CN112307313B - 一种信息推荐方法、装置及存储介质 - Google Patents

Abstract

本公开关于一种信息推荐方法、装置及存储介质，涉及多媒体技术处理技术领域，以至少解决相关技术中由于缺乏用户执行的点赞、评论、转发操作信息，因此向该类用户推荐短视频信息由于缺少相关的操作信息，导致短视频信息推荐的准确度不高的问题。该方法中，通过各多媒体信息的浏览信息数，对未对多媒体信息执行的点赞、评论、转发操作的用户可能会多次浏览的多媒体信息进行预测，并将预测的多媒体信息推荐给该用户的客户端。这样，实现了在缺乏用户执行的点赞、评论、转发操作信息的情况下，提高了向该类用户推荐多媒体信息的准确度。

Description

一种信息推荐方法、装置及存储介质

技术领域

本公开涉及多媒体技术处理技术领域，尤其涉及一种信息推荐方法、装置及存储介质。

背景技术

相关技术中，在一些短视频信息共享平台上，用户会对短视频信息共享平台上的短视频信息执行点赞、评论、转发操作。短视频信息共享平台基于用户对短视频信息执行的点赞、评论、转发操作，来判断用户喜欢浏览哪种或者哪类短视频信息，并根据判断的结果向用户推荐短视频信息。

然而，有些用户在信息共享平台上只是单独的浏览短视频信息，并不会对短视频信息执行点赞、评论、转发操作，对于这类用户，由于缺乏用户执行的点赞、评论、转发操作信息，进而无法根据用户的点赞、评论、转发操作信息推荐短视频信息。因此向该类用户推荐短视频信息由于缺少相关的操作信息，导致短视频信息推荐的准确度不高。

发明内容

本公开提供一种信息推荐方法、装置及存储介质，以至少解决相关技术中由于缺乏用户执行的点赞、评论、转发操作信息，因此向该类用户推荐短视频信息由于缺少相关的操作信息，导致短视频信息推荐的准确度不高的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种信息推荐方法，包括：

在接收到客户端的推荐请求之后，获取与所述客户端对应的至少两个待推荐的多媒体信息；

获取各所述多媒体信息的预测浏览信息，其中，所述预测浏览信息为根据各多媒体信息的浏览信息而确定的所述客户端对各所述多媒体信息的信息；

至少根据所述预测浏览信息，确定所述至少两个待推荐的多媒体信息的信息推荐序列，并将所述信息推荐序列发送至所述客户端。

根据本公开实施例的第二方面，提供一种信息推荐装置，包括：

第一获取单元，被配置为执行在接收到客户端的推荐请求之后，获取与所述客户端对应的至少两个待推荐的多媒体信息；

第二获取单元，被配置为执行获取各所述多媒体信息的预测浏览信息，其中，所述预测浏览信息为根据各多媒体信息的浏览信息而确定的所述客户端对各所述多媒体信息的信息；

推荐单元，被配置为执行至少根据所述预测浏览信息，确定所述至少两个待推荐的多媒体信息的信息推荐序列，并将所述信息推荐序列发送至所述客户端。

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，以实现一种信息推荐方法；

根据本公开实施例的第四方面，提供一种存储介质，当所述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一种信息推荐方法；

根据本公开实施例的第五方面，提供一种计算机程序产品，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开实施例提供的信息推荐方法。

本公开的实施例提供的技术方案至少带来以下有益效果：通过各多媒体信息的浏览信息数，对未对多媒体信息执行的点赞、评论、转发操作的用户可能会多次浏览的多媒体信息进行预测，并将预测的多媒体信息推荐给该用户的客户端。这样，实现了在缺乏用户执行的点赞、评论、转发操作信息的情况下，提高了向该类用户推荐多媒体信息的准确度。

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，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信息推荐方法的应用场景示意图；

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示意图；

图3是根据一示例性实施例示出的一种训练神经网络模型的流程示意图；

图4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5是根据一示例性实施例示出的另一种信息推荐装置的框图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。

下面结合附图介绍本公开实施例提供的技术方案。

目前，一些多媒体信息共享平台向用户推荐多媒体信息时，都是基于用户在该多媒体信息共享平台上对多媒体信息执行的点赞、评论、转发操作信息。根据用户对多媒体信息执行的点赞、评论、转发等操作信息，可以较为准确的确定用户的喜好，从而为用户推荐多媒体信息。然而，有一些用户在浏览多媒体信息时，通常并不会对浏览的多媒体信息执行点赞、评论、转发等操作，因此多媒体信息共享平台缺乏对该类用户的了解，不能确定该类用户的喜好，导致多媒体信息共享平台向该类用户推荐的多媒体信息可能并不符合用户的喜好。

发明人研究发现，很多用户对于喜好的短视频信息可能会重复浏览。故此，短视频信息的重复浏览次数在一定程度上能够表征用户的喜好。有鉴于此，本公开为了能够提高对用户推荐多媒体信息的准确性，提供了一种信息推荐方法。该方法中，能够预测用户对未观看的短视频信息的重复浏览次数，并结合预测结果为用户推荐短视频信息。例如，如果将预测的重复浏览次数、转发(表示用户对该短视频信息批转下发)、点赞(表示用户对该短视频信息表示赞同、喜爱)、评论(表示用户对该短视频信息议论的文章或句子)各视为一个维度的信息，那么针对具有点赞、评论或转发操作的用户，可以进一步结合预测的重复浏览次数，从更多维度的信息中分析用户的喜好，从而提高对用户推荐短视频信息的准确性。而对于没有转发、点赞、评论操作的用户，预测的重复浏览次数也能够一定程度上表征用户喜好，进而为该类用户提供其喜好的短视频信息进行推荐，也能够提高短视频信息推荐的准确性。

其中，上述的：

关注：应用推荐系统的平台中的账户与账户之间建立关联关系，例如：用户A关注了用户B，则用户B发布的作品和动态可以被用户A在推荐系统的专有页面上看到，也可以收到推荐系统的通知。

点赞：应用推荐系统的平台中的账户对某一个账户发布的视频标记对作品的喜欢，一般该作品被多少人标记为喜欢是公开的，但具体哪些用户标记可以是公开的也可以是仅作者可见。

评论：应用推荐系统的平台中的账户对某一个账户发布的视频的使用文本进行主观或客观的阐述，具体的，该文本既可以是公开的，也可以是仅作者或者好友间能看到。

转发：应用推荐系统的平台中的账户将某一个账户发布的视频转送到别的平台或自己的账户。

需要说明的是，本申请实施例提供的方法，不仅适用于短视频信息，也适用其他类型的媒体信息，例如长视频、歌曲、文章、文本信息、以及图文结合的网页信息等任何的可供用户浏览的多媒体信息。

为便于理解，下面结合附图对本公开提供的技术方案做进一步说明。

如图1所示，为本公开实施例中一种信息推荐方法的应用场景示意图。该场景中包括用户100的终端设备101和服务器102。其中，为了实现对用户100推荐多媒体信息，以将待推荐多媒体信息输入到神经网络模型为例，对本公开提供的技术方案做进一步说明。

其中，用户100在多媒体信息共享平台浏览多媒体信息时，并不会对浏览的多媒体信息进行操作(例如点赞、转发、评论等)。

用户100在通过终端设备101登录多媒体信息共享平台时，服务器102会将终端设备101登录的用户信息以及于现在服务器102存储的待推荐媒体细信息输入到训练好的神经网络模型中，最终将预测的用户100看可能会重复浏览的多媒体信息显示到终端设备101上，推荐给用户100。由此实现了在缺乏用户执行的点赞、评论、转发操作信息的情况下，提高了向该类用户推荐多媒体信息的准确度。

在一个实施例中，终端设备101可以是手机、平板电脑、个人计算机、虚拟机或模拟器模拟的终端设备等。

在一个实施例中，终端设备101与服务器102之间的通信为无线通信或者以太网通信等。

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2所示，信息推荐方法可应用于如图1所示的服务器中，包括以下步骤。

在步骤S21中，在接收到客户端的推荐请求之后，获取与所述客户端对应的至少两个待推荐的多媒体信息。

其中，待推荐的多媒体信息为客户端对应的待推荐用户没有浏览过的多媒体信息。例如，用户A和用户B。多媒体信息列表中共有三个多媒体信息，分别为M1、M2、M3和M4。此外，进一步假设用户A浏览过多媒体信息M1，没浏览过的多媒体信息为M2、M3和M4；用户B浏览过多媒体信息M3，没浏览过的多媒体信息为M1、M2和M4。则用户A为客户端时，待推荐多媒体信息可以为M2和M3；若用户B为待推荐用户时，为用户B的待推荐多媒体信息可以为M1和M2。需要说明的是，待推荐多媒体信息可以是用户未浏览过的多媒体信息集合，也可以是部分未浏览过的多媒体信息。

在步骤S22中，获取各所述多媒体信息的预测浏览信息，其中，所述预测浏览信息为根据各多媒体信息的浏览信息而确定的所述客户端对各所述多媒体信息的信息。

在步骤S23中，至少根据所述预测浏览信息，确定所述至少两个待推荐的多媒体信息的信息推荐序列，并将所述信息推荐序列发送至所述客户端。

在一个实施例中，可以根据预测浏览信息的从大到小的顺序，对各待推荐的多媒体信息进行排序，并根据排序结果，从高到低的选择指定的多媒体信息推荐给客户端。当然，也可以从符合条件的待推荐的多媒体信息中，随机选择指定的多媒体信息推荐给客户端；本公开对此不做限定。

这样，通过得到的预测浏览信息，对待推荐用户进行多媒体信息预测，实现了在缺乏用户执行的点赞、评论、转发操作信息的情况下，提高了向该类用户推荐多媒体信息的准确度。

在本公开实施例中，如上所述，若待推荐用户是经常对多媒体信息执行点赞、评论、转发操作的用户，为了进一步提高对该用户推荐多媒体信息的准确性，本公开将得到的预测浏览信息以及用户对浏览过的多媒体信息的操作进行结合，再向用户进行多媒体信息推荐，因此，步骤S23可实施为：根据所述预测浏览信息，以及预设的参考因子，从各所述多媒体信息中选择指定数量的多媒体信息，并推荐给所述客户端；所述预设的参考因子为浏览过各所述多媒体信息的操作信息；其中，所述操作信息包括以下中的至少一种：点赞操作信息、评论操作信息、转发操作信息。

在一个实施例中，可以为不同参考因子以及预测浏览信息分别赋予权重系数。例如可以根据不同用户的历史喜好为不同参数分配不同的权重。例如，偶尔对多媒体信息进行操作的用户，将预测浏览信息分配的权重高于操作权重；经常对多媒体信息进行操作的用户，将预测浏览信息分配的权重低于操作权重。

这样，将预测浏览信息与待推荐用户对多媒体信息的操作进行结合，可以使得向待推荐用户推荐的多媒体信息更符合用户的喜好，从而提高了向该类用户推荐多媒体信息的准确度。

为了实现上述方案，在本公开实施例中，将待推荐的多媒体信息输入到预先设置好的神经网络模型中，来得到客户端对各多媒体信息的预测浏览信息，具体的，步骤S21包括：获取客户端的至少两个待推荐的多媒体信息的描述信息。

在一个实施例中，多媒体信息的描述信息用于描述该多媒体信息的内容说明。该内容说明例如是内容简介、多媒体信息中的内容的分类(如儿童类、搞笑类、生活类)等信息。

此外，多媒体信息还可以包括多媒体信息的内容说明之外的信息。该之外的信息可包括以下信息中的至少一种：发布者、发布时间、导演、演员等信息。

而步骤S22包括：将所述客户端的用户信息和各所述多媒体信息输入给预先训练好的神经网络模型，得到所述神经网络模型预测的所述客户端对各所述多媒体信息的预测浏览信息。

其中，所述神经网络模型是基于各多媒体信息的浏览信息进行训练得到的，其中，每个训练样本包括：用户信息、该用户信息对应的多媒体信息的浏览信息；所述训练样本的标签为指定信息，所述指定信息能够表征多媒体信息的人均浏览次数或所述指定信息与多媒体信息的人均浏览次数正相关。

其中，指定信息可以是人均浏览次数，均方根值、浏览次数的中值等可用于表示该多媒体信息会被重复浏览的信息。

这样，通过指定信息得到的预测浏览信息，对客户端进行多媒体信息预测，实现了在缺乏用户执行的点赞、评论、转发操作信息的情况下，提高了向该类用户推荐多媒体信息的准确度。

上面介绍了如何根据训练好的神经网络模型向待推荐用户进行推荐多媒体信息，下面对如何预测浏览信息的训练神经网络模型做进一步的说明。

其中，可选用DNN(Deep Neural Network，深度神经网络)模型为待训练的神经网络模型。图3是根据一示例性实施例示出的一种训练神经网络模型的流程图，如图3所示，包括以下步骤。

在步骤S31中，获取训练神经网络模型的训练样本。

其中，可以一个用户以及一个媒体信息构建一个样本。如一个训练样本包括一个账户的用户信息以及该用户浏览过的一个多媒体信息的描述信息；该训练样本还可包括表示该前述的指定信息。举例说明，如在本公开的一个训练样本可以由用户A的用户信息、用户A看过的视频B的描述信息构成。如果用户A还观看过视频C，则用户A的用户信息和视频C的描述信息构成另一个训练样本。

在本公开的实施例中，当训练样本的标签为人均浏览次数时，可根据如下方法确定，包括步骤A1-A2：

步骤A1：针对各多媒体信息，根据用户信息确定浏览过该多媒体信息的总用户数量，以及总浏览次数。

其中，一个用户信息对应一个账户。

步骤A2：确定该多媒体信息的总浏览次数和总用户数量的比值为该多媒体信息的人均浏览次数。

例如，若一个视频的总浏览次数为150次，而观看过该视频的客户端为100个，因此，该视频的人均浏览次数为1.5。

在一个实施例中，在本公开的服务器中保存的信息库中获取各用户的用户信息以及用户浏览过的媒体信息的描述信息。

在步骤S32中，将获取的训练样本输入到待训练的神经网络模型中，得到能够预测所述客户端对各所述多媒体信息的预测浏览信息的神经网络模型。

在本公开的实施例中，为了提高神经网络模型的推荐的准确度，使得训练样本中的多媒体信息的浏览时长大于预设时长，丢弃多媒体信息的浏览时长不足的样本，这样，可以避免因网络问题或用户操作失误而造成的多次浏览的情况，从而提高了神经网络模型向待推荐用户推荐媒体信息的准确度。

在本公开的实施例中，训练好的神经网络模型除了可以预测待推荐用户对各所述多媒体信息的预测浏览信息，还可以通过增加训练样本的标签，预测待推荐的多媒体信息的访问数据；例如，根据预测的用户A浏览完待推荐的多媒体信息M后，是否访问M的作者主页的信息，向用户A推荐待推荐多媒体信息。因此可实施为步骤B1-B2：

步骤B1：针对各用户信息，获取该用户信息对应的各多媒体信息的访问数据；其中，针对各多媒体信息，该多媒体信息的访问数据用于表征是否包含特定访问路径序列，所述特定访问路径序列指用户信息对应的访问路径序列中，多媒体信息的访问路径的下一路径为该多媒体信息的作者主页；其中，所述训练样本的标签中还包括多媒体信息的访问数据。

在一个实施例中，该多媒体信息的访问数据为用户在浏览该媒体信息后是否访问该媒体信息的作者主页。

在本公开的实施例中，将步骤B1中获取的访问数据加入到步骤S31中的训练样本中，因此，一个训练样本为一个账户的用户信息以及该用户浏览过的一个多媒体信息的描述信息；该训练样本的标签为：该多媒体信息的指定信息以及访问数据。

步骤B2：将所述训练样本输入到待训练的所述神经网络模型中进行训练，得到能够预测所述客户端对各所述多媒体信息的预测浏览信息，并且能够预测各所述多媒体信息的访问数据的神经网络模型。

这样，训练的神经网络模型既可以预测客户端对所述各待推荐媒体信息的预测浏览信息，还可以预测待推荐媒体信息的访问数据，实现了多种应用功能。

此外，通过上述方法，可以使得只训练一个神经网络模块，完成两种功能分类，节省了完成上述两种功能的训练模型的时间和成本。

基于相同的发明构思，本公开还提供一种信息推荐装置。如图4所示，为本公开提供的一种信息推荐装置示意图。该装置包括：

第一获取单元401，被配置为执行在接收到客户端的推荐请求之后，获取与所述客户端对应的至少两个待推荐的多媒体信息；

第二获取单元402，被配置为执行获取各所述多媒体信息的预测浏览信息，其中，所述预测浏览信息为根据各多媒体信息的浏览信息而确定的所述客户端对各所述多媒体信息的信息；

推荐单元403，被配置为执行至少根据所述预测浏览信息，确定所述至少两个待推荐的多媒体信息的信息推荐序列，并将所述信息推荐序列发送至所述客户端。

进一步的，第二确定单元402被配置为执行将所述客户端的用户信息和各所述多媒体信息输入给预先训练好的神经网络模型，得到所述神经网络模型预测的所述客户端对各所述多媒体信息的预测浏览信息；其中，所述神经网络模型是基于各多媒体信息的浏览信息进行训练得到的，其中，每个训练样本包括：用户信息、该用户信息对应的多媒体信息的浏览信息；所述训练样本的标签为指定信息，所述指定信息能够表征多媒体信息的人均浏览次数或所述指定信息与多媒体信息的人均浏览次数正相关。

进一步的，所述训练样本中的多媒体信息的浏览时长大于预设时长。

进一步的，所述指定信息为人均浏览次数，所述装置还包括：

第三获取单元，被配置为执行针对各多媒体信息，根据用户信息确定浏览过该多媒体信息的总用户数量，以及总浏览次数；其中，一个用户信息对应一个账户；

确定单元，被配置为执行确定该多媒体信息的总浏览次数和总用户数量的比值为该多媒体信息的人均浏览次数。

进一步的，所述信息推荐装置还包括：

第四获取单元，被配置为执行针对各用户信息，获取该用户信息对应的各多媒体信息的访问数据；其中，针对各多媒体信息，该多媒体信息的访问数据用于表征是否包含特定访问路径序列，所述特定访问路径序列指用户信息对应的访问路径序列中，多媒体信息的访问路径的下一路径为该多媒体信息的作者主页；其中，所述训练样本的标签中还包括多媒体信息的访问数据；

训练单元，被配置为执行将所述训练样本输入到待训练的所述神经网络模型中进行训练，得到能够预测所述客户端对各所述多媒体信息的预测浏览信息，并且能够预测各所述多媒体信息的访问数据的神经网络模型。

进一步的，推荐单元403被配置为执行根据所述预测浏览信息，以及预设的参考因子，从各所述多媒体信息中选择指定数量的多媒体信息，并推荐给所述客户端；所述预设的参考因子为浏览过各所述多媒体信息的操作信息；其中，所述操作信息包括以下中的至少一种：点赞操作信息、评论操作信息、转发操作信息。

如图5所示，基于同一技术构思，本公开实施例还提供了一种电子设备50，可以包括存储器501和处理器502。

所述存储器501，用于存储处理器502执行的计算机程序。存储器501可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、至少一个功能所需的应用程序等；存储数据区可存储根据信息推荐装置的使用所创建的数据等。处理器502，可以是一个中央处理单元(central processing unit，CPU)，或者为数字处理单元等。本公开实施例中不限定上述存储器501和处理器502之间的具体连接介质。本公开实施例在图5中以存储器501和处理器502之间通过总线503连接，总线503在图5中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。所述总线503可以分为地址总线、数据总线、控制总线等。为便于表示，图5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501可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器501也可以是非易失性存储器(non-volatilememory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)、或者存储器501是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501可以是上述存储器的组合。

处理器502，用于调用所述存储器501中存储的计算机程序时执行如图5中所示的实施例中设备所执行的方法。

在一些可能的实施方式中，本公开提供的方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算机设备上运行时，所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本公开各种示例性实施方式的方法中的步骤，例如，所述计算机设备可以执行如图2～图3中所示的实施例中设备所执行的方法。

所述程序产品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是——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。

需要说明的是，该方案中，涉及的用户设备信息(如，用户设备信息、设备上存储的信息等)、用户个人信息(如用户生物信息、用户姓名、昵称、地理位置等)、与第三方软件交互的信息、以及用户的操作行为信息(如评论、点击、浏览、转发等)等，均是经用户授权而采集并进行后续处理或分析的。

尽管已描述了本公开的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本公开范围的所有变更和修改。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。本公开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 (12)

1.一种信息推荐方法，其特征在于，包括：

在接收到客户端的推荐请求之后，获取与所述客户端对应的至少两个待推荐的多媒体信息；

将所述客户端的用户信息和各所述多媒体信息输入给预先训练好的神经网络模型，得到所述神经网络模型预测的所述客户端对各所述多媒体信息的预测浏览信息；其中，所述神经网络模型是基于各多媒体信息的浏览信息进行训练得到的，其中，每个训练样本包括：用户信息、该用户信息对应的多媒体信息的浏览信息；所述训练样本的标签为指定信息，所述指定信息能够表征多媒体信息的人均浏览次数或所述指定信息与多媒体信息的人均浏览次数正相关，其中，所述预测浏览信息为根据各多媒体信息的浏览信息而确定的所述客户端对各所述多媒体信息的信息；

至少根据所述预测浏览信息，确定所述至少两个待推荐的多媒体信息的信息推荐序列，并将所述信息推荐序列发送至所述客户端。

2.根据权利要求1所述的信息推荐方法，其特征在于，所述训练样本中的多媒体信息的浏览时长大于预设时长。

3.根据权利要求1所述的信息推荐方法，其特征在于，所述指定信息为人均浏览次数，所述人均浏览次数由如下方法确定：

针对各多媒体信息，根据用户信息确定浏览过该多媒体信息的总用户数量，以及总浏览次数；其中，一个用户信息对应一个账户；并，

确定该多媒体信息的总浏览次数和总用户数量的比值为该多媒体信息的人均浏览次数。

4.根据权利要求1所述的信息推荐方法，其特征在于，所述方法还包括：

针对各用户信息，获取该用户信息对应的各多媒体信息的访问数据；其中，针对各多媒体信息，该多媒体信息的访问数据用于表征是否包含特定访问路径序列，所述特定访问路径序列指用户信息对应的访问路径序列中，多媒体信息的访问路径的下一路径为该多媒体信息的作者主页；其中，所述训练样本的标签中还包括多媒体信息的访问数据；

获得预先训练好的所述神经网络模型，包括：

将所述训练样本输入到待训练的所述神经网络模型中进行训练，得到能够预测所述客户端对各所述多媒体信息的预测浏览信息，并且能够预测各所述多媒体信息的访问数据的神经网络模型。

5.根据权利要求1所述的信息推荐方法，其特征在于，所述至少根据所述预测浏览信息，确定所述至少两个待推荐的多媒体信息的信息推荐序列，并将所述信息推荐序列发送至所述客户端，包括：

根据所述预测浏览信息，以及预设的参考因子，从各所述多媒体信息中选择指定数量的多媒体信息，并推荐给所述客户端；所述预设的参考因子为浏览过各所述多媒体信息的操作信息；其中，所述操作信息包括以下中的至少一种：点赞操作信息、评论操作信息、转发操作信息。

6.一种信息推荐装置，其特征在于，包括：

第一获取单元，被配置为执行在接收到客户端的推荐请求之后，获取与所述客户端对应的至少两个待推荐的多媒体信息；

第二获取单元，被配置为执行将所述客户端的用户信息和各所述多媒体信息输入给预先训练好的神经网络模型，得到所述神经网络模型预测的所述客户端对各所述多媒体信息的预测浏览信息；其中，所述神经网络模型是基于各多媒体信息的浏览信息进行训练得到的，其中，每个训练样本包括：用户信息、该用户信息对应的多媒体信息的浏览信息；所述训练样本的标签为指定信息，所述指定信息能够表征多媒体信息的人均浏览次数或所述指定信息与多媒体信息的人均浏览次数正相关，其中，所述预测浏览信息为根据各多媒体信息的浏览信息而确定的所述客户端对各所述多媒体信息的信息；

推荐单元，被配置为执行至少根据所述预测浏览信息，确定所述至少两个待推荐的多媒体信息的信息推荐序列，并将所述信息推荐序列发送至所述客户端。

7.根据权利要求6所述的信息推荐装置，其特征在于，所述训练样本中的多媒体信息的浏览时长大于预设时长。

8.根据权利要求6所述的信息推荐装置，其特征在于，所述指定信息为人均浏览次数，所述装置还包括：

第三获取单元，被配置为执行针对各多媒体信息，根据用户信息确定浏览过该多媒体信息的总用户数量，以及总浏览次数；其中，一个用户信息对应一个账户；并，

确定单元，被配置为执行确定该多媒体信息的总浏览次数和总用户数量的比值为该多媒体信息的人均浏览次数。

9.根据权利要求6所述的信息推荐装置，其特征在于，所述信息推荐装置还包括：

第四获取单元，被配置为执行针对各用户信息，获取该用户信息对应的各多媒体信息的访问数据；其中，针对各多媒体信息，该多媒体信息的访问数据用于表征是否包含特定访问路径序列，所述特定访问路径序列指用户信息对应的访问路径序列中，多媒体信息的访问路径的下一路径为该多媒体信息的作者主页；其中，所述训练样本的标签中还包括多媒体信息的访问数据；

训练单元，被配置为执行将所述训练样本输入到待训练的所述神经网络模型中进行训练，得到能够预测所述客户端对各所述多媒体信息的预测浏览信息，并且能够预测各所述多媒体信息的访问数据的神经网络模型。

10.根据权利要求6所述的信息推荐装置，其特征在于，推荐单元被配置为执行根据所述预测浏览信息，以及预设的参考因子，从各所述多媒体信息中选择指定数量的多媒体信息，并推荐给所述客户端；所述预设的参考因子为浏览过各所述多媒体信息的操作信息；其中，所述操作信息包括以下中的至少一种：点赞操作信息、评论操作信息、转发操作信息。

11.一种电子设备，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5中任一项所述的信息推荐方法。

12.一种存储介质，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，使得电子设备能够执行如权利要求1至5中任一项所述的信息推荐方法。