CN111625690B - 一种对象推荐方法、装置、设备及介质 - Google Patents

一种对象推荐方法、装置、设备及介质 Download PDF

Info

Publication number
CN111625690B
CN111625690B CN202010402351.0A CN202010402351A CN111625690B CN 111625690 B CN111625690 B CN 111625690B CN 202010402351 A CN202010402351 A CN 202010402351A CN 111625690 B CN111625690 B CN 111625690B
Authority
CN
China
Prior art keywords
search
search word
intention
recommendation
determining
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.)
Active
Application number
CN202010402351.0A
Other languages
English (en)
Other versions
CN111625690A (zh
Inventor
张志伟
林靖
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 CN202010402351.0A priority Critical patent/CN111625690B/zh
Publication of CN111625690A publication Critical patent/CN111625690A/zh
Application granted granted Critical
Publication of CN111625690B publication Critical patent/CN111625690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles

Abstract

本公开提供一种对象推荐方法、装置、设备及介质，用以精准地向用户提供符合其意图的内容对象，并提高推荐效率。本公开的对象推荐方法包括：获取搜索词，并确定所述搜索词对应的多个对象；基于预先配置的搜索意图对应的搜索词集合，确定所述搜索词对应的搜索意图为目标搜索意图时，根据每个对象的选择参数以及每个对象的发布时刻，确定每个对象的推荐参数，其中，所述每个对象的选择参数是基于历史样本数据确定的；根据每个对象的推荐参数，确定所述多个对象的推荐次序。

Description

一种对象推荐方法、装置、设备及介质
技术领域
本公开涉及信息技术领域，尤其涉及一种对象推荐方法、装置、设备及介质。
背景技术
在推荐场景或者搜索场景中，向账户推荐的内容对象(文字、图片、视频)往往是不确定的，相关技术中，认为历史点击率高的内容对象更加受到用户的青睐，从而在训练用于确定内容对象推荐顺序的神经网络模型过程中，利用内容对象的历史点击率作为模型的监督信息。但是，实际应用中，影响用户点击被推荐的内容对象的因素还有很多。例如，用户的自身状态、内容对象中的具体内容、向该账户推荐的时间等因素，都会对用户是否点击被推荐的内容对象产生影响。
通常，用户在搜索信息类搜索词(如，什么是日食)后，在点击一个或几个被推荐的内容对象之后，由于获知所需信息，继续点击其它被推荐的内容对象的可能性很低，也即其它被推荐的内容对象无法继续吸引用户点击。用户在搜索非信息类搜索词(如，猫咪)后，在点击几个被推荐的内容对象之后，还会继续点击其它被推荐的内容对象，用户沉浸于被推荐的内容对象，并且继续点击被推荐的内容对象的可能性很高。
因此，如何精准地向用户提供符合其意图的内容对象，提升推荐效率是亟需解决的问题。
发明内容
本公开提供一种对象推荐方法、装置、设备及介质，用以精准地向用户提供符合其意图的内容对象，并提高推荐效率。
本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种对象推荐方法，包括：
获取搜索词，并确定搜索词对应的多个对象；
基于预先配置的搜索意图对应的搜索词集合，确定搜索词对应的搜索意图为目标搜索意图时，根据每个对象的选择参数以及每个对象的发布时刻，确定每个对象的推荐参数，其中，每个对象的选择参数是基于历史样本数据确定的；
根据每个对象的推荐参数，确定多个对象的推荐次序。
一种可能的实施方式中，本公开提供的对象推荐方法，方法还包括：
基于预先配置的搜索意图对应的搜索词集合，确定搜索词对应的搜索意图为非目标搜索意图时，根据每个对象的选择参数，确定每个对象的推荐参数。
一种可能的实施方式中，本公开提供的对象推荐方法中，根据每个对象的选择参数以及每个对象的发布时刻，确定每个对象的推荐参数，包括：
根据每个对象发布时刻与获取搜索词的时刻之间的间隔时长，确定每个对象的推荐系数；
基于每个对象的选择参数和推荐系数，确定每个对象的推荐参数。
一种可能的实施方式中，本公开提供的对象推荐方法中，预先配置的搜索意图对应的搜索词集合，采用如下步骤确定：
根据第一预设时长内的历史搜索信息中的搜索词、与各搜索词对应的对象标识、以及对象标识对应的对象的选择结果，确定历史搜索信息中各搜索词在第一预设时长内的平均对象选中数量；
根据历史搜索信息中与各搜索词对应的对象的选择结果为选中的对象的展示时长，将展示时长大于等于预设展示时长阈值的对象总数量与对象的选择结果为选中的对象的总数量的比值，确定为各搜索词在第一预设时长内的展示比值；
根据历史搜索信息中各搜索词在第一预设时长内平均对象选中数量和展示比值，确定搜索词与搜索意图的对应关系。
一种可能的实施方式中，本公开提供的对象推荐方法中，确定搜索词与搜索意图的对应关系，包括：
针对不在目标搜索意图对应的搜索词集合的第一搜索词，在确定第一搜索词在第一预设时长内的平均对象选中数量大于预设数量阈值、且展示比值小于预设比例阈值时，确定目标搜索意图为第一搜索词对应的搜索意图，将第一搜索词添加至目标搜索意图对应的搜索词集合中；
针对在目标搜索意图对应的搜索词集合的第二搜索词，在确定第二搜索词在第二预设时长内的平均对象选中数量大于第二搜索词在第一预设时长内的平均对象选中数量、且第二搜索词在第二预设时长内的展示比值小于第二搜索词在第一预设时长内的展示比值时，确定目标搜索意图不是第二搜索词对应的搜索意图，将第二搜索词从目标搜索意图对应的搜索词集合中删除，第二预设时长的截止时间在第一预设时长的截止时间之前。
一种可能的实施方式中，本公开提供的对象推荐方法中，历史样本数据包括搜索词样本、每个搜索词样本对应的对象标识、每个搜索词样本对应的对象的选中参数、以及每个搜索词样本对应的对象的标签，标签表征对象是否为与目标搜索意图对应的搜索词对应的对象。
一种可能的实施方式中，本公开提供的对象推荐方法中，每个对象的选中参数是通过排序神经网络模型确定的，且排序神经网络模型基于历史样本数据为训练集训练生成的。
一种可能的实施方式中，本公开提供的对象推荐方法中，对象为视频对象，预设展示时长阈值为视频对象的视频时长。
根据本公开实施例的第二方面，提供一种对象推荐装置，包括：
获取单元，被配置为执行获取搜索词，并确定搜索词对应的多个对象。
处理单元，被配置为执行基于预先配置的搜索意图对应的搜索词集合，确定搜索词对应的搜索意图为目标搜索意图时，根据每个对象的选择参数以及每个对象的发布时刻，确定每个对象的推荐参数，其中，每个对象的选择参数是基于历史样本数据确定的.。
确定单元，被配置为执行根据每个对象的推荐参数，确定多个对象的推荐次序。
一种可能的实施方式中，本公开提供的对象推荐装置中，处理单元还被配置为执行：
基于预先配置的搜索意图对应的搜索词集合，确定搜索词对应的搜索意图为非目标搜索意图时，根据每个对象的选择参数，确定每个对象的推荐参数。
一种可能的实施方式中，本公开提供的对象推荐装置中，处理单元具体被配置为执行：
根据每个对象发布时刻与获取搜索词的时刻之间的间隔时长，确定每个对象的推荐系数；
基于每个对象的选择参数和推荐系数，确定每个对象的推荐参数。
一种可能的实施方式中，本公开提供的对象推荐装置中，处理单元具体被配置为执行：
采用如下步骤确定，预先配置的搜索意图对应的搜索词集合：
根据第一预设时长内的历史搜索信息中的搜索词、与各搜索词对应的对象标识、以及对象标识对应的对象的选择结果，确定历史搜索信息中各搜索词在第一预设时长内的平均对象选中数量；
根据历史搜索信息中与各搜索词对应的对象的选择结果为选中的对象的展示时长，将展示时长大于等于预设展示时长阈值的对象总数量与对象的选择结果为选中的对象的总数量的比值，确定为各搜索词在第一预设时长内的展示比值；
根据历史搜索信息中各搜索词在第一预设时长内平均对象选中数量和展示比值，确定搜索词与搜索意图的对应关系。
一种可能的实施方式中，本公开提供的对象推荐装置中，处理单元具体被配置为执行：
针对与目标搜索意图无对应关系的第一搜索词，在确定第一搜索词在第一预设时长内的平均对象选中数量大于预设数量阈值、且展示比值小于预设比例阈值时，确定目标搜索意图为第一搜索词对应的搜索意图，将第一搜索词添加至与目标搜索意图有对应关系的搜索词集合中；
针对与目标搜索意图有对应关系的第二搜索词，在确定第二搜索词在第二预设时长内的平均对象选中数量大于第二搜索词在第一预设时长内的平均对象选中数量、且第二搜索词在第二预设时长内的展示比值小于第二搜索词在第一预设时长内的展示比值时，确定目标搜索意图不是第二搜索词对应的搜索意图，将第二搜索词从与目标搜索意图有对应关系的搜索词集合中删除，第二预设时长的截止时间在第一预设时长的截止时间之前。
一种可能的实施方式中，本公开提供的对象推荐装置中，历史样本数据包括搜索词样本、每个搜索词样本对应的对象标识、每个搜索词样本对应的对象的选中参数、以及每个搜索词样本对应的对象的标签，标签表征对象是否为与目标搜索意图对应的搜索词对应的对象。
一种可能的实施方式中，本公开提供的对象推荐装置中，每个对象的选中参数是通过排序神经网络模型确定的，且排序神经网络模型基于历史样本数据为训练集训练生成的。
一种可能的实施方式中，本公开提供的对象推荐装置中，对象为视频对象，预设展示时长阈值为视频对象的视频时长。
根据本公开实施例的第三方面，提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行指令以实现第一方面中任一项的对象推荐方法。
根据本公开实施例的第四方面，提供一种存储介质，当存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行第一方面中任一项的对象推荐方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
获取搜索词，并确定搜索词对应的多个对象，基于预先配置的搜索意图对应的搜索词集合，确定搜索词对应的搜索意图为目标搜索意图时，根据每个对象的选择参数以及每个对象的发布时刻，确定每个对象的推荐参数，其中，每个对象的选择参数是基于历史样本数据确定的，根据每个对象的推荐参数，确定多个对象的推荐次序。确定搜索词对应的搜索意图为目标搜索意图时，结合每个对象的选择参数和发布时刻，确定多个对象的推荐次序，优先推荐更符合用户的搜索意图的对象，精准地向用户提供符合其意图的对象，并提高推荐效率。
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，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种对象推荐方法的示意流程图。
图2是根据一示例性实施例示出的一种对象推荐方法的示意流程图。
图3是根据一示例性示出的一种对象推荐装置的结构示意图。
图4是根据一示例性实施例示出的一种电子设备示例框图。
图5是根据一示例性实施例示出的一种对象推荐方法的终端的结构框图。
具体实施方式
为了使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开作进一步地详细描述，显然，所描述的实施例仅仅是本公开一部份实施例，而不是全部的实施例。基于本公开中的实施例，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它实施例，都属于本公开保护的范围。
本公开实施例描述的应用场景是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
图1示出了一种对象推荐方法的示意流程图，如图1所示，对象推荐方法，包括如下步骤：
步骤S101，获取搜索词，并确定搜索词对应的多个对象。
具体实施时，从账户的搜索文本中获取搜索词，可以根据预先设定的搜索词确定方法确定搜索词，或者预先训练的神经网络模型，从搜索文本中的获取搜索词。根据预先确定搜索词与对象的对应关系，确定出搜索词对应的多个对象。
需要说明的是，本公开实施例中的对象可以是文本对象、图片对象或者视频对象，对象也可以是同时包含文本、图片或者视频多种形式的内容对象。
步骤S102，基于预先配置的搜索意图对应的搜索词集合，确定搜索词对应的搜索意图为目标搜索意图时，根据每个对象的选择参数以及每个对象的发布时刻，确定每个对象的推荐参数，其中，每个对象的选择参数是基于历史样本数据确定的。
具体实施时，搜索意图A对应的搜索词集合中的搜索词对应的搜索意图为搜索意图A。确定获取搜索词在某一搜索意图B对应的搜索词集合中时，确定所获取搜索词对应的搜索意图为搜索意图B，根据实际应用场景，可以预先配置至少一个搜索意图对应的搜索词集合，目标搜索意图可以是预先配置的搜索意图中的被指定的搜索意图，例如，非信息搜索意图、信息搜索意图。
一种可能的实施方式中，根据基于历史样本数据确定的每个对象的选择参数以及每个对象的发布时刻，确定每个对象的推荐参数，包括：
根据每个对象发布时刻与获取搜索词的时刻之间的间隔时长，确定每个对象的推荐系数；
基于每个对象的选择参数和推荐系数，确定每个对象的推荐参数。
具体实施时，根据对象n的选择参数以及对象的发布时刻，确定对象n的推荐参数，其中选择参数可以用于表征对象被选中的概率clickratio。例如，推荐参数score(n)＝a(n)×clickratio(n)，其中，推荐系数a的值与该对象的发布时刻距离当前时刻(获取搜索词的时刻)的时长有关，例如以天数记录时长Day有关，为了避免对象的发布时刻距离当前时刻的天数过长，使对象的推荐系数过小，可以通过计算推荐系数a的值，D为一个预设天数阈值，例如31。在目标搜索意图为非信息搜索意图的场景中，根据搜索词可以确定搜索词所属账户对应的用户的搜索意图为非信息搜索意图时，也即用户的搜索意图是观看与搜索词对应并且可以被吸引用继续观看的对象，可以根据对象的发布时间确定向用户推荐对象次序，使得较新的对象被优先推荐给用户，以吸引用户继续观看与搜索词对应的对象，精准地向用户提供符合其意图的内容对象，实现用户沉浸式观看被推荐对象的效果，并提高推荐效率。
一种可能的实施方式中，基于预先配置的搜索意图对应的搜索词集合，确定搜索词对应的搜索意图为非目标搜索意图时，根据每个对象的选择参数，确定每个对象的推荐参数。
具体实施时，搜索词不在目标搜索意图对应的搜索词集合中，确定搜索词对应的搜索意图为非目标搜索意图，可以直接根据每个对象的选中参数，确定每个对象的推荐参数。例如，score＝clickratio，将每个对象的选中参数(或被选中的概率)直接确定为每个对象的推荐参数。在目标搜索意图为非信息搜索意图的场景中，根据搜索词可以确定搜索词所属账户对应的用户的搜索意图为信息搜索意图时，也即用户的搜索意图是从推荐对象中获取信息，被选中的概率高的对象中包含较多的知识信息，可以根据对象被选中概率确定向用户推荐对象次序，使得知识信息多的对象被优先推荐给用户，以满足用户从搜索词对应的对象中获取知识的信息搜索意图，实现精准地向用户提供符合其意图的内容对象，并提高推荐效率。
在实际应用场景中，每个对象的选中参数是通过排序神经网络模型确定的，且排序神经网络模型是基于历史样本数据为训练集训练生成的。历史样本数据可以包括搜索词样本、每个搜索词样本对应的对象标识、每个搜索词样本对应的对象的选中参数、以及每个搜索词样本对应的对象的标签，标签表征对象是否为与目标搜索意图对应的搜索词对应的对象。
具体实施时，排序神经网络模型可以确定搜索词对应的多个对象的被选中的概率，排序神经网络模型是基于预先由历史样本数据构成的训练集训练生成的，历史样本数据中包含搜索词样本query、每个搜索词样本对应的对象标识ID、每个搜索词样本对应的对象的选中参数clickratio，每个搜索词样本对应的对象的标签feature组成的，其中，对象的标签用于表征对象是否为与目标搜索意图对应的搜索词对应的对象，例如标签为1表征对象为与目标搜索意图对应的搜索词对应的对象，标签为0表征对象不是与目标搜索意图对应的搜索词对应的对象。
在实际应用场景中，可以通过一个或者多个账户的历史行为信息统计确定历史样本数据，以及历史样本数据中搜索词样本query、每个搜索词样本对应的对象的标识ID，搜索词样本query对应的对象ID的选中参数clickratio等于推荐对象ID后被选中对象的数量与推荐对象ID的总数量的比值。
一种可能的实施方式中，可以对通过排序神经网络模型确定出的搜索词样本query对应的对象ID的选中参数clickratio进行处理，处理后的数值作为搜索词样本query对应的对象ID的选中参数，处理后的数值可以反映出与搜索词样本query对应的对象ID的相关度。例如，可以构建一个分段函数，correlation＝function(clickratio)，clickratio为与搜索词样本对应的对象的选中参数，分段函数function可以根据实际应用场景设置为， 需要说明的是，若对与搜索词样本对应的对象的选中参数进行处理，将处理后的数值作为与搜索词样本对应的对象被选中的概率。并且，若训练阶段对于搜索词样本对应的对象的选中参数进行处理，在确定多个对象的推荐参数过程中也进行相同的处理。
一种可能的实施方式中，预先配置的搜索意图对应的搜索词集合，采用如下步骤确定：
根据第一预设时长内的历史搜索信息中的搜索词、与各搜索词对应的对象标识、以及对象标识对应的对象的选择结果，确定历史搜索信息中各搜索词在第一预设时长内的平均对象选中数量；
根据历史搜索信息中与各搜索词对应的对象的选择结果为选中的对象的展示时长，将展示时长大于等于预设展示时长阈值的对象总数量与对象的选择结果为选中的对象的总数量的比值，确定为各搜索词在第一预设时长内的展示比值；
根据历史搜索信息中各搜索词在第一预设时长内平均对象选中数量和展示比值，确定搜索词与搜索意图的对应关系。
具体实施时，从第一预设时长内的历史搜索信息(例如，搜索场景中的交互会话Session)中，可以得到多个搜索词query、与各搜索词对应的对象的标识ID、对象标识ID对应的对象的选择结果click组成的三元组。根据多个三元组，统计任一个搜索词query(i)在第一预设时长内的平均对象选中数量，假设从N个交互会话Session中搜索词query(i)具有M个对应的对象的标识ID，对象标识ID对应的对象的选择结果为选中，可以记为click＝1，搜索词query(i)在第一预设时长内的平均对象选中数量avg(i)通过如下公式进行计算：
从第一预设时长内的历史搜索信息(搜索场景中的交互会话Session)中，还可以得到搜索词query(i)对应的对象的选择结果为选中对象的展示时长play，以及该对象的预设展示时长阈值total，假设从N个交互会话Session中搜索词query(i)具有M个与其对应的对象标识ID，每个对象ID在第一预设时长内推荐后的选中结果为选中的总数量记为Numclick，每个对象ID在第一预设时长内推荐后的选中结果为选中(click＝1)，并且该对象ID的展示时长play大于等于该对象ID的预设展示时长阈值total的对象的总数量记为Numplay，搜索词query(i)在第一预设时长内的展示比值
在一种可能的实施方式中，若对象为视频对象，预设展示时长阈值total可以是该对象标识对应对象的视频时长，也可以是根据对象的视频时长确定的展示时长阈值。
根据历史搜索信息中各搜索词在第一预设时长内平均对象选中数量avg(i)和展示比值comp(i)，确定搜索词与搜索意图的对应关系时，可以根据预先建立的搜索意图对应的搜索词集合中是否包含搜索词query(i)进行确定，例如针对不在目标搜索意图对应的搜索词集合的第一搜索词，在确定第一搜索词在第一预设时长内的平均对象选中数量大于预设数量阈值、且展示比值小于预设比例阈值时，确定目标搜索意图为第一搜索词对应的搜索意图，将第一搜索词添加至目标搜索意图对应的搜索词集合中；
针对在目标搜索意图对应的搜索词集合的第二搜索词，在确定第二搜索词在第二预设时长内的平均对象选中数量大于第二搜索词在第一预设时长内的平均对象选中数量、且第二搜索词在第二预设时长内的展示比值小于第二搜索词在第一预设时长内的展示比值时，确定目标搜索意图不是第二搜索词对应的搜索意图，将第二搜索词从目标搜索意图对应的搜索词集合中删除，第二预设时长的截止时间在第一预设时长的截止时间之前。
具体实施时，若搜索词为不在目标搜索意图对应的搜索词集合的第一搜索词，可以将第一搜索词的在第一预设时长内平均对象选中数量avg1和展示比值comp1，与预设平均对象选中数量阈值和展示比值阈值比较，若第一搜索词在第一预设时长内平均对象选中数量avg1大于预设平均对象选中数量阈值，且在第一预设时长内的展示比值comp1小于预设展示比值阈值的搜索词，确定第一搜索词为目标搜索意图的搜索词，还可以将该搜索词添加至与目标搜索意图对应的搜索词集合中。
若搜索词为在目标搜索意图对应的搜索词集合的第二搜索词，可以计算第二搜索词在第二预设时长内的平均对象选中数量和展示比值，若第二搜索词在第二预设时长内的平均对象选中数量avg2大于在第一预设时长内的平均对象选中数量avg1，并且第二搜索词在第二预设时长内的展示比值comp2小于在第一预设时长内的展示比值comp1，确定目标搜索意图不是第二搜索词对应的搜索意图，可以将搜索词从搜索意图对应的搜索词集合中将该第二搜索词删除，例如，将第二搜索词从目标搜索意图对应的搜索词集合中删除。
需要说明的是，第二预设时长的截止时间在第一预设时长的截止时间之前，例如，第二预设时长可以是3月29日1:00-3月30日0:00，第一预设时长可以是3月30日2:00-3月30日24:00，第二预设时长的截止时间3月30日0:00在第一预设时长截止时间3月30日24:00之前。
向搜索意图对应的搜索集合中添加和删除搜索词，使得搜索意图对应的搜索集合根据不同时间段的历史搜索信息进行动态更新，灵活地调整搜索词与搜索意图的对应关系。
步骤S103，根据每个对象的推荐参数，确定多个对象的推荐次序。
具体实施时，对多个对象的推荐参数score排序，推荐参数的数值越大的对象，推荐次序越靠前。可以根据推荐次序向账户展示多个对象，或者根据推荐次序，向账户展示预设数量个对象。
图2示出了一种对象推荐方法示意流程图，如图1所示，对象推荐方法，包括如下步骤：
步骤S201，获取搜索词，确定搜索词对应的多个对象。
具体实施时，从账户的搜索文本中获取搜索词，可以根据预先设定的搜索词确定方法确定搜索词，或者预先训练的神经网络模型，从搜索文本中的获取搜索词。根据预先确定搜索词与对象的对应关系，确定出搜索词对应的多个对象，搜索词与对象的对应关系可以是搜索词p对应的对象的标记为搜索词p，也可以是搜索词p对应的对象的标记为搜索词p且对象的被选中率大于预设选中率阈值。
步骤S202，确定每个对象的选择参数。
具体实施时，利用预先训练的排序神经网络模型可以确定搜索词对应的多个对象的选中参数，排序神经网络模型是基于预先由历史样本数据构成的训练集训练生成的，历史样本数据中包含搜索词样本query、每个搜索词样本对应的对象标识ID、每个搜索词样本对应的对象的选中参数(被选中的概率)clickratio，每个搜索词样本对应的对象的标签feature组成的，其中，对象的标签用于表征与对象是否为与目标搜索意图对应的搜索词对应的对象。其中，搜索词样本query对应的对象ID的选中参数clickratio等于推荐对象ID后被选中对象的数量与推荐对象ID的总数量的比值。
步骤S203，判断搜索词对应的搜索意图是否为目标搜索意图，若是，下一步执行步骤S204，否则，下一步执行步骤S205。
具体实施时，基于预先配置的搜索意图对应的搜索词集合对搜索词对应的搜索意图是否为目标搜索意图进行判断。在实际应用场景中，搜索意图对应的搜索词集合中的搜索词与该搜索意图具有对应关系。通过确定搜索词在目标搜索意图的搜索词集合中，确定搜索词对应的搜索意图为目标搜索意图，下一步可以执行步骤S204。否则，确定搜索词不在目标搜索意图的搜索词集合中，确定搜索词对应的搜索意图为非目标搜索意图(除了目标搜索意图之外的其它任一搜索意图)，下一步可执行步骤S205。
需要说明的是，预先配置的搜索意图对应的搜索词集合，可以采用如下步骤确定：
根据第一预设时长内的历史搜索信息中的搜索词、与各搜索词对应的对象标识、以及对象标识对应的对象的选择结果，确定历史搜索信息中各搜索词在第一预设时长内的平均对象选中数量；
根据历史搜索信息中与各搜索词对应的对象的选择结果为选中的对象的展示时长，将展示时长大于等于预设展示时长阈值的对象总数量与对象的选择结果为选中的对象的总数量的比值，确定为各搜索词在第一预设时长内的展示比值；
根据历史搜索信息中各搜索词在第一预设时长内平均对象选中数量和展示比值，确定搜索词与搜索意图的对应关系。
具体实施时，从第一预设时长内的历史搜索信息(例如，搜索场景中的交互会话Session)中，可以得到多个搜索词query、与各搜索词对应的对象的标识ID、对象标识ID对应的对象的选择结果click组成的三元组。根据多个三元组，统计任一个搜索词query(i)在第一预设时长内的平均对象选中数量，假设从N个交互会话Session中搜索词query(i)具有M个对应的对象的标识ID，对象标识ID对应的对象的选择结果为选中，可以记为click＝1，搜索词query(i)在第一预设时长内的平均对象选中数量avg(i)通过如下公式进行计算：
从第一预设时长内的历史搜索信息(搜索场景中的交互会话Session)中，还可以得到搜索词query(i)对应的对象的选择结果为选中对象的展示时长play，以及该对象的预设展示时长阈值total，假设从N个交互会话Session中搜索词query(i)具有M个与其对应的对象标识ID，每个对象ID在第一预设时长内推荐后的选中结果为选中的总数量记为Numclick，每个对象ID在第一预设时长内推荐后的选中结果为选中(click＝1)，并且该对象ID的展示时长play大于等于该对象ID的预设展示时长阈值total的对象的总数量记为Numplay，搜索词query(i)在第一预设时长内的展示比值
根据历史搜索信息中各搜索词在第一预设时长内平均对象选中数量avg(i)和展示比值comp(i)，确定搜索词与搜索意图的对应关系时，可以根据预先建立的搜索意图对应的搜索词集合中是否包含搜索词query(i)进行确定，例如针对与目标搜索意图无对应关系的第一搜索词，在确定第一搜索词在第一预设时长内的平均对象选中数量大于预设数量阈值、且展示比值小于预设比例阈值时，确定目标搜索意图为第一搜索词对应的搜索意图，将第一搜索词添加至与目标搜索意图有对应关系的搜索词集合中；
针对与目标搜索意图有对应关系的第二搜索词，在确定第二搜索词在第二预设时长内的平均对象选中数量大于第二搜索词在第一预设时长内的平均对象选中数量、且第二搜索词在第二预设时长内的展示比值小于第二搜索词在第一预设时长内的展示比值时，确定目标搜索意图不是第二搜索词对应的搜索意图，将第二搜索词从与目标搜索意图有对应关系的搜索词集合中删除，第二预设时长的截止时间在第一时长的截止时间之前。
具体实施时，若搜索词为与目标搜索意图无对应关系的第一搜索词，可以将第一搜索词的在第一预设时长内平均对象选中数量avg1和展示比值comp1，与预设平均对象选中数量阈值和展示比值阈值比较，若第一搜索词在第一预设时长内平均对象选中数量avg1大于预设平均对象选中数量阈值，且在第一预设时长内的展示比值comp1小于预设展示比值阈值的搜索词，确定第一搜索词为目标搜索意图的搜索词，还可以将该搜索词添加至与目标搜索意图具有对应关系的搜索词集合中。
若搜索词为与目标搜索意图有对应关系的第二搜索词，可以计算第二搜索词在第二预设时长内的平均对象选中数量和展示比值，若第二搜索词在第二预设时长内的平均对象选中数量avg2大于在第一预设时长内的平均对象选中数量avg1，并且第二搜索词在第二预设时长内的展示比值comp2小于在第一预设时长内的展示比值comp1，确定目标搜索意图不是第二搜索词对应的搜索意图，可以将搜索词与搜索意图对应关系中将该第二搜索词删除，例如，将第二搜索词从目标搜索意图对应关系的搜索词集合中删除。
需要说明的是，第二预设时长的截止时间在第一预设时长的截止时间之前，例如，第二预设时长可以是3月29日1:00-3月30日0:00，第一预设时长可以是3月30日2:00-3月30日24:00，第二预设时长的截止时间3月30日0:00在第一预设时长截止时间3月30日24:00之前。
步骤S204，根据每个对象的选择参数、以及每个对象的发布时间，确定每个对象的推荐参数。
具体实施时，若搜索词对应的搜索意图为目标搜索意图，搜索词对应的多个推荐参数，是根据每个对象的选择参数clickratio，以及发布时间确定的。例如，对象n的推荐参数score(n)＝a(n)×clickratio(n)，其中，推荐系数a的值是根据该对象的发布时刻距离当前时刻(获取搜索词的时刻)以天数记录时长Day确定的，为了避免对象的发布时刻距离当前时刻的天数过长，使对象的推荐系数过小，可以通过计算推荐系数a的值，D为一个预设天数阈值，例如31。
步骤S205，根据每个对象的选择参数，确定每个对象的推荐参数。
具体实施时，若搜索词对应的搜索意图为非目标搜索意图，搜索词对应的多个推荐参数是根据每个对象的选择参数clickratio，例如对象n的推荐参数score(n)＝clickratio(n)。
步骤S206，根据每个对象的推荐参数，确定多个对象的推荐次序。
具体实施时，可以根据每个对象的推荐参数的大小，对多个对象进行排序，例如推荐参数越大，推荐次序越小，也即优先向账户推荐推荐参数大的对象。
一种可能的实施方式中，在确定多个对象的推荐次序后，依据推荐次序展示多个对象。
具体实施时，可以根据推荐次序向账户展示全部对象，也可以根据推荐次序向账户展示预设数量个对象。
图3是根据一示例性示出的一种对象推荐装置的结构示意图，如图3所示，装置包括：获取单元301、处理单元302、确定单元303。
获取单元301，被配置为执行获取搜索词，并确定搜索词对应的多个对象。
处理单元302，被配置为执行基于预先配置的搜索意图对应的搜索词集合，确定搜索词对应的搜索意图为目标搜索意图时，根据每个对象的选择参数以及每个对象的发布时刻，确定每个对象的推荐参数，其中，每个对象的选择参数是基于历史样本数据确定的。
确定单元303，被配置为执行根据每个对象的推荐参数，确定多个对象的推荐次序。
一种可能的实施方式中，本公开提供的对象推荐装置中，处理单元302还被配置为执行：
基于预先配置的搜索意图对应的搜索词集合，确定搜索词对应的搜索意图为非目标搜索意图时，根据每个对象的选择参数，确定每个对象的推荐参数。
一种可能的实施方式中，本公开提供的对象推荐装置中，处理单元302具体被配置为执行：
根据每个对象发布时刻与获取搜索词的时刻之间的间隔时长，确定每个对象的推荐系数；
基于每个对象的选择参数和推荐系数，确定每个对象的推荐参数。
一种可能的实施方式中，本公开提供的对象推荐装置中，处理单元302具体被配置为执行：
采用如下步骤确定，预先配置的搜索意图对应的搜索词集合：
根据第一预设时长内的历史搜索信息中的搜索词、与各搜索词对应的对象标识、以及对象标识对应的对象的选择结果，确定历史搜索信息中各搜索词在第一预设时长内的平均对象选中数量；
根据历史搜索信息中与各搜索词对应的对象的选择结果为选中的对象的展示时长，将展示时长大于等于预设展示时长阈值的对象总数量与对象的选择结果为选中的对象的总数量的比值，确定为各搜索词在第一预设时长内的展示比值；
根据历史搜索信息中各搜索词在第一预设时长内平均对象选中数量和展示比值，确定搜索词与搜索意图的对应关系。
一种可能的实施方式中，本公开提供的对象推荐装置中，处理单元302具体被配置为执行：
针对与目标搜索意图无对应关系的第一搜索词，在确定第一搜索词在第一预设时长内的平均对象选中数量大于预设数量阈值、且展示比值小于预设比例阈值时，确定目标搜索意图为第一搜索词对应的搜索意图，将第一搜索词添加至与目标搜索意图有对应关系的搜索词集合中；
针对与目标搜索意图有对应关系的第二搜索词，在确定第二搜索词在第二预设时长内的平均对象选中数量大于第二搜索词在第一预设时长内的平均对象选中数量、且第二搜索词在第二预设时长内的展示比值小于第二搜索词在第一预设时长内的展示比值时，确定目标搜索意图不是第二搜索词对应的搜索意图，将第二搜索词从与目标搜索意图有对应关系的搜索词集合中删除，第二预设时长的截止时间在第一预设时长的截止时间之前。
一种可能的实施方式中，本公开提供的对象推荐装置中，历史样本数据包括搜索词样本、每个搜索词样本对应的对象标识、每个搜索词样本对应的对象的选中参数、以及每个搜索词样本对应的对象的标签，标签表征对象是否为与目标搜索意图对应的搜索词对应的对象。
一种可能的实施方式中，本公开提供的对象推荐装置中，每个对象的选中参数是通过排序神经网络模型确定的，且排序神经网络模型基于历史样本数据为训练集训练生成的。
一种可能的实施方式中，本公开提供的对象推荐装置中，对象为视频对象，预设展示时长阈值为视频对象的视频时长。
基于上述本公开实施例相同构思，图4是根据一示例性实施例示出的电子设备400的框图，如图4所示，本公开实施例示出的电子设备400包括：
处理器410；
用于存储处理器410可执行指令的存储器420；
其中，处理器410被配置为执行指令，以实现本公开实施例中对象推荐方法。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器420，上述指令可由对象推荐装置的处理器410执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，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。
在本公开实施例中，如图5所示，本公开实施例给出一种对象推荐终端500，包括：射频(Radio Frequency，RF)电路510、电源520、处理器530、存储器540、输入单元550、显示单元560、摄像头570、通信接口580、以及无线保真(Wireless Fidelity，Wi-Fi)模块590等部件。本领域技术人员可以理解，图5中示出的终端的结构并不构成对终端的限定，本申请实施例提供的终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图5对终端500的各个构成部件进行具体的介绍：
RF电路510可用于通信或通话过程中，数据的接收和发送。特别地，RF电路510在接收到基站的下行数据后，发送给处理器530处理；另外，将待发送的上行数据发送给基站。通常，RF电路510包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(LowNoise Amplifier，LNA)、双工器等。
此外，RF电路510还可以通过无线通信与网络和其它终端通信。无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobilecommunication，GSM)、通用分组无线服务(General Packet Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code DivisionMultiple Access，WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等。
Wi-Fi技术属于短距离无线传输技术，终端500通过Wi-Fi模块590可以连接接入点(Access Point，AP)，从而实现数据网络的访问。Wi-Fi模块590可用于通信过程中，数据的接收和发送。
终端500可以通过通信接口580与其它终端实现物理连接。可选的，通信接口580与其它终端的通信接口通过电缆连接，实现终端500和其它终端之间的数据传输。
由于在本申请实施例中，终端500能够实现通信业务，向其它联系人发送信息，因此终端500需要具有数据传输功能，即终端500内部需要包含通信模块。虽然图5示出了RF电路510、Wi-Fi模块590、和通信接口580等通信模块，但是可以理解的是，终端500中存在上述部件中的至少一个或者其它用于实现通信的通信模块(如蓝牙模块)，以进行数据传输。
例如，当终端500为手机时，终端500可以包含RF电路510，还可以包含Wi-Fi模块590；当终端500为计算机时，终端500可以包含通信接口580，还可以包含Wi-Fi模块590；当终端500为平板电脑时，终端500可以包含Wi-Fi模块。
存储器540可用于存储软件程序以及模块。处理器530通过运行存储在存储器540的软件程序以及模块，从而执行终端500的各种功能应用以及数据处理，并且当处理器530执行存储器540中的程序代码后，可以实现本公开实施例图1、图2中的部分或全部过程。
可选的，存储器540可以主要包括存储程序区和存储数据区。其中，存储程序区可存储操作系统、各种应用程序(比如通信应用)以及人脸识别模块等；存储数据区可存储根据终端的使用所创建的数据(比如各种图片、视频文件等多媒体文件，以及人脸信息模板)等。
此外，存储器540可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其它易失性固态存储器件。
输入单元550可用于接收用户输入的数字或字符信息，以及产生与终端500的用户设置以及功能控制有关的键信号输入。
可选的，输入单元550可包括触控面板551以及其它输入终端552。
其中，触控面板551，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板551上或在触控面板551附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板551可以包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器530，并能接收处理器530发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板551。
可选的，其它输入终端552可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元560可用于显示由用户输入的信息或提供给用户的信息以及终端500的各种菜单。显示单元560即为终端500的显示系统，用于呈现界面，实现人机交互。
显示单元560可以包括显示面板561。可选的，显示面板561可以采用液晶显示屏(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode，OLED)等形式来配置。
进一步的，触控面板551可覆盖显示面板561，当触控面板551检测到在其上或附近的触摸操作后，传送给处理器530以确定触摸事件的类型，随后处理器530根据触摸事件的类型在显示面板561上提供相应的视觉输出。
虽然在图5中，触控面板551与显示面板561是作为两个独立的部件来实现终端500的输入和输入功能，但是在某些实施例中，可以将触控面板551与显示面板561集成而实现终端500的输入和输出功能。
处理器530是终端500的控制中心，利用各种接口和线路连接各个部件，通过运行或执行存储在存储器540内的软件程序和/或模块，以及调用存储在存储器540内的数据，执行终端500的各种功能和处理数据，从而实现基于终端的多种业务。
可选的，处理器530可包括一个或多个处理单元。可选的，处理器530可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器530中。
摄像头570，用于实现终端500的拍摄功能，拍摄图片或视频。摄像头570还可以用于实现终端500的扫描功能，对扫描对象(二维码/条形码)进行扫描。
终端500还包括用于给各个部件供电的电源520(比如电池)。可选的，电源520可以通过电源管理系统与处理器530逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗等功能。
另外，在示例性实施例中，本公开还提供了一种存储介质，当存储介质中的指令由上述电子设备的处理器执行时，使得上述电子设备能够实现本公开实施例中的对象推荐方法。
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 (16)

1.一种对象推荐方法，其特征在于，所述方法包括：
获取搜索词，并确定所述搜索词对应的多个对象；
基于预先配置的搜索意图对应的搜索词集合，确定所述搜索词对应的搜索意图为目标搜索意图，且所述目标搜索意图为非信息搜索意图时，根据每个对象的选择参数以及每个对象的发布时刻，确定每个对象的推荐参数，其中，所述每个对象的选择参数是基于历史样本数据确定的，用于表征对象被选中的概率，所述非信息搜索意图为观看与搜索词对应并且可以被吸引继续观看的对象；
根据每个对象的推荐参数，确定所述多个对象的推荐次序。
2.根据权利要求1所述的方法，其特征在于，所述根据每个对象的选择参数以及每个对象的发布时刻，确定每个对象的推荐参数，包括：
根据每个对象发布时刻与获取所述搜索词的时刻之间的间隔时长，确定每个对象的推荐系数；
基于每个对象的选择参数和推荐系数，确定每个对象的推荐参数。
3.根据权利要求1所述的方法，其特征在于，所述预先配置的搜索意图对应的搜索词集合，采用如下步骤确定：
根据第一预设时长内的历史搜索信息中的搜索词、与各搜索词对应的对象标识、以及对象标识对应的对象的选择结果，确定所述历史搜索信息中各搜索词在第一预设时长内的平均对象选中数量；
根据所述历史搜索信息中与各搜索词对应的对象的选择结果为选中的对象的展示时长，将展示时长大于等于预设展示时长阈值的对象总数量与对象的选择结果为选中的对象的总数量的比值，确定为各搜索词在第一预设时长内的展示比值；
根据所述历史搜索信息中各搜索词在第一预设时长内平均对象选中数量和展示比值，确定搜索词与搜索意图的对应关系。
4.根据权利要求3所述的方法，其特征在于，所述确定搜索词与搜索意图的对应关系，包括：
针对不在目标搜索意图对应的搜索词集合的第一搜索词，在确定所述第一搜索词在第一预设时长内的平均对象选中数量大于预设数量阈值、且展示比值小于预设比例阈值时，确定目标搜索意图为所述第一搜索词对应的搜索意图，将所述第一搜索词添加至所述目标搜索意图对应的搜索词集合中；
针对在目标搜索意图对应的搜索词集合的第二搜索词，在确定所述第二搜索词在第二预设时长内的平均对象选中数量大于所述第二搜索词在第一预设时长内的平均对象选中数量、且所述第二搜索词在第二预设时长内的展示比值小于所述第二搜索词在第一预设时长内的展示比值时，确定所述目标搜索意图不是所述第二搜索词对应的搜索意图，将所述第二搜索词从所述目标搜索意图对应的搜索词集合中删除，所述第二预设时长的截止时间在所述第一预设时长的截止时间之前。
5.根据权利要求1所述的方法，其特征在于，所述历史样本数据包括搜索词样本、每个搜索词样本对应的对象标识、每个搜索词样本对应的对象的选中参数、以及每个搜索词样本对应的对象的标签，所述标签表征对象是否为与目标搜索意图对应的搜索词对应的对象。
6.根据权利要求5所述的方法，其特征在于，所述每个对象的选中参数是通过排序神经网络模型确定的，且所述排序神经网络模型基于所述历史样本数据为训练集训练生成的。
7.根据权利要求3或4所述的方法，其特征在于，所述对象为视频对象，所述预设展示时长阈值为视频对象的视频时长。
8.一种对象推荐装置，其特征在于，所述装置包括：
获取单元，被配置为执行获取搜索词，并确定所述搜索词对应的多个对象；
处理单元，被配置为执行基于预先配置的搜索意图对应的搜索词集合，确定所述搜索词对应的搜索意图为目标搜索意图，且所述目标搜索意图为非信息搜索意图时，根据每个对象的选择参数以及每个对象的发布时刻，确定每个对象的推荐参数，其中，所述每个对象的选择参数是基于历史样本数据确定的，所述非信息搜索意图为观看与搜索词对应并且可以被吸引继续观看的对象；
确定单元，被配置为执行根据每个对象的推荐参数，确定所述多个对象的推荐次序。
9.根据权利要求8所述的装置，其特征在于，所述处理单元具体被配置为执行：
根据每个对象发布时刻与获取所述搜索词的时刻之间的间隔时长，确定每个对象的推荐系数；
基于每个对象的选择参数和推荐系数，确定每个对象的推荐参数。
10.根据权利要求8所述的装置，其特征在于，所述处理单元具体被配置为执行：
采用如下步骤确定，所述预先配置的搜索意图对应的搜索词集合：
根据第一预设时长内的历史搜索信息中的搜索词、与各搜索词对应的对象标识、以及对象标识对应的对象的选择结果，确定所述历史搜索信息中各搜索词在第一预设时长内的平均对象选中数量；
根据所述历史搜索信息中与各搜索词对应的对象的选择结果为选中的对象的展示时长，将展示时长大于等于预设展示时长阈值的对象总数量与对象的选择结果为选中的对象的总数量的比值，确定为各搜索词在第一预设时长内的展示比值；
根据所述历史搜索信息中各搜索词在第一预设时长内平均对象选中数量和展示比值，确定搜索词与搜索意图的对应关系。
11.根据权利要求10所述的装置，其特征在于，所述处理单元具体被配置为执行：
针对与目标搜索意图无对应关系的第一搜索词，在确定所述第一搜索词在第一预设时长内的平均对象选中数量大于预设数量阈值、且展示比值小于预设比例阈值时，确定目标搜索意图为所述第一搜索词对应的搜索意图，将所述第一搜索词添加至与所述目标搜索意图有对应关系的搜索词集合中；
针对与目标搜索意图有对应关系的第二搜索词，在确定所述第二搜索词在第二预设时长内的平均对象选中数量大于所述第二搜索词在第一预设时长内的平均对象选中数量、且所述第二搜索词在第二预设时长内的展示比值小于所述第二搜索词在第一预设时长内的展示比值时，确定所述目标搜索意图不是所述第二搜索词对应的搜索意图，将所述第二搜索词从与所述目标搜索意图有对应关系的搜索词集合中删除，所述第二预设时长的截止时间在所述第一预设时长的截止时间之前。
12.根据权利要求8所述的装置，其特征在于，所述历史样本数据包括搜索词样本、每个搜索词样本对应的对象标识、每个搜索词样本对应的对象的选中参数、以及每个搜索词样本对应的对象的标签，所述标签表征对象是否为与目标搜索意图对应的搜索词对应的对象。
13.根据权利要求8所述的装置，其特征在于，所述每个对象的选中参数是通过排序神经网络模型确定的，且所述排序神经网络模型基于所述历史样本数据为训练集训练生成的。
14.根据权利要求10-11中任一项所述的装置，其特征在于，所述对象为视频对象，所述预设展示时长阈值为视频对象的视频时长。
15.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令以实现如权利要求1至7中任一项所述的对象推荐方法。
16.一种存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至7中任一项所述的对象推荐方法。
CN202010402351.0A 2020-05-13 2020-05-13 一种对象推荐方法、装置、设备及介质 Active CN111625690B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010402351.0A CN111625690B (zh) 2020-05-13 2020-05-13 一种对象推荐方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010402351.0A CN111625690B (zh) 2020-05-13 2020-05-13 一种对象推荐方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN111625690A CN111625690A (zh) 2020-09-04
CN111625690B true CN111625690B (zh) 2024-03-08

Family

ID=72270924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010402351.0A Active CN111625690B (zh) 2020-05-13 2020-05-13 一种对象推荐方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN111625690B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343028B (zh) * 2021-05-31 2022-09-02 北京达佳互联信息技术有限公司 意图确定模型的训练方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106294730A (zh) * 2016-08-09 2017-01-04 百度在线网络技术（北京）有限公司 资讯信息的推荐方法及装置
CN106874467A (zh) * 2017-02-15 2017-06-20 百度在线网络技术（北京）有限公司 用于提供搜索结果的方法和装置
CN109815404A (zh) * 2019-01-30 2019-05-28 百度在线网络技术（北京）有限公司 基于剪贴板数据的搜索处理方法和装置
CN110413859A (zh) * 2019-06-27 2019-11-05 平安科技（深圳）有限公司 网页信息搜索方法、装置、计算机设备及存储介质
CN111143543A (zh) * 2019-12-04 2020-05-12 北京达佳互联信息技术有限公司 一种对象推荐方法、装置、设备及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012212416A (ja) * 2011-10-07 2012-11-01 Hardis System Design Co Ltd 検索システム、検索システムの動作方法、及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106294730A (zh) * 2016-08-09 2017-01-04 百度在线网络技术（北京）有限公司 资讯信息的推荐方法及装置
CN106874467A (zh) * 2017-02-15 2017-06-20 百度在线网络技术（北京）有限公司 用于提供搜索结果的方法和装置
CN109815404A (zh) * 2019-01-30 2019-05-28 百度在线网络技术（北京）有限公司 基于剪贴板数据的搜索处理方法和装置
CN110413859A (zh) * 2019-06-27 2019-11-05 平安科技（深圳）有限公司 网页信息搜索方法、装置、计算机设备及存储介质
CN111143543A (zh) * 2019-12-04 2020-05-12 北京达佳互联信息技术有限公司 一种对象推荐方法、装置、设备及介质

Also Published As

Publication number Publication date
CN111625690A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
CN111314721B (zh) 一种异常直播的确定方法、装置、设备及介质
CN109299387B (zh) 一种基于智能推荐的消息推送方法、装置及终端设备
CN108280115B (zh) 识别用户关系的方法及装置
JP6535815B2 (ja) 情報プッシュ方法、デバイス及びシステム並びにコンピュータ記憶媒体
CN110837398B (zh) 一种显示快应用的卡片的方法及终端
CN111143543A (zh) 一种对象推荐方法、装置、设备及介质
CN111818350B (zh) 展示信息的方法、系统、装置、电子设备及存储介质
CN102685751B (zh) 一种用于处理会话请求的方法与装置
CN110609957B (zh) 一种进行全局搜索的方法、终端和服务器
CN111259200A (zh) 视频类别划分方法、装置、电子设备及存储介质
CN106453593B (zh) 一种消息推送方法及装置
CN110688525A (zh) 素材资源配置方法、装置、电子设备及存储介质
CN111144953A (zh) 一种资源分配方法、装置、设备及介质
EP2741245A1 (en) Mobile payment method, device and system for server end and client
CN110674618A (zh) 一种内容展示方法、装置、设备及介质
CN112087364B (zh) 会话列表显示方法、装置及存储介质
CN111625690B (zh) 一种对象推荐方法、装置、设备及介质
CN113676395B (zh) 信息处理方法、相关设备及可读存储介质
CN111797308B (zh) 一种资源推荐方法、装置、电子设备及介质
CN110321230B (zh) 一种用于处理排行榜信息的系统、方法及计算机设备
CN110505142B (zh) 消息通知方法、装置、电子设备及存储介质
CN104796435A (zh) 一种消息推送方法及服务器
CN110796034A (zh) 一种目标对象识别方法、装置、设备及介质
CN110572782A (zh) 一种短信回复的方法和设备
CN112131482B (zh) 一种时效确定方法和相关装置

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