CN109961351A - 信息推荐方法、装置、存储介质及计算机设备 - Google Patents

Abstract

本申请涉及数据处理技术领域，尤其涉及一种信息推荐方法、装置、存储介质及计算机设备。其中，信息推荐方法，包括：获取用户的兴趣标签、对已选择对象的第一页面访问数据以及对未选择对象的第二页面访问数据；对用户的兴趣标签及已选择对象的第一页面访问数据进行深度学习，获得页面访问数据、兴趣标签与选择概率之间的关联关系；根据所述第二页面访问数据以及所述关联关系计算未选择对象的选择概率；将选择概率最高的未选择对象推送给所述用户。本申请提供的方案，能够解决推荐准确率低下的问题，实现根据用户需求进行未选择对象的推荐。

Description

信息推荐方法、装置、存储介质及计算机设备

技术领域

本申请涉及人工智能技术领域，具体而言，本申请涉及一种信息推荐方法、装置、存储介质及计算机设备。

背景技术

随着互联网和电子商务的飞速发展，产品信息爆炸式增长，消费者陷入海量信息中，很难快速决策需要选择的资源，如商品、信息等资源，为了让用户在选择对象时尽可能少地浏览无关信息，快速获得所需资源，推荐系统应运而生，推荐系统不仅能够提供个性化推荐，提高用户粘性，还能够提高选择的转化率。

现有技术中，产品供应方采用的推荐系统，往往是依据获取到显性数据，如用户对产品浏览记录、点赞、好评等，进行对象或者同类对象的推荐，该种推荐方式可能会出现如下情形：假设选择对象为某商品，用户已经购买了该类商品，但推荐系统根据显性数据依然推荐类似商品，该种情形中导致推荐商品的购买转化率低下，推荐准确率低下，且给用户造成推荐困扰。

发明内容

本申请提供了一种信息推荐方法、装置、存储介质及计算机设备，以解决推荐准确率低下的问题，实现根据用户需求进行未选择对象的推荐。

本申请实施例首先提供了一种信息推荐方法，包括：

获取用户的兴趣标签、对已选择对象的第一页面访问数据以及对未选择对象的第二页面访问数据；

对用户的兴趣标签及已选择对象的第一页面访问数据进行深度学习，获得页面访问数据、兴趣标签与选择概率之间的关联关系；根据所述第二页面访问数据以及所述页面访问数据、兴趣标签与选择概率之间的关联关系计算未选择对象的选择概率；

将选择概率最高的未选择对象推送给所述用户。

在一种实施例中，所述获取用户的兴趣标签的步骤，包括：

获取用户对已选择对象的浏览记录，解析已选择对象的浏览记录获得用户的兴趣标签。

在一种实施例中，选择概率最高的未选择对象为已选择对象的同类对象时，所述根据所述第二页面访问数据以及所述页面访问数据、兴趣标签与选择概率之间的关联关系计算未选择对象的选择概率的步骤之后，还包括：

获得已选择对象的选择时间及使用寿命，根据所述已选择对象的选择时间及使用寿命调整该未选择对象的选择概率。

在一种实施例中，所述根据所述已选择对象的选择时间及使用寿命调整该未选择对象的选择概率的步骤之后，还包括：

根据所述已选择对象的使用寿命设定该未选择对象的最佳推荐时间。

在一种实施例中，所述根据所述第二页面访问数据以及所述页面访问数据、兴趣标签与选择概率之间的关联关系计算未选择对象的选择概率的步骤之后，还包括：

获取用户当前的位置信息及未选择对象的位置信息，结合用户当前的位置信息及未选择对象的位置信息调整未选择对象的选择概率。

在一种实施例中，所述将选择概率最高的未选择对象推送给所述用户的步骤，包括：

根据用户的浏览行为数据获得多种推荐形式的优先排序，采用优先排序最高的推荐形式将所述选择概率最高的未选择对象展示于用户端。

在一种实施例中，所述未选择对象及已选择对象为电商平台提供的商品。

进一步地，本申请实施例还提供了一种信息推荐装置，包括：

获取模块，用于获取用户的兴趣标签、对已选择对象的第一页面访问数据以及对未选择对象的第二页面访问数据；

获得模块，用于对用户的兴趣标签及已选择对象的第一页面访问数据进行深度学习，获得页面访问数据、兴趣标签与选择概率之间的关联关系；

计算模块，用于根据所述第二页面访问数据以及所述页面访问数据、兴趣标签与选择概率之间的关联关系计算未选择对象的选择概率；

推送模块，用于将选择概率最高的未选择对象推送给所述用户。

进一步地，本申请实施例还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用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行上述任一项技术方案所述的信息推荐方法的步骤。

更进一步地，本申请实施例还提供了一种计算机设备，所述计算机设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任意一技术方案所述的信息推荐方法的步骤。

与现有技术相比，本申请提供的方案至少具备如下优点：

本申请实施例提供的信息推荐方法，通过预先对已选择对象的页面访问数据、兴趣标签的学习，确定页面访问数据、兴趣标签与选择概率之间的关联关系，结合对未选择对象的第二页面访问数据确定未选择对象的选择概率。相比于仅通过兴趣标签对未选择对象进行推荐的方案相比，通过对页面访问数据以及用户的兴趣标签进行学习，使得推荐行为更具有针对性，推荐的准确性更高，更加符合用户意愿。

本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请一个实施例提供的信息推荐方法的实施环境图；

图2为本申请一个实施例提供的信息推荐方法的流程示意图；

图3为本申请另一个实施例提供的调整未选择对象的选择概率的流程示意图；

图4为本申请一种实施例提供的信息推荐装置的结构示意图；

图5为本申请一种实施例提供的计算机设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。

本领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一直播视频图像称为第二直播视频图像，且类似地，可将第二直播视频图像称为第一直播视频图像。第一直播视频图像和第二直播视频图像两者都是直播视频图像，但其不是同一个直播视频图像。

本领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。

图1为一个实施例中提供的信息推荐方法的实施环境图，在该实施环境中，包括用户终端、服务器端。

本实施例提供的信息推荐方法可以在服务器端使用，获取用户的兴趣标签、对已选择对象的第一页面访问数据以及对未选择对象的第二页面访问数据；根据所述第二访问行为数据以及所述访问行为数据、兴趣标签与选择概率之间关联关系计算已选择对象的选择概率，其中，所述关联关系是通过深度学习得到的所述访问行为数据、兴趣标签与选择概率之间的关系；将选择概率最高的未选择对象推送给所述用户。

需要说明的是，用户终端可为智能手机、平板电脑、笔记本电脑、台式计算机等，服务器端可以有具有处理功能的计算机设备来实现，但并不局限于此。服务器端与用户终端可以通过蓝牙、USB(Universal Serial Bus，通用串行总线)或者其他通讯连接方式进行网络连接，本申请在此不做限制。

在一个实施例中，图2为本申请实施例提供的信息推荐方法的流程示意图，该信息推荐方法可以应用于上述的服务器端，包括如下步骤：

步骤S200，获取用户的兴趣标签、对已选择对象的第一页面访问数据以及对未选择对象的第二页面访问数据；

步骤S210，对用户的兴趣标签及已选择对象的第一页面访问数据进行深度学习，获得访问行为数据、兴趣标签与选择概率之间的关联关系；

步骤S220，根据所述第二页面访问数据以及所述关联关系计算未选择对象的选择概率；

步骤S230，将选择概率最高的未选择对象推送给所述用户。

其中，已选择对象及未选择对象可以是平台上展示的产品、资源信息等，选择行为可以是一种购买、赠予等行为，以选择行为是购买行为为例，已选择对象是已购买的对象，未选择对象是未购买的对象。

其中，页面访问数据是用户访问已选择对象或未选择对象的页面访问行为数据，可以包括打开对象简介界面、打开其详情界面、打开其确定选择界面等等，以选购商品为例，页面访问数据包括展示该商品的简单介绍界面、展示该商品的详情介绍界面、填写商品参数界面、加入购物车界面、进入购买界面等等数据。

获取用户的兴趣标签，所述用户的兴趣标签，如时尚、汽车、服饰、白领等等，可以根据不同领域或标签库中的标签信息进行分类，通过调取并解析用户的浏览记录、页面访问数据、已选择对象的数据获得用户的兴趣标签。

调取用户对已选择对象的第一页面访问数据，对用户的兴趣标签及已选择对象的第一页面访问数据进行深度学习，获得访问行为数据、兴趣标签与选择概率之间的关系。再调取用户的浏览记录中未选择对象对应的页面的第二访问行为数据，利用获得的访问行为数据、兴趣标签与选择概率之间的关系，计算出未选择对象的选择概率，将选择概率最高的未选择对象推送给用户。

基于页面访问数据的特点，结合用户的兴趣标签，通过页面访问数据可以确定对该对象的访问是否进入确定选择界面，若检测到未选择对象的页面访问数据有进入确定选择的界面，该未选择对象的选择概率大大增加，以选择对象为购买商品行为为例，用户对某未选择商品的页面访问数据中存在进入购买页面或付款页面的行为数据，则表明用户不仅仅对该商品感兴趣，还想要进一步购买，或者说具备选择该商品的购买力，若将该种未选择对象推荐给用户，用户在具备购买力的情况下选择购买该未选择对象的概率将大大增加，因此，通过对页面访问数据进行学习，结合用户兴趣标签能够获得对象的选择概率。

本申请提供的信息推荐方案，相比于仅通过兴趣标签对未选择对象进行推荐的方案相比，通过对页面访问数据以及用户的兴趣标签进行学习，使得推荐行为更具有针对性，推荐的准确性更高，更加符合用户意愿。

为了更清楚本申请提供的信息推荐方案及其技术效果，接下来以多个实施例对其具体方案进行详细阐述。

在一种实施例中，在步骤S200中获取用户的兴趣标签的步骤，可以采用如下方式获取：获取用户对已选择对象的浏览记录，解析已选择对象的浏览记录获得用户的兴趣标签，所述浏览记录包括对已选择对象的种类、属性信息、数量、页面访问数据、选择次数等信息的浏览记录。以购买商品为例，用户的兴趣标签中可以包含用户的购买种类、价格区间等信息。

根据用户对已选择对象的浏览记录获得用户的兴趣标签，由于已选择对象是经过用户确认选择的，能够准确反映用户的兴趣所在，根据该已选择对象能够准确获得用户的兴趣标签。

在一种实施例中，步骤S210中获得页面访问数据、兴趣标签与选择概率之间的关联关系。

其中，可以利用神经网络等深度学习算法提取第一页面访问数据、兴趣标签的特征数据，获得访问行为数据、兴趣标签与选择概率之间的关系，访问行为数据、兴趣标签及选择概率之间的关系，可以用如下公式表示：

P＝X₁*A+X₂*B，

其中，该公式为选择概率函数，P表示选择概率，A、B依次表示已选择对象的第一页面访问数据、兴趣标签，X₁、X₂表示页面访问数据、兴趣标签的权重。

调取已选择对象的第一页面访问数据、兴趣标签及对应的选择概率，已选择对象的选择概率为1，将其作为训练样本，经过大量样本训练，获得页面访问数据、兴趣标签在选择概率函数中的权重，以便后续根据未选择对象的页面访问数据，结合当前已获得的兴趣标签获得对应的选择概率。

本实施例提及的未选择对象可以是用户曾浏览但最终未被最终选择的对象，因此可以调取用户的浏览记录中未选择对象对应的页面的第二访问行为数据，利用上述方案获得的访问行为数据、兴趣标签与选择概率之间的关联关系，计算出未选择对象的选择概率，若用户的浏览记录中未选择对象超过一个，则依次计算出所有未选择对象的选择概率，将选择概率最大的未选择对象推送给用户。

进一步地，若需要向用户推荐多个未选择对象，将选择概率靠前的预设数量的未选择对象推荐给用户，或者设定选择概率的预设阈值，将选择概率大于预设阈值的未选择对象推送给用户。该方案能够解决向用户推荐多个未选择对象的问题，使得推荐给用户的未选择对象的选择概率较高，即在所有未选择对象中将比较符合用户需求的未选择对象推荐给用户，利于提升推荐方案的智能化程度。

进一步地，本申请实施例优选根据用户的浏览行为数据获得多种推荐形式的优先排序，采用优先排序最高的推荐形式将所述选择概率最高的未选择对象展示于用户端。用户端展示推荐对象的方式存在多个时，对多个展示方式进行优先级排序，将推荐的未选择对象以优先级最高的推荐形式展示于用户端，该种形式将选择概率最高的未选择对象以最容易被用户接收到的形式进行展示，提高未选择对象推荐的有效性，有利于提高未选择对象转变成选择对象的概率。

若将多个未选择对象推送给用户，该多个未选择对象对应的展示位置存在多个时，按照选择概率确定各未选择对象的推荐方案，如按照选择概率的大小确定各未选择对象的展示时间或展示页面的面积，或存在多种展示形式时，根据用户的浏览行为数据获得针对该用户的各展示形式的优先序列，根据各未选择对象的选择概率确定对应的展示形式，如根据用户的浏览行为数据确定用户对位于页面中部的信息抓取效率最高，则终端页面中部的展示概率最高，将选择概率最高的未选择对象展示于该用户终端的页面中部。该种展示方案针对不同用户建立不同的展示方案，有利于将选择概率较高的未选择对象置于较容易引起用户注意力的位置展示，以提高未选择对象被选择的概率。

在一种实施例中，若选择概率最高的未选择对象为已选择对象的同类对象，所述根据所述第二页面访问数据以及页面访问数据、兴趣标签与选择概率之间的关联关系计算未选择对象的选择概率的步骤之后，还可以调整未选择对象的选择概率，其流程示意图如图3所示，包括如下子步骤：

S310，判断该选择概率最高的未选择对象是否为已选择对象的同类对象；

S320，若是，获得已选择对象的选择时间及使用寿命；

S330，根据已选择对象的选择时间及使用寿命调整该未选择对象的选择概率。

考虑到未选择对象的选择概率是基于已选择对象的浏览记录获得的，向用户推荐相同或相似对象的概率较高，若用户近期已选择与已选择对象相同或相似对象，则该未选择对象在近期内被再次选择的概率取决于该未选择对象的选择时间及使用寿命，若该未选择对象的使用寿命是十年，且该未选择对象对应的已选择对象在上个月被选择过，则该未选择对象在今年内被再次选择的概率会大大降低。结合如下场景阐述本实施例提供的方案：若未选择对象是已选择对象的同类对象，如日用品，虽然该未选择对象符合用户偏好，但可能该日用品近期内已被选购，或者之前已被大量囤积，暂时没有选购需求，若将该日用品推荐给用户，则该未选择对象的选择转化率低下，造成推荐过程中的资源浪费，且会对用户造成推荐困扰，而本申请实施例提供的方案能够解决该问题，根据已选择对象的选择时间及使用寿命能够确定用户当前是否需要选择该未选择对象，利用计算出的选择概率确定该未选择对象是否符合用户喜好，降低对未选择对象的无效推荐，使得推荐的未选择对象既符合用户偏好又符合用户需求。

进一步地，步骤S330中根据所述已选择对象的选择时间及使用寿命调整该未选择对象的选择概率的步骤之后，还包括：根据所述已选择对象的使用寿命设定该未选择对象的最佳推荐时间。

结合上一示例阐述本方案，选择概率最高的未选择对象是日用品，是已选择对象的同类对象，同为日用品，但品牌不同，但一个月之前已购买了一件该类日用品，根据该类日用品的购买数量及购买频率确定上次购买的日用品的使用寿命，则根据该已购日用品的使用寿命获得下次该类日用品的购买时间，是则该选择概率最高的同类日用品的最佳推荐时间为获得的购买时间，本方案能够解决如下问题：在推荐的选择概率最高的未选择对象的选择概率被调整之后，如何使获得的中间数据被合理利用，避免资源浪费，且能够获得未来某时刻的推荐信息，提高数据利用率。

在一种实施例中，步骤S220的根据所述第二液面访问数据以及所述页面访问数据以及所述页面访问数据、兴趣标签与选择概率之间的关联关系计算未选择对象的选择概率的步骤之后，还可以根据用户的当前位置及未选择对象的位置信息调整未选择对象的选择概率，可以采用如下方式进行：

获取用户当前的位置信息及未选择对象的位置信息，结合用户当前的位置信息及未选择对象的位置信息调整未选择对象的选择概率。

用户当前的位置信息可以通过用户端的定位装置获得，未选择对象的位置信息可以是未选择对象的出售地、出产地等。

本申请实施例提供的方案可以应用于如下场景中：假设未选择对象为某商品，该商品的第二页面访问数据中存在进入购买界面数据，且该购买界面数据中包含多个同类或不同种类的商品，且该商品的价格低于商家提供的预设包邮价格，这种情况可能是用户有购买该商品的意愿，但运费过高引起的结果，该种情况下，可以根据用户的定位信息获得其当前的地理位置信息，结合该商品的地理位置信息，如用户当前的位置信息处于所述未购商品的可自提范围内，则调整该商品的选择概率，将该商品推荐给用户，或/和发送提醒信息给用户，以便解决因选择成本过高导致的不能选择的问题，提高该未选择对象的选择转化率。

本实施例还适用于如下情形中：若用户的兴趣标签中存在某一地理位置，或其他表征其对某一地理区域有偏好，通过定位装置检测到用户当前的地理位置信息处于与其偏好的地理区域的预设阈值范围内，如距离所述地理区域十公里之内，则推荐该地理区域内的特色对象给用户。

本实施例提供的方案，根据用户当前的位置信息及未选择对象的位置信息调整未选择对象的选择概率，推荐的未选择对象更加符合用户需求，有利于提高未选择对象的选择对象。

在一种实施例中，上述实施例提供的信息推荐方案中的已选择对象及未选择对象为电商平台提供的商品，即本申请提供的信息推荐方案可应用于商品推荐场景中。

以上为本申请提供的信息推荐方法实施例，针对于该方法，下面阐述与其对应的信息推荐装置的实施例。

本申请实施例还提供了一种信息推荐装置，其结构示意图如图4所示，包括获取模块400、获得模块410、计算模块420、推送模块430，具体如下：

获取模块400，用于获取用户的兴趣标签、对已选择对象的第一页面访问数据以及对未选择对象的第二页面访问数据；

获得模块410，用于对用户的兴趣标签及已选择对象的第一页面访问数据进行深度学习，获得页面访问数据、兴趣标签与选择概率之间的关联关系；

计算模块420，用于根据所述第二页面访问数据以及所述页面访问数据、兴趣标签与选择概率之间的关联关系计算未选择对象的选择概率；

推送模块430，用于将选择概率最高的未选择对象推送给所述用户。

关于上述实施例中的信息推荐装置，其中各个模块、单元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。

进一步地，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现上述任意一项所述的信息推荐方法的步骤。其中，所述存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(Random AcceSS Memory，随即存储器)、EPROM(EraSable Programmable Read-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically EraSable Programmable Read-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，存储介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。可以是只读存储器，磁盘或光盘等。

更进一步地，本申请实施例还提供一种计算机设备，所述计算机设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任意一项所述的信息推荐方法的步骤。

图5是根据一示例性实施例示出的一种用于计算机设备500的框图。例如，计算机设备500可以被提供为一服务器。参照图5，计算机设备500包括处理组件522，其进一步包括一个或多个处理器，以及由存储器532所代表的存储器资源，用于存储可由处理组件522的执行的指令，例如应用程序。存储器532中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件522被配置为执行指令，以执行上述信息推荐方法的步骤。

计算机设备500还可以包括一个电源组件526被配置为执行计算机设备500的电源管理，一个有线或无线网络接口550被配置为将计算机设备500连接到网络，和一个输入输出(I/O)接口558。计算机设备500可以操作基于存储在存储器532的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

应该理解的是，在本申请各实施例中的各功能单元可集成在一个处理模块中，也可以各个单元单独物理存在，也可以两个或两个以上单元集成于一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种信息推荐方法，其特征在于，包括：

获取用户的兴趣标签、对已选择对象的第一页面访问数据以及对未选择对象的第二页面访问数据；

对用户的兴趣标签及已选择对象的第一页面访问数据进行深度学习，获得页面访问数据、兴趣标签与选择概率之间的关联关系；

根据所述第二页面访问数据以及所述关联关系计算未选择对象的选择概率；

将选择概率最高的未选择对象推送给所述用户。

2.根据权利要求1所述的信息推荐方法，其特征在于，所述获取用户的兴趣标签的步骤，包括：

获取用户对已选择对象的浏览记录，解析已选择对象的浏览记录获得用户的兴趣标签。

3.根据权利要求2所述的信息推荐方法，其特征在于，选择概率最高的未选择对象为已选择对象的同类对象时，所述根据所述第二页面访问数据以及所述页面访问数据、兴趣标签与选择概率之间的关联关系计算未选择对象的选择概率的步骤之后，还包括：

获得已选择对象的选择时间及使用寿命，根据所述已选择对象的选择时间及使用寿命调整该未选择对象的选择概率。

4.根据权利要求3所述的信息推荐方法，其特征在于，所述根据所述已选择对象的选择时间及使用寿命调整该未选择对象的选择概率的步骤之后，还包括：

根据所述已选择对象的使用寿命设定该未选择对象的最佳推荐时间。

5.根据权利要求1所述的信息推荐方法，其特征在于，所述根据所述第二页面访问数据以及所述页面访问数据、兴趣标签与选择概率之间的关联关系计算未选择对象的选择概率的步骤之后，还包括：

获取用户当前的位置信息及未选择对象的位置信息，结合用户当前的位置信息及未选择对象的位置信息调整未选择对象的选择概率。

6.根据权利要求1所述的信息推荐方法，其特征在于，所述将选择概率最高的未选择对象推送给所述用户的步骤，包括：

根据用户的浏览行为数据获得多种推荐形式的优先排序，采用优先排序最高的推荐形式将所述选择概率最高的未选择对象展示于用户端。

7.根据权利要求1至6中任一项所述的信息推荐方法，其特征在于，所述未选择对象及已选择对象为电商平台提供的商品。

8.一种信息推荐装置，其特征在于，包括：

获取模块，用于获取用户的兴趣标签、对已选择对象的第一页面访问数据以及对未选择对象的第二页面访问数据；

获得模块，用于对用户的兴趣标签及已选择对象的第一页面访问数据进行深度学习，获得页面访问数据、兴趣标签与选择概率之间的关联关系；

计算模块，用于根据所述第二页面访问数据以及所述关联关系计算未选择对象的选择概率；

推送模块，用于将选择概率最高的未选择对象推送给所述用户。

9.一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用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行上述权利要求1至7中任一项所述的信息推荐方法的步骤。

10.一种计算机设备，其特征在于，所述计算机设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至7中任意一项所述的信息推荐方法的步骤。