CN111310038A

CN111310038A - 信息推荐方法、装置、电子设备及计算机可读存储介质

Info

Publication number: CN111310038A
Application number: CN202010081763.9A
Authority: CN
Inventors: 刘志煌
Original assignee: Tencent Technology Shenzhen Co Ltd
Current assignee: Tencent Technology Shenzhen Co Ltd
Priority date: 2020-02-06
Filing date: 2020-02-06
Publication date: 2020-06-19
Anticipated expiration: 2040-02-06
Also published as: CN111310038B

Abstract

本申请实施例涉及信息处理技术领域，公开了一种信息和推荐方法、装置、电子设备及计算机可读存储介质，其中，信息推荐方法包括：获取用户的第一用户特征与至少一个待推荐对象的第一对象特征，并将各第一对象特征分别与第一用户特征进行拼接，得到各待推荐对象分别对应的目标组合特征；接着，基于各目标组合特征，从各待推荐对象中确定目标对象，并向用户推荐目标对象的对象信息，目标对象是依据各目标组合特征分别对应的第二偏好度从各待推荐对象中确定出的，第二偏好度是基于多个样本组合特征及多个样本组合特征分别对应的第一偏好度确定出的。可以提高信息推荐的准确性，提升用户满意度。

Description

信息推荐方法、装置、电子设备及计算机可读存储介质

技术领域

本申请实施例涉及信息处理技术领域，具体而言，本申请涉及一种信息推荐方法、装置、电子设备及计算机可读存储介质。

背景技术

随着信息技术的日益发展，信息推荐已经成为目前网络技术应用的一项重要内容。为了避免用户花费大量的时间和精力对信息进行查找和获取，通常会对用户进行信息推荐，以便用户可以从大量的信息中快速找到感兴趣的信息。例如，在用户浏览新闻、视频、广告等时，向用户推荐可能感兴趣的内容，又例如在用户浏览商品时，向用户推荐倾向购买的商品，等等。

虽然相关技术提供的信息推荐方式类型多样，例如，物品推荐一般依据已有的用户对物品的评分进行推荐，又例如，找到与用户A兴趣最相似的一批其他用户，然后将这些用户喜欢的、且用户A没有听说过的物品推荐给用户A，但是在这种情况下，推荐的信息较为盲目，导致信息推荐的准确度较低，在个性化推荐方面存在一定局限性。

发明内容

本申请实施例的目的旨在至少能解决上述的技术缺陷之一，特提出以下技术方案：

一方面，提供了一种信息推荐方法，包括：

获取用户的第一用户特征与至少一个待推荐对象的第一对象特征，并将各第一对象特征分别与第一用户特征拼接，得到各待推荐对象分别对应的目标组合特征；

基于各所述目标组合特征，从各待推荐对象中确定目标对象，并向所述用户推荐所述目标对象的对象信息，所述目标对象是依据各所述目标组合特征分别对应的第二偏好度从所述各待推荐对象中确定出的，所述第二偏好度是基于多个样本组合特征及所述多个样本组合特征分别对应的第一偏好度确定出的。

一方面，提供了一种信息推荐装置，包括：

第一处理模块，用于获取用户的第一用户特征与至少一个待推荐对象的第一对象特征，并将各第一对象特征分别与第一用户特征拼接，得到各待推荐对象分别对应的目标组合特征；

第二处理模块，用于基于各所述目标组合特征，从各待推荐对象中确定目标对象，并向所述用户推荐所述目标对象的对象信息，所述目标对象是依据各所述目标组合特征分别对应的第二偏好度从所述各待推荐对象中确定出的，所述第二偏好度是基于多个样本组合特征及所述多个样本组合特征分别对应的第一偏好度确定出的。

在一种可能的实现方式中，该装置还包括第三处理模块；

第三处理模块，用于对各目标组合特征中的第一用户特征和/或第一对象特征进行以下至少一项处理，得到处理后的各目标组合特征：

对缺失的第一用户特征和/或第一对象特征进行舍弃处理；

对满足异常特征判别条件的第一用户特征和/或第一对象特征进行舍弃处理；

对缺失的第一用户特征和/或第一对象特征进行填充处理；

对第一用户特征和/或第一对象特征进行特征衍生处理；

对第一用户特征和/或第一对象特征进行预定的特征变换处理；

第二处理模块在基于各目标组合特征，通过预定模型从各待推荐对象中确定目标对象时，用于基于处理后的各目标组合特征，通过预定模型从各待推荐对象中确定目标对象。

在一种可能的实现方式中，第二处理模块在基于多个样本组合特征及多个样本组合特征分别对应的第一偏好度，确定各目标组合特征分别对应的第二偏好度时，用于针对每一目标组合特征，计算每一目标组合特征与多个样本组合特征之间的相似度，并基于计算得到的多个相似度和多个样本组合特征分别对应的第一偏好度，确定每一目标组合特征的第二偏好度。

在一种可能的实现方式中，第二处理模块在基于计算得到的多个相似度和多个样本组合特征分别对应的第一偏好度，确定每一目标组合特征的第二偏好度时，用于执行以下任一项：

从多个相似度中确定最大相似度，并确定该最大相似度对应的样本组合特征的第一偏好度为每一目标组合特征的第二偏好度；

基于最大的N个相似度分别对应的样本组合特征的第一偏好度，确定每一目标组合特征的第二偏好度，N为大于1的整数。

在一种可能的实现方式中，第二处理模块在基于最大的N个相似度分别对应的样本组合特征的第一偏好度，确定每一目标组合特征的第二偏好度时，用于执行以下任一项：

当最大的N个相似度分别对应的样本组合特征的第一偏好度中，存在相同的第一偏好度时，根据该相同的第一偏好度的数量与N的比值，确定每一目标组合特征的第二偏好度；

当最大的N个相似度分别对应的样本组合特征的第一偏好度中，不存在相同的第一偏好度时，从最大的N个相似度中确定最大相似度，并确定该最大相似度对应的样本组合特征的第一偏好度为每一目标组合特征的第二偏好度。

在一种可能的实现方式中，第二处理模块是通过神经网络模型实现的，神经网络模型是通过模型训练模块得到的，模型训练模块用于：

获取多个样本用户的第二用户特征以及多个样本用户分别对应的至少一个样本对象的第二对象特征，并将各样本对象的第二对象特征分别与各样本对象分别对应的样本用户的第二用户特征拼接，得到多个样本组合特征；

根据多个样本用户针对各自对应的每个样本对象的至少一个用户行为，确定多个样本组合特征分别对应的第一偏好度；

基于多个样本组合特征与多个样本组合特征分别对应的第一偏好度，对神经网络模型进行训练，直至对应的损失函数收敛，损失函数的值表征了模型输出的各样本组合特征的偏好度和各样本组合特征的第一偏好度之间的差异。

在一种可能的实现方式中，模型训练模块在根据多个样本用户针对各自对应的每个样本对象的至少一个用户行为，确定多个样本组合特征分别对应的第一偏好度时，具体用于：

对于每一样本用户的每个样本对象，基于客户关系管理RFM模型与预先设定的每个用户行为的行为标签权重，根据每一样本用户针对每个样本对象的至少一个用户行为，确定每一样本用户针对每个样本对象的样本组合特征的偏好数值；

基于预定划分方式，将多个偏好数值划分为L个第一偏好度，得到多个样本组合特征分别对应的第一偏好度，偏好数值的数量大于或等于L，L为大于1的整数。

在一种可能的实现方式中，模型训练模块在基于预定划分方式，将多个偏好数值划分为L个第一偏好度时，具体用于：

计算多个偏好数值中的最大值与最小值间的差值，并确定区间间隔为差值与L之间的比值；

根据区间间隔，将多个偏好数值划分至L个区间，并根据各个区间分别包括的至少一个偏好数值，确定各个区间各自对应的第一偏好度，其中，一个区间对应一个第一偏好度，不同区间对应不同的第一偏好度。

在一种可能的实现方式中，至少一个用户行为包括以下至少一项：

购买行为；添加购物车行为；收藏行为；评论行为；搜索行为；浏览行为。

在一种可能的实现方式中，模型训练模块在基于客户关系管理RFM模型与预先设定的每个用户行为的行为标签权重，根据每一样本用户针对每个样本对象的至少一个用户行为，确定每一样本用户针对每个样本对象的样本组合特征的偏好数值时，具体用于：

针对至少一个用户行为中的每一用户行为，确定每一用户行为的行为标签权重与RFM模型中的R值、F值及M值之间的乘积；其中，R值为每一样本用户最近一次发生每一用户行为与上一次发生每一用户行为之间的时间间隔；F值为每一样本用户在预定时间范围内发生每一用户行为的次数；当每一用户行为是购买行为时，M值为每一样本用户在预定时间范围内的消费金额，当每一用户行为是除购买行为外的其它用户行为时，M值为基于预定转化方式根据其它用户行为与F值确定出的；

计算至少一个用户行为分别对应的乘积的总和，并确定总和为每一样本用户针对每一消费对象的样本组合特征的偏好数值。

在一种可能的实现方式中，神经网络模型包括基于双向长短时记忆网络BI-LSTM和am-softmax的模型。

在一种可能的实现方式中，第一用户特征和/或第二用户特征包括以下至少一项：

用户基本属性特征、用户消费特征、用户行为特征；

第一对象特征和/或第二对象特征包括以下至少一项：

对象基本属性特征、对象消费特征。

一方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现上述的信息推荐方法。

一方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的信息推荐方法。

本申请实施例提供的信息推荐方法，一方面，在确定目标对象的过程中，既学习到了用户的用户特征，又学习到了待推荐对象的对象特征，即学习到了待推荐对象和用户的全面的特征，使得可以准确地确定目标对象，从而有效地进行信息推荐，提高信息推荐的准确性，确保信息推荐对用户具有更大的参考价值，提升用户的满意度；另一方面，根据各目标组合特征的第二偏好度，从各待推荐对象中确定目标对象，降低了信息推荐的盲目性，进一步提高信息推荐的精确度，而且，基于多个样本组合特征及多个样本组合特征分别对应的第一偏好度，确定各目标组合特征分别对应的第二偏好度，确保了第二偏好度的客观性和准确性，为准确进行信息推荐提供必要保障。

本申请实施例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

本申请实施例上述的和/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为本申请实施例的信息推荐方法的流程示意图；

图2为本申请实施例的神经网络模型的示意图；

图3为本申请实施例的信息推荐装置的基本结构示意图；

图4为本申请实施例的电子设备的结构示意图。

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。

本技术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。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

下面以具体地实施例对本申请实施例的技术方案以及本申请实施例的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

本申请一个实施例提供了一种信息推荐方法，该方法由计算机设备执行，该计算机设备可以是终端或者服务器。终端可以是台式设备或者移动终端。服务器可以是独立的物理服务器、物理服务器集群或者虚拟服务器。如图1所示，该方法包括：步骤S110，获取用户的第一用户特征与至少一个待推荐对象的第一对象特征，并将各第一对象特征分别与第一用户特征拼接，得到各待推荐对象分别对应的目标组合特征；步骤S120，基于各所述目标组合特征，从各待推荐对象中确定目标对象，并向所述用户推荐所述目标对象的对象信息，所述目标对象是依据各所述目标组合特征分别对应的第二偏好度从所述各待推荐对象中确定出的，所述第二偏好度是基于多个样本组合特征及所述多个样本组合特征分别对应的第一偏好度确定出的。

具体地，可以根据用户在应用程序、网站、论坛等填写的个人信息，获取用户的用户特征(记作第一用户特征)，也可以根据用户的行为信息，获取用户的用户特征，其中，用户的行为信息包括但不限于消费信息、浏览时长、观看时长、页面点击次数等，当然也可以通过其它可行方式获取用户的用户特征，本申请实施例不对其作限制。

具体地，待推荐对象可以是一个或两个或多个，待推荐对象包括但不限于视频、新闻、广告、商品等。当待推荐对象为视频时，待推荐对象的对象特征(记作第一对象特征)可以是视频类型、视频评分、视频被观看的次数、视频评论数量等等，当待推荐对象为商品时，待推荐对象的第一对象特征可以是商品类别、商品价格、商品品牌、商品产地、商品被购买数量等等。当待推荐对象为新闻或广告时，待推荐对象的第一对象特征为新闻或广告相关的一些关联信息，在此不再赘述。

其中，上述的待推荐对象可以是用户的预定用户行为对应的对象，比如，当待推荐对象为商品时，用户的预定行为包括但不限于浏览行为、收藏行为及添加购物车行为等，即将浏览、收藏及添加购物车等用户行为对应的商品，确定为待推荐商品；又比如，当待推荐对象为视频时，用户的预定行为包括但不限于浏览行为、评论行为及预览行为等，即将浏览、评论及预览等用户行为对应的视频，确定为待推荐视频。

具体地，在获取到用户的用户特征与至少一个待推荐对象的第一对象特征后，可以将各第一对象特征分别与第一用户特征进行拼接，得到相应的目标组合特征。在拼接的过程中，可以是第一用户特征在前、第一对象特征在后的拼接形式，也可以第一对象特征在前、第一用户特征在后的拼接形貌，还可以是第一对象特征与第一用户特征的随机排列，当然也可以是其它可行的拼接形式，本申请实施例不对其作限制。

在一个示例中，假如用户U1的第一用户特征为U1_f1、U1_f2、U1_f3及U1_f4，待推荐对象为2个，分别为O1与O2，且O1的第一对象特征为O1_f1、O1_f2及O1_f3，O2的第一对象特征为O2_f1与O2_f2，则在将各第一对象特征分别与第一用户特征拼接的过程中，将O1的第一对象特征与用户U1的第一用户特征进行拼接，并O2的第一对象特征与用户U1的第一用户特征进行拼接。以O1的第一对象特征与用户U1的第一用户特征的拼接为例，拼接形式可以是[U1_f1U1_f2U1_f3U1_f4O1_f1O1_f2O1_f3]，也可以是[O1_f1O1_f2O1_f3U1_f1U1_f2U1_f3U1_f4]，还可以是[U1_f1O1_f1U1_f4U1_f2O1_f2O1_f3U1_f3]、[U1_f1O1_f3U1_f4U1_f2O1_f1O1_f2U1_f3]等形式，本申请实施例不对其作限制。

具体地，在将各第一对象特征分别与第一用户特征进行拼接后，拼接得到的特征即为各待推荐对象分别对应的组合特征(记作目标组合特征)。换言之，当用户为U1、待推荐对象分别为O1与O2时，目标组合特征分别为用户U1的第一用户特征与待推荐对象O1的第一对象特征拼接得到的特征、用户U1的第一用户特征与待推荐对象O2的第一对象特征拼接得到的特征。

具体地，在得到各目标组合特征后，可以基于预先得到的多个样本组合特征以及预先确定出的多个样本组合特征分别对应的偏好度(记作第一偏好度)，来确定各个目标组合特征分别对应的偏好度(记作第二偏好度)，即目标组合特征的第二偏好度是根据样本组合特征及样本组合特征的第一偏好度预测出的。其中，样本组合特征为样本用户的用户特征与样本对象的对象特征拼接得到的组合特征，样本组合特征的第一偏好度表征了样本用户对样本对象的偏爱程度，目标组合特征的第二偏好度表征了用户对待推荐对象的偏爱程度。在一个示例中，偏好度可以偏好评分、偏好等级等表现形式，当然也可以为其它可行的表现形式，本申请实施例不对其作限制。

具体地，在确定出各个目标组合特征分别对应的第二偏好度后，可以根据各个第二偏好度，从各待推荐对象中确定目标对象，并向用户推荐目标对象的对象信息。其中，目标对象为待推荐对象中的至少一个。

在一个示例中，假定用户为U1、待推荐对象分别为O1与O2，偏好度的表现形式为偏好评分，即偏好评分的分值代表偏好度的高低，其中，偏好评分的分值范围是0～5，分值越大代表偏好度越高，分值越小代表偏好度越低；如果用户U1与待推荐对象O1的目标组合特征的第二偏好度为5分，用户U1与待推荐对象O2的目标组合特征的第二偏好度为3分，则在确定目标对象时，包括但不限于如下两种情况：

情况一：将偏好评分的最高值所对应的待推荐对象确定为目标对象。在上述示例中，偏好评分的最高值为5分，此时可以将最高偏好评分(即5分)所对应的待推荐对象O1确定为目标对象。其中，在最高偏好评分同时存在两个或多个的场景，可以将多个最高偏好评分各自对应的待推荐对象均确定为目标对象。

情况二：将不小于预定阈值的偏好评分所对应的待推荐对象确定为目标对象。假如预定阈值为2分，则上述示例中的两个偏好评分均高于该预定阈值，此时可以把待推荐对象O1与待推荐对象O2均确定为目标对象。

在一种可能的实现方式中，在将各第一对象特征分别与第一用户特征拼接，得到各待推荐对象分别对应的目标组合特征之后，可以进一步对各目标组合特征中的第一用户特征和/或第一对象特征进行相应的处理，来对目标组合特征进行优化或净化，确保各个第一用户特征、各个第一对象特征等的数据一致性，为后续确定目标对象的准确度提供必要的前提保障。

具体地，对第一用户特征和/或第一对象特征进行的处理，包括但不限于以下几种：对缺失的第一用户特征和/或第一对象特征进行舍弃处理；对满足异常特征判别条件的第一用户特征和/或第一对象特征进行舍弃处理；对缺失的第一用户特征和/或第一对象特征进行填充处理；对第一用户特征和/或第一对象特征进行特征衍生处理；对第一用户特征和/或第一对象特征进行预定的特征变换处理。

其中，第一用户特征包括用户基本属性特征、用户消费特征及用户行为特征中的至少一项，第一对象特征包括对象基本属性特征或对象消费特征中的至少一项。其中，用户的基本属性特征包括但不限于用户名、姓名、年龄、性别、学历及所处城市等，用户消费特征包括但不限于消费总次数、消费总金额、某段时间内(比如24小时、一周、一个月、半年及一年等)的消费分布及消费金额分布等特征，用户行为特征包括但不限于浏览时长、页面点击次数、观看时长、评论频率等；对象基本属性特征包括但不限于对象名称、对象类别、对象价格、对象品牌、对象评分、对象评论等，对象消费特征包括但不限于被购买次数、被观看次数、被点击浏览次数、被添加到购物车的次数及同类对象被购买的次数等。

在一个示例中，当用户的第一用户特征为年龄时，对第一用户特征进行的处理可以为：当用户的年龄这一特征缺失时，可以将年龄这一特征舍弃，也可以利用合理的数值对其进行填充；当用户的年龄这一特征满足异常特征判别条件时，例如年龄的异常特征判别条件为年龄大于100岁或小于0岁，可以将年龄这一特征舍弃。

在又一示例中，当对象为商品、且第一对象特征为商品类别时，对第一用户特征进行的处理可以为：当商品的商品类别这一特征缺失时，可以将商品类别这一特征舍弃，也可以利用合理的类别对其进行填充；当商品类别这一特征满足异常特征判别条件时，例如商品类别的异常特征判别条件为商品类别为城市名或国家名等，可以将商品类别这一特征舍弃。

在另一示例中，目标组合特征中的年龄和商品类型均缺失时，可以利用合理的数值对缺失的年龄进行填充，而舍弃缺失的商品类别。

在另一示例中，可以通过特征变换、特征平方、特征加减等特征处理方式，对目标组合特征中的第一用户特征和/或第一对象特征进行特征组合或特征衍生，得到衍生出新的特征。也可以对目标组合特征中的连续型特征(比如对象价格)进行分箱离散化处理，对目标组合特征中的离散型特征(比如对象类别、用户性别等)进行one-hot(独热)编码处理。

在一种可能的实现方式中，在基于多个样本组合特征及多个样本组合特征分别对应的第一偏好度，确定各目标组合特征分别对应的第二偏好度时，可以针对每一目标组合特征，计算每一目标组合特征与多个样本组合特征之间的相似度，并基于计算得到的多个相似度和多个样本组合特征分别对应的第一偏好度，确定每一目标组合特征的第二偏好度。其中，通过计算目标组合特征与样本组合特征之间的相似度，来确定目标组合特征的第二偏好度，不仅计算简便高效、计算量小，而且利于快速准确地确定目标组合特征的第二偏好度，为信息推荐的精确度奠定基础。

具体地，假如目标组合特征共有3组，分别为目标组合特征Z1、目标组合特征Z2与目标组合特征Z3，样本组合特征共有10个，分别为样本组合特征S1、样本组合特征S2、…、及样本组合特征S10，则：首先，针对目标组合特征Z1，计算目标组合特征Z1与样本组合特征S1之间的相似度(比如相似度为95％)、计算目标组合特征Z1与样本组合特征S2之间的相似度(比如相似度为93％)、…、目标组合特征Z1与样本组合特征S10之间的相似度(比如相似度为75％)；接着，基于计算得到的多个相似度和多个样本组合特征分别对应的第一偏好度，确定目标组合特征S1的第二偏好度。其中，针对目标组合特征Z2与目标组合特征Z3，也采用上述的针对目标组合特征Z1的第二偏好度的计算过程，在此不再赘述。

基于上述描述，下面以确定目标组合特征Z1的第二偏好度为例，对基于计算得到的多个相似度和多个样本组合特征分别对应的第一偏好度，确定每一目标组合特征的第二偏好度进行具体介绍：

在一种实现方式中，可以从该多个相似度中确定最大相似度，并确定该最大相似度对应的样本组合特征的第一偏好度为每一目标组合特征的第二偏好度；假若最大相似度为98％，且该最大相似度对应的样本组合特征为样本组合特征S4，则可以将样本组合特征S4的第一偏好度确定为目标组合特征Z1的第二偏好度。在一个示例中，假若样本组合特征S4的第一偏好度为3分，则可以确定目标组合特征Z1的第二偏好度为3分。

在另一种实现方式中，可以基于最大的N个相似度分别对应的样本组合特征的第一偏好度，确定每一目标组合特征的第二偏好度。其中，可以将计算得到的多个(即上述的10个)相似度按照从大到小的顺序排列，排列在最靠前的N个相似度即为最大的N个相似度；也可以将计算得到的多个(即上述的10个)相似度按照从小到大的顺序排列，排列在最靠后的N个相似度即为最大的N个相似度。

具体地，N可以是2、3、5等数值，且N的数值要小于或等于样本组合特征的数量。基于上述描述，假若N的取值为5，最大的5个相似度依次为95％、93％、90％、98％、96％，且相似度95％对应样本组合特征S1、相似度93％对应样本组合特征S2、相似度90％对应样本组合特征S3、相似度98％对应样本组合特征S4以及相似度96％对应样本组合特征S5，则在基于最大的N个相似度分别对应的样本组合特征的第一偏好度，确定每一目标组合特征的第二偏好度的过程中，可以采用以下任一种方式：

第一种方式，当最大的N个相似度分别对应的样本组合特征的第一偏好度中，存在相同的第一偏好度时，可以根据该相同的第一偏好度，确定每一目标组合特征的第二偏好度。第二种方式，当最大的N个相似度分别对应的样本组合特征的第一偏好度中，不存在相同的第一偏好度时，可以从最大的N个相似度中确定最大相似度，并确定该最大相似度对应的样本组合特征的第一偏好度为每一目标组合特征的第二偏好度。

针对上述第一种方式，在根据相同的第二偏好度，确定每一目标组合特征的第一偏好度的过程中，可以计算相同的第二偏好度的占比，该占比为相同的第二偏好度的数量与N的比值；其中，当占比大于预定数值时，确定相同的第二偏好度为每一目标组合特征的第一偏好度；当占比小于或等于预定数值时，在相同的第二偏好度中，确定对应于最大相似度的第二偏好度，并将对应于最大相似度的第二偏好度确定为每一目标组合特征的第一偏好度。在实际应用中，预定数值可以为0.5或50％，也可以为其它数值，本申请实施例不对其作限制。

在一个示例中，假若样本组合特征S1的第一偏好度为5分、样本组合特征S2的第一偏好度为5分、样本组合特征S3的第一偏好度为5分、样本组合特征S4的第一偏好度为3分、样本组合特征S5的第一偏好度为3分，则：样本组合特征S1的第一偏好度、样本组合特征S2的第一偏好度及样本组合特征S3的第一偏好度属于相同的偏好度，样本组合特征S4的第一偏好度与样本组合特征S5的第一偏好度属于相同的偏好度。由此可以看出，5分的第一偏好度的数量为3，即5分的第一偏好度的占比为3/5＝60％，3分的第一偏好度的数量为2，即3分的第一偏好度的占比为2/5＝40％。一方面，由于5分的第一偏好度的占比高于3分的第一偏好度的占比，故可以将目标组合特征Z1的第二偏好度确定为5分；另一方面，假如预定数值为50％，由于5分的第一偏好度的占比为60％，明显大于预定数值，而3分的第一偏好度的占比40％，明显小于预定数值，故可以将目标组合特征Z1的第二偏好度确定为5分。

在另一示例中，假若样本组合特征S1的第一偏好度为5分、样本组合特征S2的第一偏好度为5分、样本组合特征S3的第一偏好度为4分、样本组合特征S4的第一偏好度为3分、样本组合特征S5的第一偏好度为3分，则：样本组合特征S1的第一偏好度与样本组合特征S2的第一偏好度属于相同的偏好度，样本组合特征S4的第一偏好度与样本组合特征S5的第一偏好度属于相同的偏好度。由此可以看出，5分的第一偏好度的数量为2，即5分的第一偏好度的占比为2/5＝40％，3分的第一偏好度的数量为2，即3分的第一偏好度的占比为2/5＝40％。如果预定数值为50％，则5分的第一偏好度的占比与3分的第一偏好度的占比，均小于预定数值，此时，可以在相同的第一偏好度中，确定对应于最大相似度的第一偏好度，并将对应于最大相似度的第一偏好度确定为目标组合特征的第二偏好度。其中，对应于5分的第一偏好度的相似度为95％与93％，对应于3分的第一偏好度的相似度为98％与96％，此时，最大的相似度为98％，故可以将最大相似度98％对应的样本组合特征S4的第一偏好度，确定为目标组合特征Z1的第二偏好度，即目标组合特征Z1的第二偏好度为3分。

在一种可能的实现方式中，上述的基于各目标组合特征，从各待推荐对象中确定目标对象是通过神经网络模型实现的，在实际应用中，神经网络模型可以是通过以下方式训练得到的：

具体地，当待推荐对象为商品时，样本对象可以为任一样本用户已购买过的商品，当待推荐对象为视频时，样本对象可以为任一样本用户已点击观看过的视频，当待推荐对象为新闻时，样本对象可以为任一样本用户已阅读过的新闻，当待推荐对象为广告时，样本对象可以为任一样本用户已点击观看过的视频。

下面以待推荐对象为商品，样本对象为任一样本用户已购买过的商品为例，对神经网络模型的训练进行具体介绍：

假如样本用户的数量为1000，且每一样本用户对应至少一个样本对象，即每个样本用户至少购买过一个商品，则可以根据多个样本用户的用户特征(记作第二用户特征)以及该多个样本用户各自已购买过的至少一个商品的商品特征(即上述的第二对象特征)，构建多个样本组合特征。其中，该样本组合特征的构建与上述目标组合特征的构建过程类似，可以通过将每个样本用户已购买过的至少一个商品的商品特征分别与每个样本用户的第二用户特征拼接，来得到相应的样本组合特征。

在一个示例中，如果样本用户为S_U1，且样本用户S_U1已购买过的商品分别为商品C1与商品C2，则样本用户S_U1对应的样本组合特征的构建过程可以为：将用户S_U1的用户特征与商品C1的商品特征进行拼接，得到对应的样本组合特征(记作样本组合特征S1)，同时将用户S_U1的用户特征与商品C2的商品特征进行拼接，得到对应的样本组合特征(记作样本组合特征S2)。其中，对于其他的样本用户，其对应的样本组合特征的构建过程与上述样本用户S_U1对应的样本组合特征的构建过程相同，在此不再赘述。

其中，第二用户特征包括用户基本属性特征、用户消费特征及用户行为特征中的至少一项，商品特征包括商品基本属性特征与商品消费特征中的至少一项。其中，用户基本属性特征包括但不限于用户名、姓名、年龄、性别、学历及所处城市等，用户消费特征包括但不限于消费总次数、消费总金额、某段时间内(比如24小时、一周、一个月、半年及一年等)的消费分布及消费金额分布等特征，用户行为特征包括但不限于浏览时长、页面点击次数等；商品基本属性特征包括但不限于商品名称、商品类别、商品价格、商品品牌、商品购买评分、商品评论等，商品消费特征包括但不限于被购买次数、被点击浏览次数、被添加到购物车的次数及同类对象被购买的次数等。

在得到多个样本组合特征后，可以对各个样本组合特征中的第二用户特征和/或商品特征进行以下至少一项处理，得到处理后的各样本组合特征。对第二用户特征和/或商品特征进行的处理，包括但不限于以下几种：

(1)对缺失的第二用户特征和/或商品特征进行舍弃处理；比如舍弃缺失值过多的特征，当某个特征(例如性别)缺失的数量超过过滤阈值时，可以舍弃该某个特征，该过滤阈值可以是样本用户的数量与预定比例的乘积，预定比例可以是0.4、0.3等，也可以是其它数值，本申请实施例不对其作限制。在一个示例中，假如预定比例为0.4，样本用户的数量为1000，则过滤阈值为400，如果多个样本组合特征中的400个样本组合特征缺失某个特征，则可以舍弃该某个特征。

(2)对满足异常特征判别条件的第二用户特征和/或商品特征进行舍弃处理；在一个示例中，当用户的年龄这一特征满足异常特征判别条件时，例如年龄的异常特征判别条件为年龄大于100岁或小于0岁，可以将年龄这一特征舍弃；在另一示例中，根据特征分布(例如从大到小的排序)，舍弃特征数值太大的异常值，例如舍弃前K个特征数值，K为正整数。

(3)对缺失的第二用户特征和/或商品特征进行填充处理；其中，对于连续型特征可以用均值填充，对于离散型特征可以用常数填充，例如用户的年龄为连续型特征，用户性别为离散型特征，当某个样本用户的年龄缺失时，可以计算多个样本用户的年龄的平均值，并将该平均值作为该某个样本用户的年龄，当某个样本用户的性别缺失时，可以将该某个样本用户的性别填充为3、2等数值。

(4)对第二用户特征和/或商品特征进行特征衍生处理；比如可以通过特征变换、特征平方、特征加减等特征处理方式，对第二用户特征和/或商品特征进行特征组合或特征衍生，得到衍生出新的特征。

(5)对第二用户特征和/或商品特征进行预定的特征变换处理；比如对样本组合特征中的连续型特征进行分箱离散化处理，对样本组合特征中的离散型特征进行one-hot(独热)编码处理。

具体地，在根据多个样本用户针对各自对应的每个样本对象的至少一个用户行为，确定多个样本组合特征分别对应的第一偏好度的过程中，对于每一样本用户的每个样本对象，首先，基于客户关系管理RFM模型与预先设定的每个用户行为的行为标签权重，根据每一样本用户针对每个样本对象的至少一个用户行为，确定每一样本用户针对每个样本对象的样本组合特征的偏好数值；接着，基于预定划分方式，将多个偏好数值划分为L个第一偏好度，得到多个样本组合特征分别对应的第一偏好度，偏好数值的数量大于或等于L，L为大于1的整数。

其中，用户行为可以是购买行为、添加购物车行为、收藏行为、评论行为、搜索行为及浏览行为等等，当然还可以是其它可能的行为，本申请实施例不对其作限制。

具体地，根据每个用户行为对偏好度的影响力度的不同，可以为每个用户行为设定不同的行为权重。在上述的各个用户行为中，购买行为的行为权重的数值最大，对于其它的用户行为的行为权重，可以根据其与购买行为的接近程度，为其设定不同的权重值，其中，越接近购买行为的用户行为(比如添加购物车行为)的权重值越大，越远离购买行为的用户行为(例如浏览行为)的权重值越小。在一个示例中，各种用户行为的行为权重可以如下表1所示：

表1用户行为的行为权重

用户行为	行为权重
		购买行为	3
添加购物车行为	2.5
		收藏行为	2
评论行为	1.5
		搜索行为	1
浏览行为	0.5

下面通过具体示例，对基于客户关系管理RFM模型与预先设定的每个用户行为的行为标签权重，根据每一样本用户针对每个样本对象的至少一个用户行为，确定每一样本用户针对每个样本对象的样本组合特征的偏好数值进行具体介绍：

示例一：假如样本用户S_U1已购买过的商品为商品C1，且样本用户S_U1在购买商品C1时只发生了购买行为，即样本用户S_U1针对商品C1的用户行为是购买行为，则可以根据购买行为的行为权重与RFM模型中的R值、F值及M值之间的乘积，来得到样本用户S_U1针对样本对象(即商品C1)的样本组合特征的偏好数值。在实际应用中，具体的计算方式可以为：偏好数值＝购买行为的行为权重*R值*F值*M值，即将计算得到的乘积作为相应的上述的偏好数值。其中，上述的R值为样本用户S_U1最近一次发生购买行为与上一次发生购买行为之间的时间间隔，该上一次购买行为是指位于最近一次购买行为之前、且与最近一次购买行为的时间间隔最短的购买行为；上述的F值为样本用户S_U1在预定时间范围内发生购买行为的次数，该预定时间范围可以是一天、一周、一个月等；由于样本用户S_U1的用户行为为购买行为，因此，M值为样本用户S_U1在预定时间范围内的消费金额，该预定时间范围可以是一天、一周、一个月等。

示例二：假如样本用户S_U1已购买过的商品为商品C2，且样本用户S_U1在购买商品C2时，是先浏览了商品C2，后来将商品C2添加到购物车，再后来购买了商品C2，即样本用户S_U1针对商品C2的用户行为包括浏览行为、添加购物车行为与购买行为，则可以根据购买行为的行为权重与RFM模型中的R值、F值及M值之间的第一乘积、添加购物车行为的行为权重与RFM模型中的R值、F值及M值之间的第二乘积、以及浏览行为的行为权重与RFM模型中的R值、F值及M值之间的第三乘积，来得到样本用户S_U1针对样本对象(即商品C2)的样本组合特征的偏好数值。其中，样本用户S_U1针对商品C2的样本组合特征的偏好数值为第一乘积、第二乘积与第三乘积的总和。

换言之，在示例二中，由于样本用户S_U1针对商品C2的用户行为包括浏览行为、添加购物车行为与购买行为，所以可以先计算购买行为的行为权重与RFM模型中的R值、F值及M值之间的第一乘积、添加购物车行为的行为权重与RFM模型中的R值、F值及M值之间的第二乘积、以及浏览行为的行为权重与RFM模型中的R值、F值及M值之间的第三乘积，再对第一乘积、第二乘积及第三乘积求和，即计算第一乘积、第二乘积及第三乘积的总和，并将该总和作为样本用户S_U1针对商品C2的样本组合特征的偏好数值。

其中，示例二中的第一乘积的计算方式与上述示例一中样本用户S_U1针对商品C1的偏好数值的计算方式相同，在此不再赘述。示例二中的第二乘积的计算方式与上述示例一中样本用户S_U1针对商品C1的偏好数值的计算方式类似，只是计算第二乘积时的M值是基于预定转化方式，根据添加购物车行为与F值确定出的。同样地，示例二中的第三乘积的计算方式与上述示例一中样本用户S_U1针对商品C1的偏好数值的计算方式类似，只是计算第三乘积时的M值是基于预定转化方式，根据浏览行为与F值确定出的。

其中，计算第二乘积时的M值(即针对添加购物车行为的M值)可以根据如下方式转化得到：(1)当样本用户S_U1在预定时间范围内(比如一天、一周、一个月等)的购买商品C2的次数大于预定数值(比如0)时，针对添加购物车行为的M值为：样本用户S_U1在预定时间范围内添加商品C2至购物车的次数与样本用户S_U1在预定时间范围内购买商品C2的次数之间的比值；(2)当样本用户S_U1在预定时间范围内(比如一天、一周、一个月等)的购买商品C2的次数为0时，针对添加购物车行为的M值为0。

同样地，计算第一乘积时的M值(即针对浏览行为的M值)可以根据如下方式转化得到：(1)当样本用户S_U1在预定时间范围内(比如一天、一周、一个月等)的购买商品C2的次数大于预定数值(比如0)时，针对浏览行为的M值为：样本用户S_U1在预定时间范围内浏览商品C2至购物车的次数与样本用户S_U1在预定时间范围内购买商品C2的次数之间的比值；(2)当样本用户S_U1在预定时间范围内(比如一天、一周、一个月等)的购买商品C2的次数为0时，针对浏览行为的M值为0。

具体地，在通过确定每一样本用户针对每个样本对象的样本组合特征的偏好数值，来得到多个样本组合特征分别对应的偏好数值后，可以根据多个样本组合特征分别对应的偏好数值，来得到多个样本组合特征分别对应的第一偏好度。在根据多个样本组合特征分别对应的偏好数值，来得到多个样本组合特征分别对应的第一偏好度的过程中，可以基于预定划分方式，将多个偏好数值划分为L个第一偏好度，得到多个样本组合特征分别对应的第一偏好度。

其中，在基于预定划分方式，将多个偏好数值划分为L个第一偏好度的过程中，可以先计算多个偏好数值中的最大值与最小值间的差值，并确定区间间隔为差值与L之间的比值；再根据区间间隔，将多个偏好数值划分至L个区间，并根据各个区间分别包括的至少一个偏好数值，确定各个区间各自对应的第一偏好度，其中，一个区间对应一个第一偏好度，不同区间对应不同的第一偏好度。

在一个示例中，假如多个偏好数值中的最大值为s_max，最小值为S_min，则可以根据最大值S_max与最小值S_min，将多个偏好数值划分为L个区间，其中，区间间隔可以为最大值与最小值间的差值与L之间的比值；在一个示例中，区间间隔可以表示为

该F即为区间间隔。在得到区间间隔F后，各个区间可以分别表示为[S_min,S_min+F]、[S_min+F，S_min+2F]、[S_min+2F，S_min+3F]、…、[S_min+(L-1)F，S_max]，从而将多个偏好数值划分至L个区间。

在得到L个区间之后，可以将属于同一区间的偏好数值所对应的样本组合特征作为一类，即将样本组合特征的偏好数值划分为L个分类标签，每个分类标签即为一个第一偏好度。其中，各个区间的第一偏好度可以根据各个区间分别包括的至少一个偏好数值来确定，比如某个区间包括的偏好数值均比较大，则该某个区间的第一偏好度的评分会比较高，又比如某个区间包括的偏好数值均比较小，则该某个区间的第一偏好度的评分会比较低。需要说明的是，一个区间对应一个第一偏好度，不同区间对应不同的第一偏好度，从而得到各个区间各自对应的第一偏好度。

此外，上述L的取值可以根据实际需要划分的第一偏好度的种类和范围而定，比如L的取值可以为5、10、20等，本申请实施例不对其作限制。对应于同一第一偏好度的各个样本组合特征之间相一致的，比如都是关于某个年龄的样本用户的样本组合特征，又比如都是关于某一商品类别的样本组合特征，再比如都是关于某一商品品牌的样本组合特征等等。对应于不同第一偏好度的各个样本组合特征之间是不一致的，比如不同一偏好度的各样本组合特征是关于不同年龄、不同商品类型、不同商品品牌等的样本组合特征。

基于上述示例，假如样本组合特征为K个，且K大于L，则可以构建如下表2所示的消费偏好评分库，表2中的第一列为偏好评分，该偏好评分代表第一偏好度，该偏好评分越高代表第一偏好度越高，第二列为对应于各个第一偏好度的评分的各个样本组合特征。

表2消费偏好评分库

需要说明的是，表2中的同一偏好评分的样本组合特征即为同一类别。在实际应用中，除了将2中的第一列划分为不同的偏好评分外，也可以根据需要将表2中的第一列划分为不同的偏好评分区间的形式，当然还可以其它可行的形式，本申请实施例不对其作限制。上述表2仅为其中一种表示形式，由此衍生出的其它表示形式也属于本申请的保护范围。

上述根据多个样本用户针对各自对应的每个样本对象的至少一个用户行为，确定多个样本组合特征分别对应的第一偏好度的方法，在应对偏好评分数据较少、构造的评分矩阵过于稀疏等问题上具有很好的效果，通过计算少量样本组合特征的偏好评分构建评分库，可以根据特征相似度计算预测目标组合特征的偏好情况，尤其是可以预测用户对未消费商品的偏好情况，在工业上具备良好的可操作性。

根据上述表2可以得到各个样本组合特征分别对应的第一偏好度。在得到各个样本组合特征分别对应的第一偏好度后，可以基于各个样本组合特征与各个样本组合特征分别对应的第一偏好度，对神经网络模型进行训练，直至对应的损失函数收敛。其中，损失函数的值表征了神经网络模型输出的各样本组合特征的偏好度和各样本组合特征的第一偏好度之间的差异。

上述的神经网络模型可以是包括BI-LSTM和AM-Softmax的神经网络模型，其中，BI-LSTM为双向长短时记忆网络，AM-Softmax为一个分类模型，图2给出了包括BI-LSTM和AM-Softmax的神经网络模型的示意图，图2中的LSTM为长短时记忆网络，X0、X1、X2及X3表示输入，concat表示特征合并，Fc表示全连接层，Fc之前的网络用于进行特征提取，AM-Softmax的输出为一个概率。

下面以表2的消费偏好评分库作为训练语料，且以包括BI-LSTM和AM-Softmax的神经网络模型为例，具体介绍神经网络模型的训练过程，其中，神经网络模型的整体训练步骤为下式(1)与(2)：

y＝BI-LSTM(x) (1)

p＝am-softmax(yw) (2)

其中，式(1)中的x表示输入的样本组合特征，y表示BI-LSTM编码模型的输出，即y为编码后的特征向量；式(2)中的W为表2中的偏好评分的集合，即W＝(c₁,c₂,…,c_L)，c₁表示区间1的偏好评分，c₂表示区间2的偏好评分，c_L表示区间L的偏好评分，p＝am-softmax(<y,c₁>,<y,c2>,…,<y,cL>，<y,c1>表示特征向量y与c1的相似度，<y,c2>表示特征向量y与c₂的相似度，<y,c_L>表示特征向量y与c_L的相似度。

具体地，AM-Softmax模型的损失函数可以为如下式(3)所示的形式：

其中，-logp_t为计算得到的概率值，可以表示输入的样本组合特征属于各个偏好评分区间的概率，θ_i为y与c_i的夹角，i的取值范围为1到L，t的取值范围为1到L，s的值为第一预定数值，在一示例中s的取值为30，m的值为第二预定数值，在一示例中m的取值为0.35。

在实际应用中，可以通过最小化式(3)所示的损失函数，来对包括BI-LSTM和AM-Softmax的神经网络模型进行训练，直至损失函数收敛，最终得到基于表2的消费偏好评分库的相似度计算模型，该损失函数的值表征了模型输出的各样本组合特征的偏好度和各样本组合特征的第一偏好度之间的差异。

本申请实施例通过引入am-softmax的损失函数完成相似度计算，能够更好地使分类模型训练结果趋近于组合特征之间相似度计算的排序结果，从而能够快速提升组合特征相似度模型计算效果，同时利用BI-LSTM作为编码模型能够更好地抽取组合特征，在计算组合特征相似度方面的泛化能力更高，从而可以广泛地应用于电商平台、推荐系统、广告投放等场景。

图3为本申请又一实施例提供的一种信息推荐装置的结构示意图，如图3所示，该装置300可以包括第一处理模块301与第二处理模块302，其中：

第一处理模块301，用于获取用户的第一用户特征与至少一个待推荐对象的第一对象特征，并将各第一对象特征分别与第一用户特征拼接，得到各待推荐对象分别对应的目标组合特征；

第二处理模块302，用于基于各所述目标组合特征，从各待推荐对象中确定目标对象，并向所述用户推荐所述目标对象的对象信息，所述目标对象是依据各所述目标组合特征分别对应的第二偏好度从所述各待推荐对象中确定出的，所述第二偏好度是基于多个样本组合特征及所述多个样本组合特征分别对应的第一偏好度确定出的。

在一种可能的实现方式中，该装置还包括第三处理模块；

对缺失的第一用户特征和/或第一对象特征进行舍弃处理；

对缺失的第一用户特征和/或第一对象特征进行填充处理；

对第一用户特征和/或第一对象特征进行特征衍生处理；

获取多个样本用户的第二用户特征以及多个样本用户分别对应的至少一个样本对象的第二对象特征，并将各样本对象的第二对象特征分别与各样本对象分别对应的样本用户的第二用户特征拼接，得到多个样本组合特征；根据多个样本用户针对各自对应的每个样本对象的至少一个用户行为，确定多个样本组合特征分别对应的第一偏好度；

对于每一样本用户的每个样本对象，基于客户关系管理RFM模型与预先设定的每个用户行为的行为权重，根据每一样本用户针对每个样本对象的至少一个用户行为，确定每一样本用户针对每个样本对象的样本组合特征的偏好数值；

在一种可能的实现方式中，模型训练模块在基于客户关系管理RFM模型与预先设定的每个用户行为的行为权重，根据每一样本用户针对每个样本对象的至少一个用户行为，确定每一样本用户针对每个样本对象的样本组合特征的偏好数值时，具体用于：

针对至少一个用户行为中的每一用户行为，确定每一用户行为的行为权重与RFM模型中的R值、F值及M值之间的乘积；其中，R值为每一样本用户最近一次发生每一用户行为与上一次发生每一用户行为之间的时间间隔；F值为每一样本用户在预定时间范围内发生每一用户行为的次数；当每一用户行为是购买行为时，M值为每一样本用户在预定时间范围内的消费金额，当每一用户行为是除购买行为外的其它用户行为时，M值为基于预定转化方式根据其它用户行为与F值确定出的；

用户基本属性特征、用户消费特征、用户行为特征；

第一对象特征和/或第二对象特征包括以下至少一项：

对象基本属性特征、对象消费特征。

本申请实施例提供的装置，一方面，在确定目标对象的过程中，既学习到了用户的用户特征，又学习到了待推荐对象的对象特征，即学习到了待推荐对象和用户的全面的特征，使得可以准确地确定目标对象，从而有效地进行信息推荐，提高信息推荐的准确性，确保信息推荐对用户具有更大的参考价值，提升用户的满意度；另一方面，根据各目标组合特征的第二偏好度，从各待推荐对象中确定目标对象，降低了信息推荐的盲目性，进一步提高信息推荐的精确度，而且，基于多个样本组合特征及多个样本组合特征分别对应的第一偏好度，确定各目标组合特征分别对应的第二偏好度，确保了第二偏好度的客观性和准确性，为准确进行信息推荐提供必要保障。

需要说明的是，本实施例为与上述的方法项实施例相对应的装置项实施例，本实施例可与上述方法项实施例互相配合实施。上述方法项实施例中提到的相关技术细节在本实施例中依然有效，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在上述方法项实施例中。

本申请另一实施例提供了一种电子设备，如图4所示，图4所示的电子设备400包括：处理器401和存储器403。其中，处理器401和存储器403相连，如通过总线402相连。进一步地，电子设备400还可以包括收发器404。需要说明的是，实际应用中收发器404不限于一个，该电子设备400的结构并不构成对本申请实施例的限定。

其中，处理器401应用于本申请实施例中，用于实现图3所示的第一处理模块及第二处理模块的功能。

处理器401可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器401也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线402可包括一通路，在上述组件之间传送信息。总线402可以是PCI总线或EISA总线等。总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图4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。

存储器403可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器403用于存储执行本申请方案的应用程序代码，并由处理器401来控制执行。处理器401用于执行存储器403中存储的应用程序代码，以实现图3所示实施例提供的信息推荐装置的动作。

本申请实施例提供的电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，可实现上述实施例的信息推荐方法。

本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例所示的信息推荐方法。

本申请实施例提供的计算机可读存储介质适用于上述方法的任一实施例。

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。

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

1.一种信息推荐方法，其特征在于，包括：

获取用户的第一用户特征与至少一个待推荐对象的第一对象特征，并将各所述第一对象特征分别与所述第一用户特征进行拼接，得到各待推荐对象分别对应的目标组合特征；

2.根据权利要求1所述的方法，其特征在于，在将各所述第一对象特征分别与所述第一用户特征拼接，得到各待推荐对象分别对应的目标组合特征之后，还包括：

对各所述目标组合特征中的第一用户特征和/或第一对象特征进行以下至少一项处理，得到处理后的各目标组合特征：

对缺失的第一用户特征和/或第一对象特征进行舍弃处理；

对缺失的第一用户特征和/或第一对象特征进行填充处理；

对第一用户特征和/或第一对象特征进行特征衍生处理；

基于各所述目标组合特征，通过预定模型从各待推荐对象中确定目标对象，包括：

基于处理后的各目标组合特征，通过预定模型从各待推荐对象中确定目标对象。

3.根据权利要求1所述的方法，其特征在于，基于多个样本组合特征及所述多个样本组合特征分别对应的第一偏好度，确定各所述目标组合特征分别对应的第二偏好度，包括：

针对每一目标组合特征，计算所述每一目标组合特征与所述多个样本组合特征之间的相似度，并基于计算得到的多个相似度和所述多个样本组合特征分别对应的第一偏好度，确定所述每一目标组合特征的第二偏好度。

4.根据权利要求3所述的方法，其特征在于，基于计算得到的多个相似度和所述多个样本组合特征分别对应的第一偏好度，确定所述每一目标组合特征的第二偏好度，包括以下任一项：

从所述多个相似度中确定最大相似度，并确定该最大相似度对应的样本组合特征的第一偏好度为所述每一目标组合特征的第二偏好度；

基于最大的N个相似度分别对应的样本组合特征的第一偏好度，确定所述每一目标组合特征的第二偏好度，所述N为大于1的整数。

5.根据权利要求4所述的方法，其特征在于，基于最大的N个相似度分别对应的样本组合特征的第一偏好度，确定所述每一目标组合特征的第二偏好度，包括以下任一项：

当最大的N个相似度分别对应的样本组合特征的第一偏好度中，存在相同的第一偏好度时，根据该相同的第一偏好度的数量与所述N的比值，确定所述每一目标组合特征的第二偏好度；

当最大的N个相似度分别对应的样本组合特征的第一偏好度中，不存在相同的第一偏好度时，从所述最大的N个相似度中确定最大相似度，并确定该最大相似度对应的样本组合特征的第一偏好度为所述每一目标组合特征的第二偏好度。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述基于各所述目标组合特征，从各待推荐对象中确定目标对象是通过神经网络模型实现的，所述神经网络模型是通过以下方式训练得到的：

获取多个样本用户的第二用户特征以及所述多个样本用户分别对应的至少一个样本对象的第二对象特征，并将各样本对象的第二对象特征分别与各样本对象分别对应的样本用户的第二用户特征拼接，得到多个样本组合特征；

根据所述多个样本用户针对各自对应的每个样本对象的至少一个用户行为，确定所述多个样本组合特征分别对应的第一偏好度；

基于所述多个样本组合特征与所述多个样本组合特征分别对应的第一偏好度，对所述神经网络模型进行训练，直至对应的损失函数收敛，所述损失函数的值表征了模型输出的各样本组合特征的偏好度和各样本组合特征的第一偏好度之间的差异。

7.根据权利要求6所述的方法，其特征在于，所述根据所述多个样本用户针对各自对应的每个样本对象的至少一个用户行为，确定所述多个样本组合特征分别对应的第一偏好度，包括：

对于每一样本用户的每个样本对象，基于客户关系管理RFM模型与预先设定的每个用户行为的行为标签权重，根据每一样本用户针对每个样本对象的至少一个用户行为，确定所述每一样本用户针对所述每个样本对象的样本组合特征的偏好数值；

基于预定划分方式，将多个偏好数值划分为L个第一偏好度，得到多个样本组合特征分别对应的第一偏好度，所述偏好数值的数量大于或等于所述L，所述L为大于1的整数。

8.根据权利要求7所述的方法，其特征在于，基于预定划分方式，将多个偏好数值划分为L个第一偏好度，包括：

计算所述多个偏好数值中的最大值与最小值间的差值，并确定区间间隔为所述差值与所述L之间的比值；

根据所述区间间隔，将所述多个偏好数值划分至L个区间，并根据各个区间分别包括的至少一个偏好数值，确定各个区间各自对应的第一偏好度，其中，一个区间对应一个第一偏好度，不同区间对应不同的第一偏好度。

9.根据权利要求6或7所述的方法，其特征在于，所述至少一个用户行为包括以下至少一项：

10.根据权利要求9所述的方法，其特征在于，所述基于客户关系管理RFM模型与预先设定的每个用户行为的行为标签权重，根据每一样本用户针对每个样本对象的至少一个用户行为，确定所述每一样本用户针对所述每个样本对象的样本组合特征的偏好数值，包括：

针对所述至少一个用户行为中的每一用户行为，确定所述每一用户行为的行为标签权重与所述RFM模型中的R值、F值及M值之间的乘积；其中，所述R值为所述每一样本用户最近一次发生所述每一用户行为与上一次发生所述每一用户行为之间的时间间隔；所述F值为所述每一样本用户在预定时间范围内发生所述每一用户行为的次数；当所述每一用户行为是购买行为时，所述M值为所述每一样本用户在所述预定时间范围内的消费金额，当所述每一用户行为是除购买行为外的其它用户行为时，所述M值为基于预定转化方式根据所述其它用户行为与所述F值确定出的；

计算所述至少一个用户行为分别对应的乘积的总和，并确定所述总和为所述每一样本用户针对所述每一消费对象的样本组合特征的偏好数值。

11.根据权利要求6所述的方法，其特征在于，所述神经网络模型包括基于双向长短时记忆网络BI-LSTM和am-softmax的模型。

12.根据权利要求6所述的方法，其特征在于，第一用户特征和/或第二用户特征包括以下至少一项：

用户基本属性特征、用户消费特征、用户行为特征；

第一对象特征和/或第二对象特征包括以下至少一项：

对象基本属性特征、对象消费特征。

13.一种信息推荐装置，其特征在于，包括：

第一处理模块，用于获取用户的第一用户特征与至少一个待推荐对象的第一对象特征，并将各所述第一对象特征分别与所述第一用户特征拼接，得到各待推荐对象分别对应的目标组合特征；

14.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-12任一项所述的方法。

15.一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上存储有计算机程序，该程序被处理器执行时实现权利要求1-12任一项所述的方法。