CN112115370A - 推荐方法、装置、计算机可读存储介质及电子设备 - Google Patents

Abstract

本公开的实施例公开了一种推荐方法、装置、计算机可读存储介质及电子设备。该方法包括：采用多种召回策略，为第一用户进行物料召回，以得到多个召回结果；判断历史行为数据中是否存在第一用户的推荐物料行为表现信息，以得到判断结果；根据判断结果，以相应权重确定方式，为第一用户确定多种召回策略的多个权重；采用多个权重，对多个召回结果进行融合，以得到融合结果；根据融合结果，向第一用户进行物料推荐。本公开的实施例能够提高进行物料推荐时，推荐结果的个性化程度，以实现对用户的精准的个性化推荐。

Description

推荐方法、装置、计算机可读存储介质及电子设备

技术领域

本公开涉及信息推荐技术领域，尤其涉及一种推荐方法、装置、计算机可读存储介质及电子设备。

背景技术

目前，推荐系统的使用非常普遍，一般而言，在进行物料的推荐时，需要先采用多种召回策略分别进行物料召回，以得到多个召回结果，之后依据得到的召回结果，进行物料推荐。然而，采用现有的推荐方式时，推荐结果的个性化程度较低，无法实现对用户的精准的个性化推荐。

发明内容

为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种推荐方法、装置、计算机可读存储介质及电子设备。

根据本公开实施例的一个方面，提供了一种推荐方法，包括：

采用多种召回策略，为第一用户进行物料召回，以得到多个召回结果；

判断历史行为数据中是否存在所述第一用户的推荐物料行为表现信息，以得到判断结果；

根据所述判断结果，以相应权重确定方式，为所述第一用户确定所述多种召回策略对应的多个权重；

采用所述多个权重，对所述多个召回结果进行融合，以得到融合结果；

根据所述融合结果，向所述第一用户进行物料推荐。

在一个可选示例中，所述根据所述判断结果，以相应权重确定方式，为所述第一用户确定所述多种召回策略对应的多个权重，包括：

在所述判断结果表征所述历史行为数据中存在所述第一用户的推荐物料行为表现信息的情况下，根据所述第一用户的推荐物料行为表现信息，为所述第一用户确定所述多种召回策略对应的多个权重；

在所述判断结果表征所述历史行为数据中不存在所述第一用户的推荐物料行为表现信息的情况下，根据预设对应关系，为所述第一用户确定所述多种召回策略对应的多个权重；其中，所述预设对应关系为召回策略与权重之间的对应关系。

在一个可选示例中，所述根据所述第一用户的推荐物料行为表现信息，为所述第一用户确定所述多种召回策略对应的多个权重，包括：

确定所述多种召回策略中的第一类召回策略；其中，所述第一用户的推荐物料行为表现信息中包括所述第一类召回策略中的每种召回策略相关的推荐物料行为表现信息；

根据所述第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，确定所述第一类召回策略中的每种召回策略对应的物料曝光次数和物料查看次数；

根据所述第一类召回策略中的每种召回策略对应的物料曝光次数和物料查看次数，确定所述第一类召回策略中的每种召回策略对应的权重。

在一个可选示例中，所述根据所述第一类召回策略中的每种召回策略对应的物料曝光次数和物料查看次数，确定所述第一类召回策略中的每种召回策略对应的权重，包括：

计算所述第一类召回策略中的各种召回策略对应的物料曝光次数的总和；

计算所述总和与所述第一类召回策略中的任一召回策略对应的物料曝光次数的比值；

利用公式

计算所述任一召回策略对应的权重；其中，Q为所述任一召回策略对应的权重，V为所述任一召回策略对应的物料查看次数，S为预设数值，

为所述比值。

在一个可选示例中，所述根据所述第一用户的推荐物料行为表现信息，为所述第一用户确定所述多种召回策略对应的多个权重，包括：

确定所述多种召回策略中的第一类召回策略和第二类召回策略；其中，所述第一用户的推荐物料行为表现信息中包括所述第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，并且，所述第一用户的推荐物料行为表现信息中不包括所述第二类召回策略中的每种召回策略相关的推荐物料行为表现信息；

根据所述第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，确定所述第一类召回策略中的每种召回策略对应的权重；

根据所述第一类召回策略中的每种召回策略对应的权重，确定所述第二类召回策略中的每种召回策略对应的权重。

在一个可选示例中，所述根据所述第一类召回策略中的每种召回策略对应的权重，确定所述第二类召回策略中的每种召回策略对应的权重，包括：

从所述第一类召回策略中的各种召回策略对应的权重中，筛选数值最大的权重；

确定所述第二类召回策略中的每种召回策略对应的权重；其中，所确定的各个权重均大于所述数值最大的权重。

在一个可选示例中，

所述根据第一用户的推荐物料行为表现信息，为所述第一用户确定所述多种召回策略对应的多个权重，包括：

确定所述第一用户当前的推荐业务场景；

根据所述第一用户的，与所述当前的推荐业务场景相关的推荐物料行为表现信息，为所述第一用户确定所述多种召回策略对应的多个权重；

和/或，

所述根据预设对应关系，为所述第一用户确定所述多种召回策略对应的多个权重，包括：

确定所述第一用户当前的推荐业务场景；

根据所述当前的推荐业务场景所对应的预设对应关系，为所述第一用户确定所述多种召回策略对应的多个权重。

在一个可选示例中，所述根据所述融合结果，向所述第一用户进行物料推荐之后，所述方法还包括：

确定所述第一用户对物料推荐结果的行为表现；

根据所述行为表现，更新所述历史行为数据。

根据本公开实施例的另一个方面，提供了一种推荐装置，包括：

第一获取模块，用于采用多种召回策略，为第一用户进行物料召回，以得到多个召回结果；

第二获取模块，用于判断历史行为数据中是否存在所述第一用户的推荐物料行为表现信息，以得到判断结果；

第一确定模块，用于根据所述判断结果，以相应权重确定方式，为所述第一用户确定所述多种召回策略对应的多个权重；

第三获取模块，用于采用所述多个权重，对所述多个召回结果进行融合，以得到融合结果；

推荐模块，用于根据所述融合结果，向所述第一用户进行物料推荐。

在一个可选示例中，所述第一确定模块，包括：

第一确定子模块，用于在所述判断结果表征所述历史行为数据中存在所述第一用户的推荐物料行为表现信息的情况下，根据所述第一用户的推荐物料行为表现信息，为所述第一用户确定所述多种召回策略对应的多个权重；

第二确定子模块，用于在所述判断结果表征所述历史行为数据中不存在所述第一用户的推荐物料行为表现信息的情况下，根据预设对应关系，为所述第一用户确定所述多种召回策略对应的多个权重；其中，所述预设对应关系为召回策略与权重之间的对应关系。

在一个可选示例中，所述第一确定子模块，包括：

第一确定单元，用于确定所述多种召回策略中的第一类召回策略；其中，所述第一用户的推荐物料行为表现信息中包括所述第一类召回策略中的每种召回策略相关的推荐物料行为表现信息；

第二确定单元，用于根据所述第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，确定所述第一类召回策略中的每种召回策略对应的物料曝光次数和物料查看次数；

第三确定单元，用于根据所述第一类召回策略中的每种召回策略对应的物料曝光次数和物料查看次数，确定所述第一类召回策略中的每种召回策略对应的权重。

在一个可选示例中，所述第三确定单元，包括：

第一计算子单元，用于计算所述第一类召回策略中的各种召回策略对应的物料曝光次数的总和；

第二计算子单元，用于计算所述总和与所述第一类召回策略中的任一召回策略对应的物料曝光次数的比值；

第三计算子单元，用于利用公式

计算所述任一召回策略对应的权重；其中，Q为所述任一召回策略对应的权重，V为所述任一召回策略对应的物料查看次数，S为预设数值，

为所述比值。

在一个可选示例中，所述第一确定子模块，包括：

第四确定单元，用于确定所述多种召回策略中的第一类召回策略和第二类召回策略；其中，所述第一用户的推荐物料行为表现信息中包括所述第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，并且，所述第一用户的推荐物料行为表现信息中不包括所述第二类召回策略中的每种召回策略相关的推荐物料行为表现信息；

第五确定单元，用于根据所述第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，确定所述第一类召回策略中的每种召回策略对应的权重；

第六确定单元，用于根据所述第一类召回策略中的每种召回策略对应的权重，确定所述第二类召回策略中的每种召回策略对应的权重。

在一个可选示例中，所述第六确定单元，包括：

筛选子单元，用于从所述第一类召回策略中的各种召回策略对应的权重中，筛选数值最大的权重；

确定子单元，用于确定所述第二类召回策略中的每种召回策略对应的权重；其中，所确定的各个权重均大于所述数值最大的权重。

在一个可选示例中，

所述第一确定子模块，包括：

第七确定单元，用于确定所述第一用户当前的推荐业务场景；

第八确定单元，用于根据所述第一用户的，与所述当前的推荐业务场景相关的推荐物料行为表现信息，为所述第一用户确定所述多种召回策略对应的多个权重；

如/或，

所述第二确定子模块，包括：

第九确定单元，用于确定所述第一用户当前的推荐业务场景；

第十确定单元，用于根据所述当前的推荐业务场景所对应的预设对应关系，为所述第一用户确定所述多种召回策略对应的多个权重。

在一个可选示例中，所述装置还包括：

第二确定模块，用于在根据所述融合结果，向所述第一用户进行物料推荐之后，确定所述第一用户对物料推荐结果的行为表现；

更新模块，用于根据所述行为表现，更新所述历史行为数据。

根据本公开实施例的再一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述推荐方法法。

根据本公开实施例的又一个方面，提供了一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述推荐方法。

本公开的实施例，当需要向第一用户进行物料推荐时，可以先采用多种召回策略，为第一用户进行物料召回，以得到多个召回结果；接下来，可以依据用于表征历史行为数据中是否存在第一用户的推荐物料行为表现信息的判断结果，以相应权重确定方式，为第一用户确定多种召回策略对应的多个权重；之后，可以采用为第一用户确定的多个权重，对多个召回结果进行融合，以得到融合结果；再之后，根据融合结果，即可实现向第一用户的物料推荐。需要说明的是，采用相关技术中的推荐方法时，每种召回策略对应的权重均是预先人为确定好的固定的权重，针对任一召回策略，所有用户采用的权重均是统一的，相比较而言，本公开的实施例中可以针对各个用户，采用合适的权重确定方式来确定每种召回策略对应的权重，这样，针对任一召回策略，所有用户采用的权重并不是统一的(例如，针对业务规则维度的召回策略，第一用户采用的权重可以为0.8，而第二用户采用的权重可以为0.6)，也即，本公开的实施例能够实现融合阶段使用的权重的多样化，以适配于不同用户，因此，本公开的实施例能够提高进行物料推荐时，推荐结果的个性化程度，以实现对用户的精准的个性化推荐。

下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。

附图说明

通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1是本公开一示例性实施例提供的推荐方法的流程示意图。

图2是本公开另一示例性实施例提供的推荐方法的流程示意图。

图3是本公开再一示例性实施例提供的推荐方法的流程示意图。

图4是本公开一示例性实施例提供的推荐装置的结构示意图。

图5是本公开另一示例性实施例提供的推荐装置的结构示意图。

图6是本公开一示例性实施例提供的电子设备的结构图。

具体实施方式

下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。

应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。

还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。

还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。

另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。

还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。

终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

示例性方法

图1是本公开一示例性实施例提供的推荐方法的流程示意图。图1所示的方法可以包括步骤101、步骤102、步骤103、步骤104和步骤105，下面对各步骤分别进行说明。

步骤101，采用多种召回策略，为第一用户进行物料召回，以得到多个召回结果。

这里，物料可以为房源，第一用户可以为存在购房或者租房需求的用户。当然，物料和第一用户的类型并不局限于此，例如，物料可以为书籍，第一用户可以为存在购书需求的用户，为了便于理解，本公开的实施例中均以物料为房源，第一用户为存在购房需求的用户的情况为例进行说明。

本公开的实施例中，第一用户可以在房企提供的服务平台对应的客户端上进行操作，以发起用户请求(例如新房搜索请求、二手房搜索请求等)。服务平台可以包括推荐系统，响应于第一用户发起的用户请求，推荐系统可以采用多种召回策略，为第一用户进行物料召回，以得到多个召回结果；其中，多个召回结果与多个召回策略之间可以为一一对应的关系，每个召回结果中可以包括若干个(例如10个)房源。

可选地，多个召回策略包括但不限于用户特征偏好维度的召回策略、物料特征维度的召回策略，以及业务规则维度的召回策略。

用户特征偏好维度的召回策略用于根据第一用户的用户偏好进行物料召回。例如，如果第一用户偏好三居室房源，则采用该召回策略得到的召回结果中的房源可以均是三居室房源。

物料特征维度的召回策略用于根据第一用户在服务平台上的上下文浏览情况进行推荐。例如，如果第一用户近期在服务平台上浏览的是总价600万左右且位于海淀区的房源，则采用该召回策略得到的召回结果中的房源可以均是总价在550至650万且位于海淀区的房源。

业务规则维度的召回策略用于根据预先制定的业务规则进行物料召回。例如，预先制定的业务规则可以是根据房源热度进行召回，则采用该召回策略得到的召回结果中的房源可以均是热度较高的房源。

步骤102，判断历史行为数据中是否存在第一用户的推荐物料行为表现信息，以得到判断结果。

需要说明的是，历史行为数据中可以包括大量的信息，在服务平台上发生过任意行为(例如浏览、搜索、分享等行为)的用户，历史行为数据中均可以包括该用户的行为数据。具体地，若该用户曾经通过客户端发起过用户请求，且服务平台的推荐系统响应于该用户请求向该用户推荐了房源，则该用户的行为数据中可以包括该用户的推荐物料行为表现信息，该用户的推荐物料行为表现信息可以用于表征该用户对推荐系统推荐的房源的行为表现，例如，推荐系统推荐的房源中的哪些房源未被用户查看，推荐系统推荐的房源中的哪些房源被用户查看了以及具体的查看时间等。

在步骤102中，可以对历史行为数据进行遍历，以判断历史行为数据中是否存在第一用户的推荐物料行为表现信息，从而得到判断结果。

步骤103，根据判断结果，以相应权重确定方式，为第一用户确定多种召回策略对应的多个权重。

这里，多种召回策略与多个权重之间可以为一一对应的关系。

需要说明的是，判断结果存在两种可能的情况：一种情况下，判断结果表征历史行为数据中存在第一用户的推荐物料行为表现信息，这时，可以认为第一用户对于服务平台而言是新用户，那么，可以采用适配于新用户的权重确定方式，为第一用户确定多种召回策略的多个权重；另一种情况下，判断结果表征历史行为数据中不存在第一用户的推荐物料行为表现信息，这时，可以认为第一用户对于服务平台而言是老用户，那么，可以采用适配于老用户的权重确定方式，为第一用户确定多种召回策略的多个权重。

步骤104，采用多个权重，对多个召回结果进行融合，以得到融合结果。

这里，采用多个权重，对多个召回策略进行融合时，使用的融合策略包括但不限于顺序融合策略、加权融合策略等，得到的融合结果中可以仅包括多个召回结果中的部分房源，例如，在召回结果的数量为3个，且每个召回结果中包括10个房源的情况下，融合结果可以仅包括排序好的20个房源，这样，对多个召回结果进行融合的过程也可以称为粗排过程。

步骤105，根据融合结果，向第一用户进行物料推荐。

这里，在得到包括排序好的20个房源的融合结果之后，可以利用精排算法，对融合结果进行进一步处理，以得到最终需要展示给第一用户的物料推荐结果，物料推荐结果可以仅包括融合结果中的部分房源，例如，物料推荐结果中可以仅包括顺序排列的10个房源。再之后，可以将物料推荐结果在第一用户使用的客户端上展示，以实现向第一用户的物料推荐，物料推荐结果中的每个房源具体可以通过房源卡片的形式进行展示。

本公开的实施例，当需要向第一用户进行物料推荐时，可以先采用多种召回策略，为第一用户进行物料召回，以得到多个召回结果；接下来，可以依据用于表征历史行为数据中是否存在第一用户的推荐物料行为表现信息的判断结果，以相应权重确定方式，为第一用户确定多种召回策略对应的多个权重；之后，可以采用为第一用户确定的多个权重，对多个召回结果进行融合，以得到融合结果；再之后，根据融合结果，即可实现向第一用户的物料推荐。需要说明的是，采用相关技术中的推荐方法时，每种召回策略对应的权重均是预先人为确定好的固定的权重，针对任一召回策略，所有用户采用的权重均是统一的，相比较而言，本公开的实施例中可以针对各个用户，采用合适的权重确定方式来确定每种召回策略对应的权重，这样，针对任一召回策略，所有用户采用的权重并不是统一的(例如，针对业务规则维度的召回策略，第一用户采用的权重可以为0.8，而第二用户采用的权重可以为0.6)，也即，本公开的实施例能够实现融合阶段使用的权重的多样化，以适配于不同用户，因此，本公开的实施例能够提高进行物料推荐时，推荐结果的个性化程度，以实现对用户的精准的个性化推荐。

图2是本公开另一示例性实施例提供的推荐方法的流程示意图。图2所示的方法可以包括步骤201、步骤202、步骤203、步骤204、步骤205和步骤206，下面对各步骤分别进行说明。

步骤201，采用多种召回策略，为第一用户进行物料召回，以得到多个召回结果。

步骤202，判断历史行为数据中是否存在第一用户的推荐物料行为表现信息，以得到判断结果。

需要说明的是，步骤201至步骤202的具体实施过程参照对步骤101至步骤102的说明即可，在此不再赘述。

步骤203，在判断结果表征历史行为数据中存在第一用户的推荐物料行为表现信息的情况下，根据第一用户的推荐物料行为表现信息，为第一用户确定多种召回策略对应的多个权重。

在一种具体实施方式中，根据第一用户的推荐物料行为表现信息，为第一用户确定多种召回策略对应的多个权重，包括：

确定多种召回策略中的第一类召回策略；其中，第一用户的推荐物料行为表现信息中包括第一类召回策略中的每种召回策略相关的推荐物料行为表现信息；

根据第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，确定第一类召回策略中的每种召回策略对应的物料曝光次数和物料查看次数；

根据第一类召回策略中的每种召回策略对应的物料曝光次数和物料查看次数，确定第一类召回策略中的每种召回策略对应的权重。

这里，可以先确定多种召回策略中的第一类召回策略。由于第一用户的推荐物料行为表现信息中包括第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，可以认为推荐系统之前已经将采用第一类召回策略中的每种召回策略召回的房源推荐给第一用户过，那么，第一类召回策略中的每种召回策略均可以认为是已使用过的召回策略。

接下来，可以根据第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，确定第一类召回策略中的每种召回策略对应的物料曝光次数和物料查看次数；其中，确定出的任一召回策略对应的物料曝光次数可以是指：向第一用户推荐采用该召回策略召回的房源的次数，每向第一用户推荐1个房源即可记为1次(每向第一用户推荐1个房源可以认为是1个曝光事件，每个曝光事件具有唯一的曝光ID)；确定出的任一召回策略对应的物料查看次数可以是指：针对向第一用户推荐的、采用该召回策略召回的房源，第一用户实际执行了物料查看操作的次数。一般而言，第一用户通过对房源卡片的点击操作来实现对房源的查看，这样，这里的物料查看次数也可以称为物料点击次数。

之后，可以根据第一类召回策略中的每种召回策略对应的物料曝光次数和物料查看次数，确定第一类召回策略中的每种召回策略对应的权重。

可选地，根据第一类召回策略中的每种召回策略对应的物料曝光次数和物料查看次数，确定第一类召回策略中的每种召回策略对应的权重，包括：

计算第一类召回策略中的各种召回策略对应的物料曝光次数的总和；

计算总和与第一类召回策略中的任一召回策略对应的物料曝光次数的比值；

利用公式

计算任一召回策略对应的权重；其中，Q为任一召回策略对应的权重，V为任一召回策略对应的物料查看次数，S为预设数值，

为比值。

这里，预设数值S可以为2、3、4或者其他取值，在此不再一一列举。

假设预设数值S具体为2，则上述计算召回策略的权重的公式可以变形为：

其中，V可以认为是bandit算法中的累计回报，

可以认为是bandit算法中的预估收益。

可以理解的是，目前的bandit算法利用了多臂赌博机(即MAB)的思想，将每个物料当作一个臂，每次选择物料召回时，评估每个臂的回报和收益作为权重，待每一次推荐完成后，根据用户行为反馈动态调整每个臂的权重，Bandit算法能较好地平衡探索和利用问题。

当然，确定第一类召回策略中的每种召回策略对应的权重的公式并不局限于此，例如，可以在上述公式的基础上，为“+”前后的两项分别添加系数，并基于添加系数后的公式进行权重计算，这也是可行的。

这种实施方式中，结合第一类召回策略中的每种召回策略的累计回报和预估收益，再结合一些简单的运算(例如加法、乘法、除法等运算)，能够便捷地计算出第一类召回策略中的每种召回策略对应的权重。

在另一种具体实施方式中，根据第一用户的推荐物料行为表现信息，为第一用户确定多种召回策略对应的多个权重，包括：

确定多种召回策略中的第一类召回策略和第二类召回策略；其中，第一用户的推荐物料行为表现信息中包括第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，并且，第一用户的推荐物料行为表现信息中不包括第二类召回策略中的每种召回策略相关的推荐物料行为表现信息；

根据第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，确定第一类召回策略中的每种召回策略对应的权重；

根据第一类召回策略中的每种召回策略对应的权重，确定第二类召回策略中的每种召回策略对应的权重。

这里，可以先确定多种召回策略中的第一类召回策略和第二类召回策略。由于第一用户的推荐物料行为表现信息中包括第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，且第一用户的推荐物料行为表现信息中不包括第二类召回策略中的每种召回策略相关的推荐物料行为表现信息，可以认为推荐系统之前已经将采用第一类召回策略中的每种召回策略召回的房源推荐给第一用户过，且推荐系统之前并未将采用第二类召回策略中的每种召回策略召回的房源推荐给第一用户过，那么，第一类召回策略中的每种召回策略均可以认为是已使用过的召回策略，第二类召回策略中的每种召回策略均可以认为是新增加的召回策略。

接下来，可以根据第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，确定第一类召回策略中的每种召回策略对应的权重，具体确定方式参照上一实施方式中的说明即可，在此不再赘述。

之后，可以根据第一类召回策略中的每种召回策略对应的权重，确定第二类召回策略中的每种召回策略对应的权重。

可选地，根据第一类召回策略中的每种召回策略对应的权重，确定第二类召回策略中的每种召回策略对应的权重，包括：

从第一类召回策略中的各种召回策略对应的权重中，筛选数值最大的权重；

确定第二类召回策略中的每种召回策略对应的权重；其中，所确定的各个权重均大于数值最大的权重。

假设第一类召回策略中包括两个召回策略，为第一用户确定的这两个召回策略对应的权重分别为Q1和Q2，那么，可以从Q1和Q2中筛选数值最大的权重。假设筛选出的数值最大的权重为Q2，则在为第一用户确定第二类召回策略中的每种召回策略对应的权重时，确定出的每个权重均可以大于Q2。通过这种确定方式，能够使新增加的召回策略对应的权重相比于已使用过的召回策略对应的权重更大，这样能够提高推荐系统对新增加的召回策略的探索性，从而有利于推荐系统更好地开发新增加的召回策略。

这种实施方式中，依据已使用过的召回策略对应的权重，能够便捷地确定出新增加的召回策略对应的权重。

在再一种具体实施方式中，根据第一用户的推荐物料行为表现信息，为第一用户确定多种召回策略对应的多个权重，包括：

确定第一用户当前的推荐业务场景；

根据第一用户的，与当前的推荐业务场景相关的推荐物料行为表现信息，为第一用户确定多种召回策略对应的多个权重。

这里，推荐业务场景包括但不限于新房推荐业务场景、二手房推荐业务场景等。可选地，新房推荐业务场景可以细分为新房首页推荐业务场景、新房详情页推荐业务场景等；二手房推荐业务场景可以细分为二手房首页推荐业务场景、二手房详情页推荐业务场景等。

这种实施方式中，可以根据第一用户通过客户端发起用户请求时，该客户端所处的页面，确定第一用户当前的推荐业务场景，例如，若该客户端所处的页面属于新房业务相关的页面，则可以确定第一用户当前的推荐业务场景为新房推荐业务场景。

在确定出第一用户当前的推荐业务场景之后，可以仅依据第一用户的，与所确定的推荐业务场景相关的推荐物料行为表现信息，为第一用户确定多种召回策略对应的多个权重，这时，上文中进行权重计算时使用的物料曝光次数具体可以是所确定的推荐业务场景下的物料曝光次数，上文中进行权重计算时使用的物料查看次数具体可以是所确定的推荐业务场景下的物料查看次数。

这种实施方式中，通过参考第一用户当前的推荐业务场景来为第一用户确定权重，能够使确定出的权重与当前的推荐业务场景适配，从而保证推荐效果。

步骤204，在判断结果表征历史行为数据中不存在第一用户的推荐物料行为表现信息的情况下，根据预设对应关系，为第一用户确定多种召回策略对应的多个权重；其中，预设对应关系为召回策略与权重之间的对应关系。

在一种具体实施方式中，根据预设对应关系，为第一用户确定多种召回策略的多个权重，可以包括：

确定第一用户当前的推荐业务场景；

根据当前的推荐业务场景所对应的预设对应关系，为第一用户确定多种召回策略对应的多个权重。

这里，可以预先存储多种推荐业务场景与相应预设对应关系之间的对应关系。在确定出第一用户当前的推荐业务场景之后，可以依据预先存储的对应关系，确定第一用户当前的推荐业务场景所对应的预设对应关系，然后依据确定出的预设对应关系，为第一用户确定多种召回策略对应的多个权重，这样能够使确定出的权重与当前的推荐业务场景适配，从而保证推荐效果。

当然，也可以不预先存储多种推荐业务场景与相应预设对应关系之间的对应关系，而仅设置一个预设对应关系，后续仅利用这一个预设对应关系来进行权重的确定，这也是可行的。

步骤205，采用多个权重，对多个召回结果进行融合，得到融合结果。

步骤206，根据融合结果，向第一用户进行物料推荐。

需要说明的是，步骤205至步骤206参照对步骤104至步骤105的说明即可，在此不再赘述。

本公开的实施例，当需要向第一用户进行物料推荐时，可以先采用多种召回策略，为第一用户进行物料召回，以得到多个召回结果；接下来，可以依据用于表征历史行为数据中是否存在第一用户的推荐物料行为表现信息的判断结果，选择根据第一用户的推荐物料行为表现信息，为第一用户确定多种召回策略对应的多个权重，或者选择根据预设对应关系，为第一用户确定多种召回策略对应的多个权重；之后，可以采用为第一用户确定的多个权重，对多个召回结果进行融合，以得到融合结果；再之后，根据融合结果，即可实现向第一用户的物料推荐。需要说明的是，采用相关技术中的推荐方法时，每种召回策略对应的权重均是预先人为确定好的固定的权重，针对任一召回策略，所有用户采用的权重均是统一的，相比较而言，本公开的实施例中可以针对各个用户，采用合适的权重确定方式来确定每种召回策略对应的权重，具体而言，针对老用户，可以利用其的推荐物料行为表现信息来进行权重确定，针对新用户，可以利用预设对应关系来进行权重确定，这样，针对任一召回策略，所有用户采用的权重并不是统一的，也即，本公开的实施例能够实现融合阶段使用的权重的多样化，以适配于不同用户，因此，本公开的实施例能够提高进行物料推荐时，推荐结果的个性化程度，以实现对用户的精准的个性化推荐。

在一个可选示例中，根据融合结果，向第一用户进行物料推荐之后，该方法还包括：

确定第一用户对物料推荐结果的行为表现；

根据行为表现，更新历史行为数据。

本公开的实施例中，在物料推荐结果在第一用户使用的客户端上展示之后，可以确定第一用户对物料推荐结果的行为表现，该行为表现可以用于表征第一用户是否查看了物料推荐结果中的房源，以及具体查看了物料推荐结果中的哪些房源。如果历史行为数据中本身不存在第一用户的推荐物料行为表现信息，则可以向历史行为数据中添加该行为表现所表征的信息；否则，可以对历史行为数据中已存在的第一用户的推荐物料行为表现信息进行更新，以使更新后的第一用户的推荐物料行为表现信息中记载有该行为表现所表征的信息。

本公开的实施例中，通过对历史行为数据的更新，可以使历史行为数据中的信息保持在最新的状态，从而保证后续依据历史行为数据确定出的权重的正确性和可靠性。

在一个可选示例中，如图3所示，第一用户可以向服务平台发送用户请求。这时，响应于用户请求，推荐系统可以采用多种召回策略，为第一用户进行物料召回，以得到多个召回结果(即通过多路召回策略进行物料召回)。

具体地，如果第一用户为新用户，则可以依据远程字典服务(Remote DictionaryServer，Redis)数据库中存储的预设对应关系，取得每种召回策略对应的权重，并基于取得的权重，对多个召回结果进行加权融合；如果第一用户为老用户，则对于命中了bandit融合策略的召回策略(相当于上文中的第一类召回策略中的召回策略)，可以从Redis数据库中取得bandit计算好的，第一用户的该召回策略对应的权重，对于未命中bandit融合策略的召回策略(相当于上文中的第二类召回策略中的召回策略)，可以赋予它最大的权重。在加权融合操作结束之后，可以将包括排序好的若干个房源的物料推荐结果通过后端应用程序编程接口(Application Programming Interface，API)返回给第一用户，此时推荐系统会记录物料推荐结果中的每个房源所属的召回策略ID、曝光ID，以及第一用户当前所处的推荐业务场景的场景信息，推荐系统记录的这些信息会流入后端的卡夫卡(即kafka)日志。

第一用户在收到物料推荐结果，并对物料推荐结果中的至少部分房源进行操作(例如对用于表示房源的房源卡片进行点击)后，对应的曝光和点击信息会经过前端日志(例如前端dig日志)流入kafka日志。这样，可以实时解析后端的kafka日志，得到相应的场景信息、召回策略ID和曝光ID，然后存入Redis数据库；然后可以实时解析前端dig日志中每个房源的曝光ID以及用户曝光点击等信息，结合基于前端dig日志得到的用户曝光点击等信息，以及基于后端的kafka日志得到的场景信息、召回策略ID和曝光ID等信息，可以计算得到每个用户的每个召回策略的点击和曝光，然后更新每个用户的每个召回策略的点击和曝光(相当于更新上文中的物料查看次数V和物料曝光次数C)。之后，采用下述公式即可进行权重计算，以得到每个用户的每个召回策略对应的最新的权重。

综上，本公开的实施例优化了推荐系统的融合阶段，通过基于bandit算法来个性化实时更新用户在融合阶段的各个召回策略对应的权重，具体而言，每个用户针对房源的反馈行为会计入对它所属召回策略的行为，根据用户对每个召回策略的行为反馈进行权重的更新计算，以将更新后的权重作为下一次推荐中召回策略的新的权重进行加权融合，这样能够在下一次充分利用效果好的召回策略，并且，针对新用户可以利用人工先验确定的权重，针对老用户未命中的新的召回策略，赋予它最大的权值，从而能够提高推荐系统的探索性。本公开的实施例还能够实时挖掘用户自身偏好，以提升推荐系统的实时性和推荐准确性。

本公开的实施例提供的任一种推荐方法可以由任意适当的具有数据处理能力的设备执行，包括但不限于：终端设备和服务器等。或者，本公开实施例提供的任一种推荐方法可以由处理器执行，如处理器通过调用存储器存储的相应指令来执行本公开实施例提及的任一种推荐方法。下文不再赘述。

示例性装置

图4是本公开一示例性实施例提供的推荐装置的结构示意图，图4所示的装置包括第一获取模块401、第二获取模块402、第一确定模块403、第三获取模块404和推荐模块405。

第一获取模块401，用于采用多种召回策略，为第一用户进行物料召回，以得到多个召回结果；

第二获取模块402，用于判断历史行为数据中是否存在第一用户的推荐物料行为表现信息，以得到判断结果；

第一确定模块403，用于根据判断结果，以相应权重确定方式，为第一用户确定多种召回策略对应的多个权重；

第三获取模块404，用于采用多个权重，对多个召回结果进行融合，以得到融合结果；

推荐模块405，用于根据融合结果，向第一用户进行物料推荐。

在一个可选示例中，如图5所示，第一确定模块403，包括：

第一确定子模块4031，用于在判断结果表征历史行为数据中存在第一用户的推荐物料行为表现信息的情况下，根据第一用户的推荐物料行为表现信息，为第一用户确定多种召回策略对应的多个权重；

第二确定子模块4032，用于在判断结果表征历史行为数据中不存在第一用户的推荐物料行为表现信息的情况下，根据预设对应关系，为第一用户确定多种召回策略对应的多个权重；其中，预设对应关系为召回策略与权重之间的对应关系。

在一个可选示例中，第一确定子模块4031，包括：

第一确定单元，用于确定多种召回策略中的第一类召回策略；其中，第一用户的推荐物料行为表现信息中包括第一类召回策略中的每种召回策略相关的推荐物料行为表现信息；

第二确定单元，用于根据第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，确定第一类召回策略中的每种召回策略对应的物料曝光次数和物料查看次数；

第三确定单元，用于根据第一类召回策略中的每种召回策略对应的物料曝光次数和物料查看次数，确定第一类召回策略中的每种召回策略对应的权重。

在一个可选示例中，第三确定单元，包括：

第一计算子单元，用于计算第一类召回策略中的各种召回策略对应的物料曝光次数的总和；

第二计算子单元，用于计算总和与第一类召回策略中的任一召回策略对应的物料曝光次数的比值；

第三计算子单元，用于利用公式

计算任一召回策略对应的权重；其中，Q为任一召回策略对应的权重，V为任一召回策略对应的物料查看次数，S为预设数值，

为比值。

在一个可选示例中，第一确定子模块4031，包括：

第四确定单元，用于确定多种召回策略中的第一类召回策略和第二类召回策略；其中，第一用户的推荐物料行为表现信息中包括第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，并且，第一用户的推荐物料行为表现信息中不包括第二类召回策略中的每种召回策略相关的推荐物料行为表现信息；

第五确定单元，用于根据第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，确定第一类召回策略中的每种召回策略对应的权重；

第六确定单元，用于根据第一类召回策略中的每种召回策略对应的权重，确定第二类召回策略中的每种召回策略对应的权重。

在一个可选示例中，第六确定单元，包括：

筛选子单元，用于从第一类召回策略中的各种召回策略对应的权重中，筛选数值最大的权重；

确定子单元，用于确定第二类召回策略中的每种召回策略对应的权重；其中，所确定的各个权重均大于数值最大的权重。

在一个可选示例中，

第一确定子模块4031，包括：

第七确定单元，用于确定第一用户当前的推荐业务场景；

第八确定单元，用于根据第一用户的，与当前的推荐业务场景相关的推荐物料行为表现信息，为第一用户确定多种召回策略对应的多个权重；

和/或，

第二确定子模块4032，包括：

第九确定单元，用于确定第一用户当前的推荐业务场景；

第十确定单元，用于根据当前的推荐业务场景所对应的预设对应关系，为第一用户确定多种召回策略对应的多个权重。

在一个可选示例中，该装置还包括：

第二确定模块，用于在根据融合结果，向第一用户进行物料推荐之后，确定第一用户对物料推荐结果的行为表现；

更新模块，用于根据行为表现，更新历史行为数据。

示例性电子设备

下面，参考图6来描述根据本公开实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。

图6图示了根据本公开实施例的电子设备60的框图。

如图6所示，电子设备60包括一个或多个处理器61和存储器62。

处理器61可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备60中的其他组件以执行期望的功能。

存储器62可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器61可以运行所述程序指令，以实现上文所述的本公开的各个实施例的推荐方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。

在一个示例中，电子设备60还可以包括：输入装置63和输出装置64，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

例如，在电子设备60是第一设备或第二设备时，该输入装置63可以是麦克风或麦克风阵列。在电子设备60是单机设备时，该输入装置63可以是通信网络连接器，用于从第一设备和第二设备接收所采集的输入信号。

此外，该输入装置63还可以包括例如键盘、鼠标等等。

该输出装置64可以向外部输出各种信息。该输出装置64可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出装置等等。

当然，为了简化，图6中仅示出了该电子设备60中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备60还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的推荐方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的推荐方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。

还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种推荐方法，其特征在于，包括：

采用多种召回策略，为第一用户进行物料召回，以得到多个召回结果；

判断历史行为数据中是否存在所述第一用户的推荐物料行为表现信息，以得到判断结果；

根据所述判断结果，以相应权重确定方式，为所述第一用户确定所述多种召回策略对应的多个权重；

采用所述多个权重，对所述多个召回结果进行融合，以得到融合结果；

根据所述融合结果，向所述第一用户进行物料推荐。

2.根据权利要求1所述的方法，其特征在于，所述根据所述判断结果，以相应权重确定方式，为所述第一用户确定所述多种召回策略对应的多个权重，包括：

在所述判断结果表征所述历史行为数据中存在所述第一用户的推荐物料行为表现信息的情况下，根据所述第一用户的推荐物料行为表现信息，为所述第一用户确定所述多种召回策略对应的多个权重；

在所述判断结果表征所述历史行为数据中不存在所述第一用户的推荐物料行为表现信息的情况下，根据预设对应关系，为所述第一用户确定所述多种召回策略对应的多个权重；其中，所述预设对应关系为召回策略与权重之间的对应关系。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一用户的推荐物料行为表现信息，为所述第一用户确定所述多种召回策略对应的多个权重，包括：

确定所述多种召回策略中的第一类召回策略；其中，所述第一用户的推荐物料行为表现信息中包括所述第一类召回策略中的每种召回策略相关的推荐物料行为表现信息；

根据所述第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，确定所述第一类召回策略中的每种召回策略对应的物料曝光次数和物料查看次数；

根据所述第一类召回策略中的每种召回策略对应的物料曝光次数和物料查看次数，确定所述第一类召回策略中的每种召回策略对应的权重。

4.根据权利要求3所述的方法，其特征在于，所述根据所述第一类召回策略中的每种召回策略对应的物料曝光次数和物料查看次数，确定所述第一类召回策略中的每种召回策略对应的权重，包括：

计算所述第一类召回策略中的各种召回策略对应的物料曝光次数的总和；

计算所述总和与所述第一类召回策略中的任一召回策略对应的物料曝光次数的比值；

利用公式

计算所述任一召回策略对应的权重；其中，Q为所述任一召回策略对应的权重，V为所述任一召回策略对应的物料查看次数，S为预设数值，

为所述比值。

5.根据权利要求2所述的方法，其特征在于，所述根据所述第一用户的推荐物料行为表现信息，为所述第一用户确定所述多种召回策略对应的多个权重，包括：

确定所述多种召回策略中的第一类召回策略和第二类召回策略；其中，所述第一用户的推荐物料行为表现信息中包括所述第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，并且，所述第一用户的推荐物料行为表现信息中不包括所述第二类召回策略中的每种召回策略相关的推荐物料行为表现信息；

根据所述第一类召回策略中的每种召回策略相关的推荐物料行为表现信息，确定所述第一类召回策略中的每种召回策略对应的权重；

根据所述第一类召回策略中的每种召回策略对应的权重，确定所述第二类召回策略中的每种召回策略对应的权重。

6.根据权利要求5所述的方法，其特征在于，所述根据所述第一类召回策略中的每种召回策略对应的权重，确定所述第二类召回策略中的每种召回策略对应的权重，包括：

从所述第一类召回策略中的各种召回策略对应的权重中，筛选数值最大的权重；

确定所述第二类召回策略中的每种召回策略对应的权重；其中，所确定的各个权重均大于所述数值最大的权重。

7.根据权利要求2所述的方法，其特征在于，

所述根据第一用户的推荐物料行为表现信息，为所述第一用户确定所述多种召回策略对应的多个权重，包括：

确定所述第一用户当前的推荐业务场景；

根据所述第一用户的，与所述当前的推荐业务场景相关的推荐物料行为表现信息，为所述第一用户确定所述多种召回策略对应的多个权重；

和/或，

所述根据预设对应关系，为所述第一用户确定所述多种召回策略对应的多个权重，包括：

确定所述第一用户当前的推荐业务场景；

根据所述当前的推荐业务场景所对应的预设对应关系，为所述第一用户确定所述多种召回策略对应的多个权重。

8.一种推荐装置，其特征在于，包括：

第一获取模块，用于采用多种召回策略，为第一用户进行物料召回，以得到多个召回结果；

第二获取模块，用于判断历史行为数据中是否存在所述第一用户的推荐物料行为表现信息，以得到判断结果；

第一确定模块，用于根据所述判断结果，以相应权重确定方式，为所述第一用户确定所述多种召回策略对应的多个权重；

第三获取模块，用于采用所述多个权重，对所述多个召回结果进行融合，以得到融合结果；

推荐模块，用于根据所述融合结果，向所述第一用户进行物料推荐。

9.一种计算机可读存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序用于执行上述权利要求1至7中任一项所述的推荐方法。

10.一种电子设备，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；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1至7中任一项所述的推荐方法。

Images