足收敛条件的目标推荐量参数。
在一种可能的设计中，所述方法还包括：
根据所述多个第一信息的效果预测数据和目标推荐量，建立目标函数；
根据所述目标函数，通过对偶求解算法，确定所述多个第一信息的推荐量参数表达式。
在一种可能的设计中，所述目标函数用于表示在所述每个第一信息的推荐概率满足第二约束条件时，所述每个第一信息的推荐效果的期望；
其中，所述第二约束条件包括：所述每个第一信息对于所述多个用户中每个用户的推荐概率之和不超过第一预设阈值，所述每个第一信息对于所述多个用户中每个用户的推荐量之和为所述每个第一信息的目标推荐量，所述每个第一信息对任一用户的推荐概率不小于第二预设阈值。
在一种可能的设计中，所述目标推荐量参数包括保量参数，或者，所述目标推荐量参数包括保量参数和概率参数；
其中，所述保量参数用于指示所述目标推荐量的大小，所述概率参数用于调节所述每个第一信息对每个用户的推荐概率的大小。
在一种可能的设计中，所述根据所述多个第一信息的效果预测数据和目标推荐量参数，确定每个第一信息对所述多个用户中任一用户的推荐概率包括：
当所述目标推荐量参数包括保量参数时，根据所述多个第一信息的效果预测数据和目标推荐量参数，通过第一概率公式，确定每个第一信息对所述多个用户中任一用户的推荐概率，所述保量参数用于指示所述目标推荐量的大小；
当所述目标推荐量参数包括保量参数和概率参数时，根据所述多个第一信息的效果预测数据和目标推荐量参数，通过第二概率公式，确定每个第一信息对所述多个用户中任一用户的推荐概率，所述概率参数用于调节所述每个第一信息对每个用户的推荐概率的大小。
在一种可能的设计中，所述第一概率公式用于表示在所述每个第一信息的推荐概率满足第三约束条件时，所述每个第一信息的推荐概率、效果预测数据与所述目标推荐量参数之间的关系；
所述第二概率公式用于表示所述每个第一信息的推荐概率、效果预测数据与所述目标推荐量参数之间的关系；
其中，所述第三约束条件为：所述每个第一信息对于所述多个用户中每个用户的推荐概率之和不超过第一预设阈值。
在一种可能的设计中，所述基于多个用户的用户信息，获取多个第一信息的效果预测数据包括：
获取所述多个第一信息的信息特征；
根据所述多个用户的用户信息和所述多个第一信息的信息特征，对所述多个第一信息进行预测，得到所述多个第一信息的效果预测数据。
在一种可能的设计中，所述根据所述每个第一信息的推荐概率，向所述多个用户推荐所述多个第一信息包括：
对于每个第一信息，获取所述每个第一信息的随机数；
根据所述每个第一信息对所述多个用户中每个用户的推荐概率，确定所述每个用户对应的概率区间；
根据所述每个第一信息的随机数，确定所述多个用户中所述随机数所属概率区间对应的目标用户；
向所述目标用户推送所述每个第一信息。
在一种可能的设计中，所述基于多个用户的用户信息，获取多个第一信息的效果预测数据之前，所述方法还包括：
获取所述多个用户的用户信息；
根据所述多个用户的用户信息和多个第二信息的投放条件，从多个第二信息中筛选出投放条件与所述多个用户的用户信息匹配的多个第一信息，所述投放条件是指第二信息被推荐的推荐对象所满足的条件。
在一种可能的设计中，所述获取所述多个用户的用户信息包括：
当接收到多个用户的访问请求时，获取所述多个用户的用户信息；或，
当所述多个用户的访问状态达到推荐条件时，获取所述多个用户的用户信息。
根据本公开实施例的第二方面，提供一种信息推荐装置，所述装置应用在服务器上，包括：
获取模块，被配置为基于多个用户的用户信息，获取多个第一信息的效果预测数据，所述效果预测数据用于指示当所述多个第一信息被推荐至所述多个用户时的推荐效果；
所述获取模块，还被配置为获取所述多个第一信息的目标推荐量参数，所述目标推荐量参数用于表示目标推荐量的大小；
确定模块，被配置为根据所述多个第一信息的效果预测数据和目标推荐量参数，确定每个第一信息对所述多个用户中任一用户的推荐概率；
推荐模块，被配置为根据所述每个第一信息的推荐概率，向所述多个用户推荐所述多个第一信息。
在一种可能的设计中，所述获取模块，包括：
第一获取单元，被配置为从所述服务器的目标存储空间中，获取所述多个第一信息的历史推荐量参数，所述历史推荐参数是指所述多个第一信息在历史推荐时采用的推荐量参数；
作为单元，被配置为将所述历史推荐量参数作为所述目标推荐量参数。
在一种可能的设计中，所述获取模块，包括：
第二获取单元，被配置为获取所述多个第一信息的目标推荐量；
确定单元，被配置为根据所述多个第一信息的目标推荐量和效果预测数据，通过所述多个第一信息的推荐量参数表达式，确定所述多个第一信息的目标推荐量参数。
在一种可能的设计中，所述推荐量参数表达式用于表示在所述每个第一信息的推荐概率满足第一约束条件时，所述每个信息的推荐概率与效果预测数据、目标推荐量参数之间的关系；
其中，所述第一约束条件包括：所述每个第一信息对于所述多个用户中每个用户的推荐概率之和不超过第一预设阈值，所述每个第一信息对于所述多个用户中每个用户的推荐量之和为所述每个第一信息的目标推荐量。
在一种可能的设计中，所述确定单元，还被配置为将所述多个第一信息的目标推荐量和效果预测数据输入所述推荐量参数表达式，基于所述推荐量表达式包括的第一约束条件，通过迭代算法，确定出满足收敛条件的目标推荐量参数。
在一种可能的设计中，所述装置还包括：
建立模块，被配置为根据所述多个第一信息的效果预测数据和目标推荐量，建立目标函数；
所述确定单元，还被配置为根据所述目标函数，通过对偶求解算法，确定所述多个第一信息的推荐量参数表达式。
在一种可能的设计中，所述目标函数用于表示在所述每个第一信息的推荐概率满足第二约束条件时，所述每个第一信息的推荐效果的期望；
其中，所述第二约束条件包括：所述每个第一信息对于所述多个用户中每个用户的推荐概率之和不超过第一预设阈值，所述每个第一信息对于所述多个用户中每个用户的推荐量之和为所述每个第一信息的目标推荐量，所述每个第一信息对任一用户的推荐概率不小于第二预设阈值。
在一种可能的设计中，所述目标推荐量参数包括保量参数，或者，所述目标推荐量参数包括保量参数和概率参数；
其中，所述保量参数用于指示所述目标推荐量的大小，所述概率参数用于调节所述每个第一信息对每个用户的推荐概率的大小。
在一种可能的设计中，所述确定单元，包括：
第一确定单元，被配置为当所述目标推荐量参数包括保量参数时，根据所述多个第一信息的效果预测数据和目标推荐量参数，通过第一概率公式，确定每个第一信息对所述多个用户中任一用户的推荐概率，所述保量参数用于指示所述目标推荐量的大小；
第二确定单元，被配置为当所述目标推荐量参数包括保量参数和概率参数时，根据所述多个第一信息的效果预测数据和目标推荐量参数，通过第二概率公式，确定每个第一信息对所述多个用户中任一用户的推荐概率，所述概率参数用于调节所述每个第一信息对每个用户的推荐概率的大小。
在一种可能的设计中，所述第一概率公式用于表示在所述每个第一信息的推荐概率满足第三约束条件时，所述每个第一信息的推荐概率、效果预测数据与所述目标推荐量参数之间的关系；
所述第二概率公式用于表示所述每个第一信息的推荐概率、效果预测数据与所述目标推荐量参数之间的关系；
其中，所述第三约束条件为：所述每个第一信息对于所述多个用户中每个用户的推荐概率之和不超过第一预设阈值。
在一种可能的设计中，所述获取模块，还被配置为获取所述多个第一信息的信息特征；根据所述多个用户的用户信息和所述多个第一信息的信息特征，对所述多个第一信息进行预测，得到所述多个第一信息的效果预测数据。
在一种可能的设计中，所述推荐模块，还被配置为对于每个第一信息，获取所述每个第一信息的随机数；根据所述每个第一信息对所述多个用户中每个用户的推荐概率，确定所述每个用户对应的概率区间；根据所述每个第一信息的随机数，确定所述多个用户中所述随机数所属概率区间对应的目标用户；向所述目标用户推送所述每个第一信息。
在一种可能的设计中，所述装置还包括：
所述获取模块，还被配置为获取所述多个用户的用户信息；
筛选模块，被配置为根据所述多个用户的用户信息和多个第二信息的投放条件，从多个第二信息中筛选出投放条件与所述多个用户的用户信息匹配的多个第一信息，所述投放条件是指第二信息被推荐的推荐对象所满足的条件。
在一种可能的设计中，所述获取模块，包括：
第三获取单元，被配置为当接收到多个用户的访问请求时，获取所述多个用户的用户信息；或，
第四获取单元，被配置为当所述多个用户的访问状态达到推荐条件时，获取所述多个用户的用户信息。
根据本公开实施例的第三方面，提供一种信息推荐服务器，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
基于多个用户的用户信息，获取多个第一信息的效果预测数据，所述效果预测数据用于指示当所述多个第一信息被推荐至所述多个用户时的推荐效果；
获取所述多个第一信息的目标推荐量参数，所述目标推荐量参数用于表示目标推荐量的大小；
根据所述多个第一信息的效果预测数据和目标推荐量参数，确定每个第一信息对所述多个用户中任一用户的推荐概率；
根据所述每个第一信息的推荐概率，向所述多个用户推荐所述多个第一信息。
根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种信息推荐方法，所述方法包括：
基于多个用户的用户信息，获取多个第一信息的效果预测数据，所述效果预测数据用于指示当所述多个第一信息被推荐至所述多个用户时的推荐效果；
获取所述多个第一信息的目标推荐量参数，所述目标推荐量参数用于表示目标推荐量的大小；
根据所述多个第一信息的效果预测数据和目标推荐量参数，确定每个第一信息对所述多个用户中任一用户的推荐概率；
根据所述每个第一信息的推荐概率，向所述多个用户推荐所述多个第一信息。
根据本公开实施例的第五方面，提供一种应用程序，包括一条或多条指令，该一条或多条指令可以由电子设备的处理器执行时，使得电子设备能够执行一种信息推荐方法，所述方法包括：
基于多个用户的用户信息，获取多个第一信息的效果预测数据，所述效果预测数据用于指示当所述多个第一信息被推荐至所述多个用户时的推荐效果；
获取所述多个第一信息的目标推荐量参数，所述目标推荐量参数用于表示目标推荐量的大小；
根据所述多个第一信息的效果预测数据和目标推荐量参数，确定每个第一信息对所述多个用户中任一用户的推荐概率；
根据所述每个第一信息的推荐概率，向所述多个用户推荐所述多个第一信息。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开实施例中，通过对第一信息进行预测得到的效果预测数据，基于该效果预测数据和第一信息的目标推荐量参数，确定每个第一信息的推荐概率；该推荐概率很好的结合了每个第一信息的预测效果和所要达到的目标推荐量，根据所述每个第一信息的推荐概率，向所述多个用户推荐所述多个第一信息。在保证每个信息所要求的投放量的前提下，最大化每个第一信息被推荐后产生的推荐效果，提高了推荐的第一信息过程中转化为有效信息的转化率，提高了信息推荐的实际推荐效率。
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
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。
图1是根据一示例性实施例示出的一种信息推荐方法的实施环境示意图。
图2是根据一示例性实施例示出的一种信息推荐方法的流程图。
图3是根据一示例性实施例示出的一种信息推荐方法的流程图。
图4是根据一示例性实施例示出的一种信息推荐方法的流程图。
图5是根据一示例性实施例示出的一种信息推荐装置的框图。
图6是根据一示例性实施例示出的一种用于信息推荐的服务器600的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。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。
图1是根据一示例性实施例示出的一种信息推荐方法的实施环境示意图，如图1所示，该实施环境包括服务器101和服务器102，该服务器101可以为多媒体应用平台的资源服务器，用于存储该多媒体应用平台上的多个多媒体资源。该服务器102用于为该多媒体应用平台提供信息推荐服务，该信息推荐服务是指由服务器102向该多媒体应用平台上的推荐信息的服务。
在该多媒体应用平台上，通常有多个访问的用户，该服务器102可以向该多个用户推荐信息。其中，该服务器101上可以存储多个第一信息的效果预测数据和目标推荐量参数，该效果预测数据用于指示当该多个第一信息被推荐至该多个用户时的推荐效果。该服务器102可以基于该效果预测数据和目标推荐量参数，确定该多个第一信息的推荐概率，基于该多个第一信息的推荐概率，向该多媒体应用平台上的多个用户推荐该多个第一信息。
其中，该服务器101上存储该多个第一信息的信息资源，在基于推荐概率向用户推荐第一信息时，该服务器102基于该推荐概率，确定出向每个用户推荐的信息后，将该信息的信息标识发送至该服务器101，由该服务器101将该信息标识对应的信息推送至该用户。
需要说明的是，该第一信息可以为该多媒体应用平台上的视频、图片、动画或者文字等，例如，某个主播的短视频、广告动画、文字提示消息等。当然，上述推荐信息的过程也可以由服务器101或者服务器102中任一服务器实现，或者两个服务器共同来实现。例如，该服务器102上也可以存储该多个第一信息的信息资源，由该服务器102实现将多个第一信息推送至多个用户；或者，该服务器101独自执行上述基于效果预测数据和目标推荐量参数确定推荐概率，以及向用户推送第一信息的过程，本公开实施例对此均不作具体限定。
图2是根据一示例性实施例示出的一种信息推荐方法的流程图，如图1所示，该信息推荐方法用于服务器中，包括以下步骤。
在步骤201中，基于多个用户的用户信息，获取多个第一信息的效果预测数据，该效果预测数据用于指示当该多个第一信息被推荐至该多个用户时的推荐效果；
在步骤202中，获取该多个第一信息的目标推荐量参数，该目标推荐量参数用于表示目标推荐量的大小；
在步骤203中，根据该多个第一信息的效果预测数据和目标推荐量参数，确定每个第一信息对该多个用户中任一用户的推荐概率；
在步骤204中，根据该每个第一信息的推荐概率，向该多个用户推荐该多个第一信息。
在一种可能的设计中，该获取该多个第一信息的目标推荐量参数包括：
从该服务器的目标存储空间中，获取该多个第一信息的历史推荐量参数，该历史推荐参数是指该多个第一信息在历史推荐时采用的推荐量参数；
将该历史推荐量参数作为该目标推荐量参数。
在一种可能的设计中，该获取该多个第一信息的目标推荐量参数包括：
获取该多个第一信息的目标推荐量；
根据该多个第一信息的目标推荐量和效果预测数据，通过该多个第一信息的推荐量参数表达式，确定该多个第一信息的目标推荐量参数。
在一种可能的设计中，该推荐量参数表达式用于表示在该每个第一信息的推荐概率满足第一约束条件时，该每个信息的推荐概率与效果预测数据、目标推荐量参数之间的关系；
其中，该第一约束条件包括：该每个第一信息对于该多个用户中每个用户的推荐概率之和不超过第一预设阈值，该每个第一信息对于该多个用户中每个用户的推荐量之和为该每个第一信息的目标推荐量。
在一种可能的设计中，该多个第一信息的推荐量参数的确定过程包括：将该多个第一信息的目标推荐量和效果预测数据输入该推荐量参数表达式，基于该推荐量表达式包括的第一约束条件，通过迭代算法，确定出满足收敛条件的目标推荐量参数。
在一种可能的设计中，该方法还包括：
根据该多个第一信息的效果预测数据和目标推荐量，建立目标函数；
根据该目标函数，通过对偶求解算法，确定该多个第一信息的推荐量参数表达式。
在一种可能的设计中，该目标函数用于表示在该每个第一信息的推荐概率满足第二约束条件时，该每个第一信息的推荐效果的期望；
其中，该第二约束条件包括：该每个第一信息对于该多个用户中每个用户的推荐概率之和不超过第一预设阈值，该每个第一信息对于该多个用户中每个用户的推荐量之和为该每个第一信息的目标推荐量，该每个第一信息对任一用户的推荐概率不小于第二预设阈值。
在一种可能的设计中，该目标推荐量参数包括保量参数，或者，该目标推荐量参数包括保量参数和概率参数；
其中，该保量参数用于指示该目标推荐量的大小，该概率参数用于调节该每个第一信息对每个用户的推荐概率的大小。
在一种可能的设计中，该根据该多个第一信息的效果预测数据和目标推荐量参数，确定每个第一信息对该多个用户中任一用户的推荐概率包括：
当该目标推荐量参数包括保量参数时，根据该多个第一信息的效果预测数据和目标推荐量参数，通过第一概率公式，确定每个第一信息对该多个用户中任一用户的推荐概率，该保量参数用于指示该目标推荐量的大小；
当该目标推荐量参数包括保量参数和概率参数时，根据该多个第一信息的效果预测数据和目标推荐量参数，通过第二概率公式，确定每个第一信息对该多个用户中任一用户的推荐概率，该概率参数用于调节该每个第一信息对每个用户的推荐概率的大小。
在一种可能的设计中，该第一概率公式用于表示在该每个第一信息的推荐概率满足第三约束条件时，该每个第一信息的推荐概率、效果预测数据与该目标推荐量参数之间的关系；
该第二概率公式用于表示该每个第一信息的推荐概率、效果预测数据与该目标推荐量参数之间的关系；
其中，该第三约束条件为：该每个第一信息对于该多个用户中每个用户的推荐概率之和不超过第一预设阈值。
在一种可能的设计中，该基于多个用户的用户信息，获取多个第一信息的效果预测数据包括：
获取该多个第一信息的信息特征；
根据该多个用户的用户信息和该多个第一信息的信息特征，对该多个第一信息进行预测，得到该多个第一信息的效果预测数据。
在一种可能的设计中，该根据该每个第一信息的推荐概率，向该多个用户推荐该多个第一信息包括：
对于每个第一信息，获取该每个第一信息的随机数；
根据该每个第一信息对该多个用户中每个用户的推荐概率，确定该每个用户对应的概率区间；
根据该每个第一信息的随机数，确定该多个用户中该随机数所属概率区间对应的目标用户；
向该目标用户推送该每个第一信息。
在一种可能的设计中，该基于多个用户的用户信息，获取多个第一信息的效果预测数据之前，该方法还包括：
获取该多个用户的用户信息；
根据该多个用户的用户信息和多个第二信息的投放条件，从多个第二信息中筛选出投放条件与该多个用户的用户信息匹配的多个第一信息，该投放条件是指第二信息被推荐的推荐对象所满足的条件。
在一种可能的设计中，该获取该多个用户的用户信息包括：
当接收到多个用户的访问请求时，获取该多个用户的用户信息；或，
当该多个用户的访问状态达到推荐条件时，获取该多个用户的用户信息。
本公开实施例中，通过对第一信息进行预测得到的效果预测数据，基于该效果预测数据和第一信息的目标推荐量参数，确定每个第一信息的推荐概率；该推荐概率很好的结合了每个第一信息的预测效果和所要达到的目标推荐量，根据该每个第一信息的推荐概率，向该多个用户推荐该多个第一信息。在保证每个信息所要求的投放量的前提下，最大化每个第一信息被推荐后产生的推荐效果，提高了推荐的第一信息过程中转化为有效信息的转化率，提高了信息推荐的实际推荐效率。
图3是根据一示例性实施例示出的一种信息推荐方法的流程图，如图3所示，该信息推荐方法用于服务器中，包括以下步骤。
在步骤301中，服务器获取多个用户的用户信息。
其中，该多个用户为当前等待被推荐信息的用户。本公开实施例中，该多个用户可以为访问该多媒体应用平台的用户，当该多个用户访问该多媒体资源平台时，该服务器获取该多个用户的用户信息。
本公开实施例中，该服务器可以在用户访问该多媒体应用平台时，向用户推荐信息，也可以在该用户的访问状态达到一定的条件时，才推荐信息。相应的，本步骤可以由以下两种方式实现。
第一种方式、服务器在用户访问该多媒体平台时推荐信息，则本步骤可以为：当该服务器接收到该多个用户的访问请求时，服务器获取多个用户的用户信息。
其中，该访问请求携带用户的用户标识，当用户的终端向服务器发送访问请求时，该服务器接收该访问请求，根据该用户标识，获取该用户的用户信息。其中，该服务器中可以事先存储多个维度，根据该多个维度，获取该用户在该多个维度的用户信息。其中，该服务器后续可以预测每个第一信息的被推荐至该多个用户时的推荐效果，该多个维度可以为该预测过程中所采用的信息包括的维度。
该用户信息可以包括但不限于：该用户的访问时间、该用户的年龄、性别、该用户在该多媒体应用平台的资源数值、该用户的历史浏览记录、该用户所在的地理位置、该用户的用户特征标签、该用户在该多媒体应用平台上发布的历史信息等，本公开实施例对此不做具体限定。例如，用户在短视频应用平台上发布的短视频、用户在游戏应用平台上的金币数值、用户在社交应用平台上的状态标签等。
本公开实施例中，用户可以在多媒体应用平台上注册个人账号，基于该个人账号访问多媒体应用平台。其中，该个人账号的账号信息中携带该用户的用户标识。当服务器接收到用户的访问请求时，该服务器根据从该用户的账号信息中提取该用户的用户标识，根据该用户标识，获取该用户的用户信息。该用户标识可以为用户的昵称、用户ID等，本公开实施例对此不做具体限定。
在一种可能的实施方式中，该多媒体应用平台可以提供有推荐页面，当用户访问该页面时，该服务器才向用户推荐信息。该访问请求可以为访问该推荐页面的页面访问请求。当然，当用户刷新该推荐页面时，该服务器可以为用户更新之前推荐的信息，也即是，当服务器接收到用户的刷新请求时，也执行获取多个用户的用户信息的步骤。其中，该推荐页面中设置有多个推荐选项，例如，游戏、娱乐、冒险、美食等，每个推荐选项对应一种信息的信息类型，后续该服务器可以基于该推荐选项为用户推荐信息。该页面访问请求中还可以携带用户选中的推荐选项的选项标识，该服务器还可以将该用户选中的推荐选项，也作为该用户的用户信息。
其中，该多媒体应用平台可以对应有一个数据库，该数据库用于存储并维护该多媒体应用平台上多个用户的用户账号和用户信息，该服务器可以根据该用户标识和第二信息的投放条件，从该数据库中提取该用户在多个维度的用户信息。其中，该数据库可以为该服务器中的数据库，或者该多媒体应用平台的资源服务器中的数据库，本公开实施例对此不做具体限定。
在一种可能的实施方式中，该服务器基于用户的用户信息，向用户推荐该与用户信息匹配的信息，因此，本步骤可以为：该服务器根据多个第二信息的投放条件所包括的至少一个维度，获取该多个用户在该至少一个维度的用户信息。该投放条件是指该第二信息被推荐的推荐对象所满足的条件。其中，该投放条件可以基于需要进行设置，本公开实施例对此不作具体限定。
第二种方式、服务器在用户的终端达到推荐条件才推荐信息，则本步骤可以为：当该多个用户的访问状态达到推荐条件时，服务器获取该多个用户的用户信息。
在用户访问该多媒体应用平台的过程中，该服务器可以实时检测每个用户的访问状态，当该多个用户的访问状态达到推荐条件时，该服务器获取该多个用户的用户信息。其中，该推荐条件可以包括但不限于：用户浏览时长达到预设时长、用户所浏览的视频数量达到预设数目、用户当前浏览的视频为预设视频等。相应的，该服务器可以实时检测每个用户的当前浏览时长、浏览的视频数量或者当前浏览的视频等访问状态，并基于该访问状态进行判断。
其中，与上述第一种方式同理，该服务器也可以基于用户的用户标识获取用户信息，并基于用户访问推荐页面时的页面访问请求获取用户信息，该过程为与上述第一种实现方式同理的过程，此处不再一一赘述。
在步骤302中，服务器根据该多个用户的用户信息和该多个第一信息的信息特征，对该多个第一信息进行预测，得到该多个第一信息的效果预测数据。
其中，该效果预测数据用于指示当该多个第一信息被推荐至该多个用户时的推荐效果，本步骤中，该服务器可以根据该多个用户的用户信息，对该多个第一信息的推荐效果进行预测，得到该多个第一信息的效果预测数据。
该效果预测数据可以包括但不限于：第一信息的期望点击率、第一信息的发布者的期望涨粉率、第一信息的期望点赞数、第一信息的期望礼物数量等。其中，该效果预测数据可以用矩阵A表示，在该矩阵中，Aij表示第i个用户对第j个第一信息的效果分数。
在一种可能的实施方式中，该服务器还可以结合该第一信息本身的信息质量和用户信息，通过深度学习算法，对第一信息的推荐效果进行预测，该第一信息的信息质量可以包括但不限于：第一信息的信息量、第一信息的信息主题的热门度、第一信息的包括的图像的清晰度等。其中，该第一信息的信息量可以用该第一信息的显示时长或者所包括的文字数量、图像数量等来表示。当然，该服务器还可以结合第一信息的投放条件，确定该多个第一信息的效果预测数据。
在一种可能的实施方式中，本步骤之前，还服务器还可以先从第二信息中筛选出与多个用户的用户信息匹配的第一信息。该过程可以为：该服务器根据该多个用户的用户信息和多个第二信息的投放条件，从该多个第二信息中筛选出投放条件与该多个用户的用户信息匹配的第一信息。其中，投放条件与用户的用户信息匹配是指用户信息能够满足该投放条件。对于每个第二信息，该服务器可以根据该多个用户的用户信息，判断该多个用户的用户信息是否满足该第二信息的投放条件，当该多个用户的用户信息满足该第二信息的投放条件时，将该第二信息确定为待推荐的第一信息。
需要说明的是，在一些多媒体应用平台中，用户可以通过购买曝光量的方式，对自己的信息进行推广，例如，在短视频应用平台中，将自己的短视频推送给其他观众用户，以使自己的短视频得到他人浏览和欣赏，或者，推广相关产品的广告等，在推广时，还可以设定该信息的投放条件，也即是，将自己的信息推广至具备目标特征的用户，例如，投放至性别为女性的用户。因此，该服务器可以先基于用户信息，筛选出投放条件与该多个用户的用户信息相匹配的第一信息，从而保证了后续推送的准确性。
需要说明的是，上述步骤301-302实际上是步骤“基于多个用户的用户信息，获取多个第一信息的效果预测数据”的一种具体实现方式，实际上，上述步骤301-302所给出的实现方式是实时基于用户信息进行预测，确定效果预测数据的过程，然而，上述步骤301-302还可以由预测服务器来实现，则当该服务器需要向多个用户推荐信息时，该服务器直接将该多个用户的用户标识发送至该预测服务器，由该预测服务器基执行上述步骤301-302，并将该效果预测数据发送至该服务器。本公开实施例对此不作具体限定。
在步骤303中，服务器获取该多个第一信息的目标推荐量参数。
其中，该目标推荐量参数用于指示该多个第一信息的目标推荐量的大小。本公开实施例中，该服务器可以根据该筛选得到的多个第一信息，获取该多个第一信息的目标推荐量参数。
其中，该服务器可以在线下事先计算并存储该目标推荐量参数，也可以在线上实时获取该目标推荐量参数，相应的，本步骤可以通过以下两种方式实现。
第一种方式、服务器实时获取该目标推荐量参数，则本步骤可以为：服务器获取该多个第一信息的目标推荐量，根据该多个第一信息的目标推荐量和效果预测数据，通过该多个第一信息的推荐量参数表达式，确定该多个第一信息的目标推荐量参数。
其中，该目标推荐量是指该第一信息还需被推荐的推荐次数，该推荐量参数表达式用于表示在该每个第一信息的推荐概率满足第一约束条件时，该每个信息的推荐概率与效果预测数据、目标推荐量参数之间的关系；其中，该第一约束条件包括：该每个第一信息对于该多个用户中每个用户的推荐概率之和不超过第一预设阈值，该每个第一信息对于该多个用户中每个用户的推荐量之和为该每个第一信息的目标推荐量。
对于该目标推荐量，服务器每次推荐信息时，可以将一个第一信息推送至一个用户，该目标推荐量可以为该第一信息还需被推送的用户数量。对于每个第一信息，该服务器将该第一信息的推荐总量与已推荐量之间的差值，确定为该第一信息的目标推荐量。本公开实施例中，每个第一信息对应有一个推荐总量，该推荐总量是指该第一信息需要被推送的总次数。
其中，该目标推荐量可以用矩阵dj表示，d＝(d1，d2，…dj，…，dn)，dj是该多个第一信息中第j个第一信息的目标推荐量，n是第一信息的总数量。
在一种可能的实施方式中，每个第一信息该可以对应有投放时间，该服务器可以根据该第一信息的投放时间，将该投放时间划分为多个投放周期，每个投放周期对应一个推荐量，并且，第一信息在每个投放周期对应的推荐量可能不同，因此，该服务器可以根据当前时间所处的投放周期，确定当前投放周期对应的推荐量，并将该推荐量与当前投放周期内的已推荐量之间的差值，作为该第一信息在当前投放周期内的目标推荐量。
对于该推荐量参数表达式，该服务器可以事先存储该推荐量参数表达式，本步骤中，该服务器从目标存储空间中获取该多个第一信息的推荐量参数表达式，根据该多个第一信息的目标推荐量和效果预测数据，通过以下推荐量参数表达式，确定该多个第一信息的目标推荐量参数：
其中，αj是保量参数，βi是概率参数，Xij是向该多个用户中第i个用户推荐第j个第一信息的推荐概率，dj是第j个第一信息的目标推荐量，Aij是该多个用户中第i个用户对第j个第一信息的效果分数，λ是正则化系数。
其中，保量参数用于指示该目标推荐量的大小，该概率参数用于调节该每个第一信息对每个用户的推荐概率的大小。在一种可能的实施方式中，该目标推荐量参数可以包括该保量参数和概率参数。该服务器可以实时将目标推荐量和效果预测数据代入上述推荐量参数表达式中，实时计算出该目标推荐量参数。
需要说明的是，该服务器可以基于对该多个第一信息的推荐效果的期望，构造一个目标函数，基于该目标函数，确定上述推荐量参数表达式。因此，该服务器确定该推荐量参数表达式的过程可以为：服务器根据该多个第一信息的效果预测数据和目标推荐量，建立目标函数，根据该目标函数，通过对偶求解算法，确定该多个第一信息的推荐量参数表达式。
其中，该目标函数用于表示在该每个第一信息的推荐概率满足第二约束条件时，该每个第一信息的推荐效果的期望；该第二约束条件包括：该每个第一信息对于该多个用户中每个用户的推荐概率之和不超过第一预设阈值，该每个第一信息对于该多个用户中每个用户的推荐量之和为该每个第一信息的目标推荐量，该每个第一信息对任一用户的推荐概率不小于第二预设阈值。
其中，该第一预设阈值、第二预设阈值可以基于需要进行设置，本公开实施例对此不作具体限定。例如，该第一预设阈值可以为1，该第二预设阈值可以为0。
在一种可能的实施方式中，该服务器可以采用该多个第一信息的效果预测数据的数学期望，表示该目标函数，该目标函数可以表示为：
其中，Xij是向该多个用户中第i个用户推荐第j个第一信息的推荐概率，dj是第j个第一信息的目标推荐量，αj是保量参数，βi是概率参数，Aij是该多个用户中第i个用户对第j个第一信息的效果分数，λ是正则化系数。
需要说明的是，对于上述目标函数，Σi，j(-AijXij+(λ/2)*Xij 2)表示了多个第一信息的效果分数的期望值的相反数，在约束条件下计算Σi，j(-AijXij+(λ/2)*Xij 2)的最小值，也即是，确定该每个第一信息的效果分数的最大期望值。该服务器还可以通过对偶求解的算法，对该目标函数进行简化，得到该推荐量参数表达式。
实际上，该αj和βi则是利用对偶求解的算法进行求解时Xij的对偶变量。αj对应于上述目标函数的约束条件ΣiXij＝dj，βi对应于上述目标函数的约束条件ΣjXij≤1。该正则化系数λ为常数，该服务器可以结合该多个用户的用户数量，确定该λ的取值，例如，如果该用户数量的数量级在103时，例如5000，该正则化系数可以为10-3。
进一步的，该服务器可以通过多次迭代的方式对上述目标函数进行求解，则该多个第一信息的推荐量参数的确定过程包括：服务器将该多个第一信息的目标推荐量和效果预测数据输入该推荐量参数表达式，基于该推荐量表达式包括的第一约束条件，通过迭代算法，确定出满足收敛条件的目标推荐量参数。具体的，初次迭代时，该服务器可以对β初始化，先令β＝0，计算出α的数值；然后，进行第二次迭代，服务器将该α的数值代入该推荐量参数表达式中，重新确定出β的数值，并基于重新确定出的β的数值，重新计算出α的数值；然后，基于前一次迭代计算出的α的数值，进行第三次迭代，计算出β的数值，并基于本次迭代确定出的β的数值，重新计算出α的数值；重复上述的多次迭代过程，直到该计算过程达到收敛条件，该服务器停止迭代计算，将最后一次迭代对应的α和β的数值，作为该目标推荐量参数。
其中，该收敛条件可以为多次迭代得到的参数的数值收敛，或者，计算时间超出预设时间。其中，多次迭代得到的参数的数值收敛可以为当前迭代计算的参数数值与上一次迭代得到的参数的数值之差在预设数值范围内。另外，求解αj和βi其实是一个单调分段折线函数求根问题，该服务器可以通过多种求根方法进行求解，例如，该服务器可以采用二分法进行求解。
本公开实施例中，通过该目标函数，使得每个第一信息的推荐量均能够满足，且第一信息的效果分数的期望最大，从而多个第一信息的推荐效果最佳，保证了多个第一信息的投放效果。并且，该目标函数实际上是该效果分数的期望，相比于现有技术中，采用对数形式的目标函数，也即是投放概率是视频分数倒数的函数，当视频分数远小于1时，其倒数很容易出现大波动，即使微小的扰动也会大大影响后续推荐概率的准确性，从而导致现有技术的目标函数抗噪声能力较差。而本公开实施例中的目标函数，是以基于最优化的预测效果的保量推荐算法的目标函数，相比于现有技术中的启发式约束的算法，本公开通过约束条件进行限定，使得各个信息之间不会互相影响；并重新定义了优化问题，提高抗噪能力，实现了保量推荐下的投放效果最优化。
第二种方式、服务器事先获取并存储该目标推荐量参数。则本步骤可以为：服务器从该服务器的目标存储空间中，获取该多个第一信息的历史推荐量参数，将该历史推荐量参数作为该目标推荐量参数。
其中，该目标推荐量参数可以包括保量参数。该历史推荐参数是指该多个第一信息在历史推荐时采用的推荐量参数。需要说明的是，该服务器可以通过上述第一种方式，事先确定出该目标推荐量参数，并将该目标推荐量参数存储目标存储空间中，以备后续使用，该目标推荐量参数的确定过程，为与上述第一种方式同理的过程，此处不再一一赘述。
在一种可能的实施方式中，当服务器线下确定该目标推荐量参数时，该服务器可以每隔预设周期，计算一次该目标推荐量参数，并将该目标推荐量参数存储至目标存储空间中。每当服务器需要进行信息推荐时，该服务器才从该目标存储空间中获取该目标推荐量参数，也即是保量参数。其中，该目标推荐量参数确定过程的执行周期大于信息推荐的执行周期。也即是，每个预设周期内，该服务器可以执行多次信息推荐过程。具体的，在一个预设周期内，该服务器可以事先获取该多个第一信息的目标推荐量，并根据该目标推荐量和当前信息推荐周期内所获取的效果预测数据，通过上述第一种方式中推荐量参数表达式，事先确定出多个第一信息的目标推荐量参数，并将该保量参数存储至目标存储空间中。在该预设周期内，后续每当需要执行推荐信息过程时，该服务器从该目标存储空间中获取该目标推荐量参数。
其中，该预设周期可以基于需要进行设置，本公开实施例对此不作具体限定。例如，该预设周期可以为5分钟/次、3分钟/次等。当然，一个推荐信息过程的执行周期可以为1秒/次、2秒/次等。
需要说明的是，在通过上述第一种方式，获取到保量参数和概率参数时，该服务器可以将该保量参数作为目标推荐量参数，存储至目标存储空间中。该保量参数可以指示该目标推荐量的大小，在短期时间内，该服务器可以将本次信息推荐过程与短时间内的历史推荐过程中，需要推荐的第一信息的数量分布情况类似，从而直接将历史推荐过程中的保量参数作为本次推荐时采用的目标推荐量参数。
在步骤304中，服务器根据该多个第一信息的效果预测数据和目标推荐量参数，确定每个第一信息对该多个用户中任一用户的推荐概率。
本公开实施例中，该服务器可以根据该多个第一信息的效果预测数据和推荐量参数，通过以下概率公式，确定向每个用户推荐每个第一信息的推荐概率。该目标推荐量参数可以包括保量参数，或者，包括保量参数和概率参数，相应的，本步骤可以通过以下两种方式实现。
第一种方式、当该目标推荐量参数包括保量参数时，本步骤可以为：该服务器根据该多个第一信息的效果预测数据和目标推荐量参数，通过第一概率公式，确定每个第一信息对该多个用户中任一用户的推荐概率。
其中，该第一概率公式用于表示在该每个第一信息的推荐概率满足第三约束条件时，该每个第一信息的推荐概率、效果预测数据与该目标推荐量参数之间的关系；其中，该第三约束条件为：该每个第一信息对于该多个用户中每个用户的推荐概率之和不超过第一预设阈值。其中，该第一预设阈值可以基于需要进行设置，本公开实施例对此不作具体限定，例如，该第一预设阈值可以为1。
在一种可能的实施方式中，该第一概率公式可以为：
其中，Xij是向多个用户中第i个用户推荐第j个第一信息的推荐概率，αj是保量参数，βi是概率参数，λ是正则化系数，Aij表示第i个用户对第j个第一信息的效果分数。
该服务器直接从该目标存储空间中获取该目标推荐量参数，并通过上述第一概率公式，确定该每个第一信息的推荐概率。
在一种可能的实施方式中，该服务器基于目标推荐量参数和上述第一概率公式，确定推荐概率的过程可以为：该服务器将该保量参数代入该第一概率公式中，并令该概率参数为0，依次计算出对于第i个用户推荐每个第一信息的推荐概率Xij，并对该Xij进行求和，通过第三约束条件：该每个第一信息对于该多个用户中每个用户的推荐概率之和不超过第一预设阈值，以该第一预设阈值为1为例，也即是，ΣjXij≤1，判断该第i个用户的所有信息的推荐概率之和是否小于等于1，当多个推荐概率满足该第三约束条件ΣjXij≤1时，直接将计算出的多个信息的推荐概率，作为最终推荐时采用的推荐概率。
当多个推荐概率不满足该第三约束条件时，该服务器则根据从目标存储空间中获取的保量参数，通过上述第一概率公式和第三约束条件，通过迭代算法，确定出满足收敛条件的保量参数和概率参数，并根据多次迭代得到的保量参数和概率参数，代入上述第一概率公式，得到多个第一信息的推荐概率。
第二种方式、当该目标推荐量参数包括保量参数和概率参数时，本步骤可以为：该服务器根据该多个第一信息的效果预测数据和目标推荐量参数，通过第二概率公式，确定每个第一信息对该多个用户中任一用户的推荐概率。
其中，该第二概率公式用于表示该每个第一信息的推荐概率、效果预测数据与该目标推荐量参数之间的关系。
在一种可能的实施方式中，该第二概率公式可以为：
第二概率公式：Xij＝max(0，1/λ(Aij－αj－βi))
其中，Xij是向多个用户中第i个用户推荐第j个第一信息的推荐概率，αj是保量参数，βi是概率参数，λ是正则化系数，Aij表示第i个用户对第j个第一信息的效果分数。
需要说明的是，该第二概率公式实际上是上述推荐量参数表达式中，推荐量参数与推荐概率之间的关系公式，该服务器可以将上述过程中计算出的αj和βi的数值，直接代入该公式一中，计算出该Xij的数值。
在步骤305中，服务器根据该每个第一信息的推荐概率，向该多个用户推荐该多个第一信息。
该服务器可以根据该多个第一信息对于每个用户的推荐概率，随机向每个用户推送第一信息。本步骤中，对于每个第一信息，获取该每个第一信息的随机数；根据该每个第一信息对该多个用户中每个用户的推荐概率，确定该每个用户对应的概率区间；根据该每个第一信息的随机数，确定该多个用户中该随机数所属概率区间对应的目标用户；向该目标用户推送该每个第一信息。
其中，该第一信息的数据资源可以存储在该多媒体应用平台的资源服务器中，该服务器根据该第一信息的信息标识，向该资源服务器发送推送指令，该推送指令携带该第一信息的信息标识和该第一信息对应的目标用户的用户标识，该资源服务器根据该推荐指令，获取该第一信息，并向该目标用户发送该第一信息，从而实现基于推送概率将多个第一信息推送至多个用户。
为了更清晰的介绍本公开实施例的执行过程，下面以图4所示的流程，对信息推荐方法的执行过程进行介绍，如图4所示，以在短视频应用平台上推荐视频为例，当服务器接收到多个用户的用户流的访问请求时，该服务器可以通过线下计算出该多个用户对应的多个视频的视频信息，该视频信息包括该多个视频的效果预测数据和该多个视频的目标推荐量，也即是，该多个视频被展示时产生的效果分数A和该多个视频投放量d。以线下事先存储该目标推荐量参数为例，由于该服务器事先在线下根据该推荐量参数表达式，确定出该目标推荐量参数，因此，本次信息推荐信时，该服务器直接从目标存储空间中，获取该目标推荐量参数，并根据第一概率公式，计算出每个视频的推荐概率，当验证该多个视频的推荐概率满足第三约束条件ΣjXij≤1时，直接基于该多个视频的推荐概率，将该多个视频推送至多个用户的终端上。当该多个视频的推荐概率不满足第三约束条件ΣjXij≤1时，该服务器线上根据保量参数，通过第一概率公式中的第三约束条件ΣjXij≤1，多次迭代计算出保量参数和概率参数，并将多次迭代得到的保量参数和概率参数，代入上述第一概率公式，得到多个第一信息的推荐概率，从而基于该多个视频的推荐概率，将该多个视频推送至多个用户的终端上。
本公开实施例中，通过对第一信息进行预测得到的效果预测数据，基于该效果预测数据和第一信息的目标推荐量参数，确定每个第一信息的推荐概率；该推荐概率很好的结合了每个第一信息的预测效果和所要达到的目标推荐量，根据该每个第一信息的推荐概率，向该多个用户推荐该多个第一信息。在保证每个信息所要求的投放量的前提下，最大化每个第一信息被推荐后产生的推荐效果，提高了推荐的第一信息过程中转化为有效信息的转化率，提高了信息推荐的实际推荐效率。
图5是根据一示例性实施例示出的一种信息推荐装置框图。参照图5，该装置包括获取模块501，确定模块502和推荐模块503。
获取模块501，被配置为基于多个用户的用户信息，获取多个第一信息的效果预测数据，该效果预测数据用于指示当该多个第一信息被展示时该多个第一信息所产生的推荐效果；
该获取模块501，还被配置为获取该多个第一信息的目标推荐量参数；
确定模块502，被配置为根据该多个第一信息的效果预测数据和目标推荐量参数，确定每个第一信息的推荐概率；
推荐模块503，被配置为根据该每个第一信息的推荐概率，向该多个用户推荐该多个第一信息。
在一种可能的设计中，该获取模块501，包括：
第一获取单元，被配置为从该服务器的目标存储空间中，获取该多个第一信息的历史推荐量参数，该历史推荐参数是指该多个第一信息在历史推荐时采用的推荐量参数；
作为单元，被配置为将该历史推荐量参数作为该目标推荐量参数。
在一种可能的设计中，该获取模块501，包括：
第二获取单元，被配置为获取该多个第一信息的目标推荐量；
确定单元，被配置为根据该多个第一信息的目标推荐量和效果预测数据，通过该多个第一信息的推荐量参数表达式，确定该多个第一信息的目标推荐量参数。
在一种可能的设计中，该推荐量参数表达式用于表示在该每个第一信息的推荐概率满足第一约束条件时，该每个信息的推荐概率与效果预测数据、目标推荐量参数之间的关系；
其中，该第一约束条件包括：该每个第一信息对于该多个用户中每个用户的推荐概率之和不超过第一预设阈值，该每个第一信息对于该多个用户中每个用户的推荐量之和为该每个第一信息的目标推荐量。
在一种可能的设计中，该确定单元，还被配置为将该多个第一信息的目标推荐量和效果预测数据输入该推荐量参数表达式，基于该推荐量表达式包括的第一约束条件，通过迭代算法，确定出满足收敛条件的目标推荐量参数。
在一种可能的设计中，该装置还包括：
建立模块，被配置为根据该多个第一信息的效果预测数据和目标推荐量，建立目标函数；
该确定单元，还被配置为根据该目标函数，通过对偶求解算法，确定该多个第一信息的推荐量参数表达式。
在一种可能的设计中，该目标函数用于表示在该每个第一信息的推荐概率满足第二约束条件时，该每个第一信息的推荐效果的期望；
其中，该第二约束条件包括：该每个第一信息对于该多个用户中每个用户的推荐概率之和不超过第一预设阈值，该每个第一信息对于该多个用户中每个用户的推荐量之和为该每个第一信息的目标推荐量，该每个第一信息对任一用户的推荐概率不小于第二预设阈值。
在一种可能的设计中，该目标推荐量参数包括保量参数，或者，该目标推荐量参数包括保量参数和概率参数；
其中，该保量参数用于指示该目标推荐量的大小，该概率参数用于调节该每个第一信息对每个用户的推荐概率的大小。
在一种可能的设计中，该确定单元，包括：
第一确定单元，被配置为当该目标推荐量参数包括保量参数时，根据该多个第一信息的效果预测数据和目标推荐量参数，通过第一概率公式，确定每个第一信息对该多个用户中任一用户的推荐概率，该保量参数用于指示该目标推荐量的大小；
第二确定单元，被配置为当该目标推荐量参数包括保量参数和概率参数时，根据该多个第一信息的效果预测数据和目标推荐量参数，通过第二概率公式，确定每个第一信息对该多个用户中任一用户的推荐概率，该概率参数用于调节该每个第一信息对每个用户的推荐概率的大小。
在一种可能的设计中，该第一概率公式用于表示在该每个第一信息的推荐概率满足第三约束条件时，该每个第一信息的推荐概率、效果预测数据与该目标推荐量参数之间的关系；
该第二概率公式用于表示该每个第一信息的推荐概率、效果预测数据与该目标推荐量参数之间的关系；
其中，该第三约束条件为：该每个第一信息对于该多个用户中每个用户的推荐概率之和不超过第一预设阈值。
在一种可能的设计中，该获取模块501，还被配置为获取该多个第一信息的信息特征；根据该多个用户的用户信息和该多个第一信息的信息特征，对该多个第一信息进行预测，得到该多个第一信息的效果预测数据。
在一种可能的设计中，该推荐模块503，还被配置为对于每个第一信息，获取该每个第一信息的随机数；根据该每个第一信息对该多个用户中每个用户的推荐概率，确定该每个用户对应的概率区间；根据该每个第一信息的随机数，确定该多个用户中该随机数所属概率区间对应的目标用户；向该目标用户推送该每个第一信息。
在一种可能的设计中，该装置还包括：
该获取模块501，还被配置为获取该多个用户的用户信息；
筛选模块，被配置为根据该多个用户的用户信息和多个第二信息的投放条件，从多个第二信息中筛选出投放条件与该多个用户的用户信息匹配的多个第一信息，该投放条件是指第二信息被推荐的推荐对象所满足的条件。
在一种可能的设计中，该获取模块501，包括：
第三获取单元，被配置为当接收到多个用户的访问请求时，获取该多个用户的用户信息；或，
第四获取单元，被配置为当该多个用户的访问状态达到推荐条件时，获取该多个用户的用户信息。
本公开实施例中，通过对第一信息进行预测得到的效果预测数据，基于该效果预测数据和第一信息的目标推荐量参数，确定每个第一信息的推荐概率；该推荐概率很好的结合了每个第一信息的预测效果和所要达到的目标推荐量，根据该每个第一信息的推荐概率，向该多个用户推荐该多个第一信息。在保证每个信息所要求的投放量的前提下，最大化每个第一信息被推荐后产生的推荐效果，提高了推荐的第一信息过程中转化为有效信息的转化率，提高了信息推荐的实际推荐效率。
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。
图6是根据一示例性实施例示出的一种用于信息推荐的服务器600的框图。该服务器600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central p rocessing units，CPU)601和一个或一个以上的存储器602，其中，所述存储器602中存储有至少一条指令，所述至少一条指令由所述处理器601加载并执行以实现上述各个方法实施例提供的信息推荐方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由服务器600的处理器执行以完成上述信息推荐方法。例如，该非临时性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。
在示例性实施例中，还提供了一种应用程序，包括一条或多条指令，该一条或多条指令可以由服务器600的处理器执行，以完成上述信息推荐方法。
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。本申请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。
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。

Claims (10)

1.一种信息推荐方法，其特征在于，所述方法应用在服务器上，包括：
基于多个用户的用户信息，获取多个第一信息的效果预测数据，所述效果预测数据用于指示当所述多个第一信息被推荐至所述多个用户时的推荐效果；
获取所述多个第一信息的目标推荐量参数，所述目标推荐量参数用于表示目标推荐量的大小；
根据所述多个第一信息的效果预测数据和目标推荐量参数，确定每个第一信息对所述多个用户中任一用户的推荐概率；
根据所述每个第一信息的推荐概率，向所述多个用户推荐所述多个第一信息。
2.根据权利要求1所述的信息推荐方法，其特征在于，所述获取所述多个第一信息的目标推荐量参数包括：
从所述服务器的目标存储空间中，获取所述多个第一信息的历史推荐量参数，所述历史推荐参数是指所述多个第一信息在历史推荐时采用的推荐量参数；
将所述历史推荐量参数作为所述目标推荐量参数。
3.根据权利要求1所述的信息推荐方法，其特征在于，所述获取所述多个第一信息的目标推荐量参数包括：
获取所述多个第一信息的目标推荐量；
根据所述多个第一信息的目标推荐量和效果预测数据，通过所述多个第一信息的推荐量参数表达式，确定所述多个第一信息的目标推荐量参数。
4.根据权利要求3所述的信息推荐方法，其特征在于，所述推荐量参数表达式用于表示在所述每个第一信息的推荐概率满足第一约束条件时，所述每个信息的推荐概率与效果预测数据、目标推荐量参数之间的关系；
其中，所述第一约束条件包括：所述每个第一信息对于所述多个用户中每个用户的推荐概率之和不超过第一预设阈值，所述每个第一信息对于所述多个用户中每个用户的推荐量之和为所述每个第一信息的目标推荐量。
5.根据权利要求4所述的信息推荐方法，其特征在于，所述多个第一信息的推荐量参数的确定过程包括：将所述多个第一信息的目标推荐量和效果预测数据输入所述推荐量参数表达式，基于所述推荐量表达式包括的第一约束条件，通过迭代算法，确定出满足收敛条件的目标推荐量参数。
6.根据权利要求3所述的信息推荐方法，其特征在于，所述方法还包括：
根据所述多个第一信息的效果预测数据和目标推荐量，建立目标函数；
根据所述目标函数，通过对偶求解算法，确定所述多个第一信息的推荐量参数表达式。
7.根据权利要求6所述的信息推荐方法，其特征在于，所述目标函数用于表示在所述每个第一信息的推荐概率满足第二约束条件时，所述每个第一信息的推荐效果的期望；
其中，所述第二约束条件包括：所述每个第一信息对于所述多个用户中每个用户的推荐概率之和不超过第一预设阈值，所述每个第一信息对于所述多个用户中每个用户的推荐量之和为所述每个第一信息的目标推荐量，所述每个第一信息对任一用户的推荐概率不小于第二预设阈值。
8.一种信息推荐装置，其特征在于，所述装置应用在服务器上，包括：
获取模块，被配置为基于多个用户的用户信息，获取多个第一信息的效果预测数据，所述效果预测数据用于指示当所述多个第一信息被推荐至所述多个用户时的推荐效果；
所述获取模块，还被配置为获取所述多个第一信息的目标推荐量参数，所述目标推荐量参数用于表示目标推荐量的大小；
确定模块，被配置为根据所述多个第一信息的效果预测数据和目标推荐量参数，确定每个第一信息对所述多个用户中任一用户的推荐概率；
推荐模块，被配置为根据所述每个第一信息的推荐概率，向所述多个用户推荐所述多个第一信息。
9.一种信息推荐服务器，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
基于多个用户的用户信息，获取多个第一信息的效果预测数据，所述效果预测数据用于指示当所述多个第一信息被推荐至所述多个用户时的推荐效果；
获取所述多个第一信息的目标推荐量参数，所述目标推荐量参数用于表示目标推荐量的大小；
根据所述多个第一信息的效果预测数据和目标推荐量参数，确定每个第一信息对所述多个用户中任一用户的推荐概率；
根据所述每个第一信息的推荐概率，向所述多个用户推荐所述多个第一信息。
10.一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种信息推荐方法，所述方法包括：
基于多个用户的用户信息，获取多个第一信息的效果预测数据，所述效果预测数据用于指示当所述多个第一信息被推荐至所述多个用户时的推荐效果；
获取所述多个第一信息的目标推荐量参数，所述目标推荐量参数用于表示目标推荐量的大小；
根据所述多个第一信息的效果预测数据和目标推荐量参数，确定每个第一信息对所述多个用户中任一用户的推荐概率；
根据所述每个第一信息的推荐概率，向所述多个用户推荐所述多个第一信息。
CN201811314707.4A 2018-11-06 2018-11-06 信息推荐方法、装置、服务器及存储介质 Active CN109493138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811314707.4A CN109493138B (zh) 2018-11-06 2018-11-06 信息推荐方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811314707.4A CN109493138B (zh) 2018-11-06 2018-11-06 信息推荐方法、装置、服务器及存储介质

Publications (2)

Publication Number Publication Date
CN109493138A true CN109493138A (zh) 2019-03-19
CN109493138B CN109493138B (zh) 2021-07-16

Family

ID=65694001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811314707.4A Active CN109493138B (zh) 2018-11-06 2018-11-06 信息推荐方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN109493138B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734503A (zh) * 2021-03-30 2021-04-30 南京蓝鲸人网络科技有限公司 内容推荐系统中物品曝光量保证的方法及装置
CN112765478A (zh) * 2021-03-12 2021-05-07 北京百度网讯科技有限公司 用于推荐内容的方法、装置、设备、介质和程序产品
CN112800251A (zh) * 2021-04-12 2021-05-14 北京达佳互联信息技术有限公司 多媒体资源投放方法、装置、电子设备及存储介质
CN113190589A (zh) * 2021-04-20 2021-07-30 北京异乡旅行网络科技有限公司 适用于分销系统的内容分发方法、装置及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100185509A1 (en) * 2009-01-21 2010-07-22 Yahoo! Inc. Interest-based ranking system for targeted marketing
CN104299151A (zh) * 2014-09-28 2015-01-21 新浪网技术(中国)有限公司 网络广告流量分配系统和方法
CN105787061A (zh) * 2016-02-29 2016-07-20 广东顺德中山大学卡内基梅隆大学国际联合研究院 信息推送方法
CN107704571A (zh) * 2017-09-29 2018-02-16 努比亚技术有限公司 信息智能推荐方法、装置及计算机可读存储介质
CN107767175A (zh) * 2017-10-19 2018-03-06 厦门美柚信息科技有限公司 一种基于信息点击率的信息投放处理方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100185509A1 (en) * 2009-01-21 2010-07-22 Yahoo! Inc. Interest-based ranking system for targeted marketing
CN104299151A (zh) * 2014-09-28 2015-01-21 新浪网技术(中国)有限公司 网络广告流量分配系统和方法
CN105787061A (zh) * 2016-02-29 2016-07-20 广东顺德中山大学卡内基梅隆大学国际联合研究院 信息推送方法
CN107704571A (zh) * 2017-09-29 2018-02-16 努比亚技术有限公司 信息智能推荐方法、装置及计算机可读存储介质
CN107767175A (zh) * 2017-10-19 2018-03-06 厦门美柚信息科技有限公司 一种基于信息点击率的信息投放处理方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765478A (zh) * 2021-03-12 2021-05-07 北京百度网讯科技有限公司 用于推荐内容的方法、装置、设备、介质和程序产品
CN112765478B (zh) * 2021-03-12 2023-06-20 北京百度网讯科技有限公司 用于推荐内容的方法、装置、设备、介质和程序产品
CN112734503A (zh) * 2021-03-30 2021-04-30 南京蓝鲸人网络科技有限公司 内容推荐系统中物品曝光量保证的方法及装置
CN112800251A (zh) * 2021-04-12 2021-05-14 北京达佳互联信息技术有限公司 多媒体资源投放方法、装置、电子设备及存储介质
CN112800251B (zh) * 2021-04-12 2021-06-22 北京达佳互联信息技术有限公司 多媒体资源投放方法、装置、电子设备及存储介质
CN113190589A (zh) * 2021-04-20 2021-07-30 北京异乡旅行网络科技有限公司 适用于分销系统的内容分发方法、装置及存储介质

Also Published As

Publication number Publication date
CN109493138B (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
US11354720B2 (en) Item recommendation techniques
CN107451199B (zh) 问题推荐方法及装置、设备
CN109493138A (zh) 信息推荐方法、装置、服务器及存储介质
KR101923065B1 (ko) 소셜 네트워킹 객체의 사용자-개시 부스팅
Neidhardt et al. Eliciting the users' unknown preferences
US20130035989A1 (en) Conducting market research using social games
US11288709B2 (en) Training and utilizing multi-phase learning models to provide digital content to client devices in a real-time digital bidding environment
US20150007064A1 (en) Automatic generation of a webpage layout with high empirical performance
EP3115957A1 (en) System and method for identifying reviewers with incentives
CN113535991B (zh) 一种多媒体资源推荐方法、装置、电子设备及存储介质
WO2014193700A1 (en) Social media pricing engine
US9542482B1 (en) Providing items of interest
US20130035981A1 (en) Social networks games configured to elicit research data as part of game play
JP2009265747A (ja) マーケティング支援システム、マーケティング支援方法、マーケティング支援プログラム及びコンピュータ読み取り可能な媒体
CN108595492A (zh) 内容的推送方法和装置、存储介质、电子装置
KR102131799B1 (ko) 상품 추천 서비스 시스템 및 그 방법, 그리고 이에 적용되는 장치
CN111966915A (zh) 信息巡检方法、计算机设备及存储介质
US20170365014A1 (en) Systems, methods and non-transitory computer readable storage media for tracking and evaluating predictions regarding relationships
US8257091B2 (en) Matching learning objects with a user profile using top-level concept complexity
US20160132771A1 (en) Application Complexity Computation
US20150170035A1 (en) Real time personalization and categorization of entities
US20210173823A1 (en) Network-based content submission and contest management
CN109191159A (zh) 数据定向方法、装置、计算机设备及计算机可读存储介质
US10643251B1 (en) Platform for locating and engaging content generators
CN111915339A (zh) 数据的处理方法、装置及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant