CN112307344B - 对象推荐模型、对象推荐方法、装置及电子设备 - Google Patents

Abstract

本发明实施例涉及一种对象推荐模型、对象推荐方法、装置及电子设备，该方法包括：为目标用户确定多个候选推荐对象，以及获取目标用户的静态数据和动态数据；得到多个候选推荐对象的对象特征向量，以及得到目标用户的静态特征向量和动态特征向量；基于注意力机制对动态特征向量和各候选推荐对象的对象特征向量进行计算，得到目标用户对应于各候选推荐对象的兴趣向量；基于各候选推荐对象的对象特征向量、目标用户的静态特征向量和对应于各候选推荐对象的兴趣向量确定各候选推荐对象对应于目标用户的匹配度；基于各候选推荐对象对应于所述目标用户的匹配度向目标用户进行对象推荐。由此，可以提高推荐结果的精准性，提升用户体验。

Description

对象推荐模型、对象推荐方法、装置及电子设备

技术领域

本发明实施例涉及数据处理技术领域，尤其涉及一种对象推荐模型、对象推荐方法、装置及电子设备。

背景技术

对象推荐是指通过分析对象的特征和用户的画像属性、爱好、历史浏览行为之间的相关性，确定对象与用户的匹配度，将匹配度较高的对象，也即与用户相关程度较高的对象推荐给用户。对象推荐被广泛应用于移动互联网领域中的内容分发场景下。

目前，基于注意力机制能够针对具体的对象为用户的不同历史浏览行为特征设置兴趣权重，进而得到用户对应于该对象的用户行为特征向量，通过用户行为特征向量和该对象的特征向量确定该对象与用户的匹配度。也就是说，目前可基于注意力机制，根据用户的历史浏览行为确定对象与用户的匹配度。

然而，用户的兴趣点是很容易发生变化的，即使用户在一段时间内连续多次点击过同一对象，但随着用户所处环境、用户心理状态等因素的改变，用户的兴趣点也很可能发生变化，这就导致仅根据用户的历史浏览行为确定对象与用户的匹配度是不准确的，进而将影响推荐结果的精准性，影响用户体验。

发明内容

鉴于此，本发明实施例提供一种对象推荐模型、对象推荐方法、装置及电子设备，以解决目前仅根据用户的历史浏览行为确定对象与用户的匹配度并不准确，影响推荐结果的精准性，影响用户体验的问题。

第一方面，本发明实施例提供一种对象推荐方法，包括：

为目标用户确定多个候选推荐对象，以及获取所述目标用户的静态数据和动态数据；

对多个所述候选推荐对象的对象数据进行特征提取，得到多个所述候选推荐对象的对象特征向量，以及对所述目标用户的静态数据和动态数据分别进行特征提取，得到所述目标用户的静态特征向量和动态特征向量；

基于注意力机制对所述动态特征向量和各所述候选推荐对象的对象特征向量进行计算，得到所述目标用户对应于各所述候选推荐对象的兴趣向量；

基于各所述候选推荐对象的对象特征向量、所述目标用户的静态特征向量和对应于各所述候选推荐对象的兴趣向量确定各所述候选推荐对象对应于所述目标用户的匹配度；

基于各所述候选推荐对象对应于所述目标用户的匹配度向所述目标用户进行对象推荐。

在一个可能的实施方式中，获取所述目标用户的动态数据，包括：

从第一数据库获取所述目标用户在指定历史时段内的第一动态数据；以及从第二数据库获取所述目标用户在所述指定历史时段内的第二动态数据；所述第一动态数据包括所述目标用户在所述指定历史时段内所浏览对象的对象数据；所述第二动态数据包括所述目标用户在所述指定历史时段内的多个历史时刻下的行为数据。

在一个可能的实施方式中，对所述目标用户的动态数据进行特征提取，得到所述目标用户的动态特征向量，包括：

对所述第一动态数据中的每一对象数据进行特征提取，将提取到的对象特征向量作为所述目标用户的第一动态特征向量；以及，

对所述第二动态数据中的每一行为数据进行特征提取，将提取到的行为特征向量作为所述目标用户的第二动态特征向量；

所述基于注意力机制对所述动态特征向量和各所述候选推荐对象的对象特征向量进行计算，得到所述目标用户对应于各所述候选推荐对象的兴趣向量，包括：

针对每一所述候选推荐对象，基于注意力机制确定各所述第一动态特征向量对应于所述候选推荐对象的第一兴趣权重，并基于所述第一兴趣权重对各所述第一动态特征向量进行加权求和，得到所述目标用户对应于所述候选推荐对象的第一兴趣向量；以及，

针对每一所述候选推荐对象，基于注意力机制确定各所述第二动态特征向量对应于所述候选推荐对象的第二兴趣权重，并基于所述第二兴趣权重对各所述第二动态特征向量进行加权求和，得到所述目标用户对应于所述候选推荐对象的第二兴趣向量。

在一个可能的实施方式中，所述基于各所述候选推荐对象的对象特征向量、所述目标用户的静态特征向量和对应于各所述候选推荐对象的兴趣向量确定各所述候选推荐对象对应于所述目标用户的匹配度，包括：

针对每一所述候选推荐对象，对所述目标用户的静态特征向量和对应于所述候选推荐对象的兴趣向量进行拼接，得到所述目标用户对应于所述候选推荐对象的用户特征向量；

基于所述用户特征向量和所述候选推荐对象的对象特征向量确定所述候选推荐对象对应于所述目标用户的匹配度。

在一个可能的实施方式中，所述为目标用户确定多个候选推荐对象，包括：

基于预设的推荐召回策略从预设的对象集中确定多个初始候选推荐对象；

按照热度从高到低的顺序对多个所述初始候选推荐对象进行排序；

对排序结果中排在后N位的初始候选推荐对象进行采样，将采样得到的初始候选推荐对象和所述排序结果中排在前M位的初始候选推荐对象确定为候选推荐对象；所述N和M为大于0的自然数。

第二方面，本发明实施例提供一种对象推荐模型，包括：

输入层，对输入的多个候选推荐对象的对象数据、目标用户的静态数据和动态数据分别进行特征提取，得到多个所述候选推荐对象的对象特征向量、所述目标用户的静态特征向量和动态特征向量，并将多个所述候选推荐对象的对象特征向量和所述动态特征向量输出给注意力组合层，将所述静态特征向量和多个所述对象特征向量输出给全连接层；

所述注意力组合层，基于注意力机制对输入的所述动态特征向量和各所述候选推荐对象的对象特征向量进行计算，得到所述目标用户对应于各所述候选推荐对象的兴趣向量，并将所述兴趣向量输出给所述全连接层；

所述全连接层，基于各所述候选推荐对象的对象特征向量、所述目标用户的静态特征向量和对应于各所述候选推荐对象的兴趣向量确定所述目标用户对应于各所述候选推荐对象的匹配度。

在一个可能的实施方式中，所述注意力组合层采用GELU激活函数。

第三方面，本发明实施例提供一种对象推荐装置，包括：

第一确定单元，用于为目标用户确定多个候选推荐对象；

数据获取单元，用于获取所述目标用户的静态数据和动态数据；

特征提取单元，用于对多个所述候选推荐对象的对象数据进行特征提取，得到多个所述候选推荐对象的对象特征向量，以及对所述目标用户的静态数据和动态数据分别进行特征提取，得到所述目标用户的静态特征向量和动态特征向量；

注意力组合单元，用于基于注意力机制对所述动态特征向量和各所述候选推荐对象的对象特征向量进行计算，得到所述目标用户对应于各所述候选推荐对象的兴趣向量；

第二确定单元，用于基于各所述候选推荐对象的对象特征向量、所述目标用户的静态特征向量和对应于各所述候选推荐对象的兴趣向量确定各所述候选推荐对象对应于所述目标用户的匹配度；

对象推荐单元，用于基于各所述候选推荐对象对应于所述目标用户的匹配度向所述目标用户进行对象推荐。

在一个可能的实施方式中，所述数据获取单元包括：

第一获取子单元，用于从第一数据库获取所述目标用户在指定历史时段内的第一动态数据；所述第一动态数据包括所述目标用户在所述指定历史时段内所浏览对象的对象数据；

第二获取子单元，用于从第二数据库获取所述目标用户在所述指定历史时段内的第二动态数据；所述第二动态数据包括所述目标用户在所述指定历史时段内的多个历史时刻下的行为数据。

在一个可能的实施方式中，所述特征提取单元包括：

第一提取子单元，用于对所述第一动态数据中的每一对象数据进行特征提取，将提取到的对象特征向量作为所述目标用户的第一动态特征向量；

第二提取子单元，用于对所述第二动态数据中的每一行为数据进行特征提取，将提取到的行为特征向量作为所述目标用户的第二动态特征向量。

所述特征计算单元包括：

第一权重确定子单元，用于针对每一所述候选推荐对象，基于注意力机制确定各所述第一动态特征向量对应于所述候选推荐对象的第一兴趣权重；

第一加权求和子单元，用于基于所述第一兴趣权重对各所述第一动态特征向量进行加权求和，得到所述目标用户对应于所述候选推荐对象的第一兴趣向量；

第二权重确定子单元，针对每一所述候选推荐对象，基于注意力机制确定各所述第二动态特征向量对应于所述候选推荐对象的第二兴趣权重；

第二加权求和子单元，用于基于所述第二兴趣权重对各所述第二动态特征向量进行加权求和，得到所述目标用户对应于所述候选推荐对象的第二兴趣向量。

在一个可能的实施方式中，所述第二确定单元包括：

向量拼接子单元，用于针对每一所述候选推荐对象，对所述目标用户的静态特征向量和对应于所述候选推荐对象的兴趣向量进行拼接，得到所述目标用户对应于所述候选推荐对象的用户特征向量；

分值确定子单元，用于基于所述用户特征向量和所述候选推荐对象的对象特征向量确定各所述候选推荐对象对应于所述目标用户的匹配度。

在一个可能的实施方式中，所述第一确定单元包括：

召回子单元，用于基于预设的推荐召回策略从预设的对象集中确定多个初始候选推荐对象；

排序子单元，用于按照热度从高到低的顺序对多个所述初始候选推荐对象进行排序；

采样子单元，用于对排序结果中排在后N位的初始候选推荐对象进行采样；

对象确定子单元，用于将采样得到的初始候选推荐对象和所述排序结果中排在前M位的初始候选推荐对象确定为候选推荐对象；所述N和M为大于0的自然数。

第四方面，本发明实施例提供一种电子设备，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的对象推荐程序，以实现第一方面中任一项所述的对象推荐方法。

第五方面，本发明实施例提供一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现第一方面中任一项所述的对象推荐方法。

本发明实施例提供的技术方案，通过基于注意力机制对目标用户的动态特征向量和各候选推荐对象的对象特征向量进行计算，得到目标用户对应于各候选推荐对象的兴趣向量，可以实现针对不同的候选推荐对象，有区别、有针对性地分析出目标用户的动态特征对于用户点击候选推荐对象行为的影响；进一步，基于各候选推荐对象的对象特征向量、目标用户对应于各候选推荐对象的兴趣向量，则可以较为准确地确定各候选推荐对象对应于目标用户的匹配度，进而能够提高推荐结果的精准性；同时，由于目标用户的动态特征具有时效性，因此基于目标用户的动态特征为目标用户进行对象推荐的推荐结果也具有时效性；

通过获取目标用户的静态数据和动态数据，对目标用户的静态数据和动态数据分别进行特征提取，得到目标用户的静态特征向量和动态特征向量，可以实现将目标用户的静态特征和动态特征分离，进一步，基于已分离的静态特征向量和动态特征向量确定各候选推荐对象对应于目标用户的匹配度则能够降低静态特征向量对匹配度确定结果的噪声影响，提高确定出的匹配度的准确性，进而提高推荐结果的精准性，提升用户体验。

附图说明

图1为本发明一示例性实施例提供的系统架构示意图；

图2为本发明一示例性实施例提供的对象推荐方法的实施例流程图；

图3为为目标用户确定多个候选推荐对象的实施例流程图；

图4为本发明一示例性实施例提供的对象推荐模型的结构示意图；

图5为本发明一示例性实施例提供的对象推荐装置的实施例框图；

图6为本发明实施例提供的一种的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。

为便于对本发明实施例的理解，首先结合附图对本发明涉及的系统架构进行示例性说明。

参见图1，为本发明一示例性实施例提供的系统架构示意图。如图1所示，该系统架构可包括用户设备11、服务器12，以及网络13。网络13用于在用户设备11和服务器12之间提供通信链路，可以包括无线链路、有线链路或者光纤电缆等，本发明对此不做限制。

用户设备11可以是支持具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机等，图1中仅以用户设备11为智能手机为例。服务器12可以是单台设备，也可以是设备集群，图1中仅以服务器12为单台设备为例。

在实践中，用户设备11可以通过安装相应的客户端应用来提供相应的网络服务，比如用户设备11可以通过安装某购物应用来提供网络购物服务，再比如用户设备11可以通过安装某视频应用来提供视频观看服务。服务器12则通过安装与客户端应用相应的服务端应用来提供网络服务。

可以理解的是，图1中网络和设备的数目仅是示意。根据实际需要，图1所示系统架构中可以包括任意数目的网络和设备，本发明对此不做限制。

至此，完成图1所示系统架构的描述。

基于图1所示例的系统架构，在一示例性应用场景中，用户通过用户设备11上安装的购物应用进行网络购物时，服务器12可应用本发明提供的对象推荐方法向该用户进行商品推荐。

在另一示例性应用场景下，用户通过用户设备11上安装的视频应用进行视频观看时，服务器12可应用本发明提供的对象推荐方法向该用户进行视频推荐。

需要说明的是，上述描述的应用场景仅仅是本发明提供的对象推荐方法所应用场景的示例性说明，在实际应用中，本发明提供的对象推荐方法可应用于多种对象推荐场景下，比如歌曲推荐场景、外卖菜项推荐场景等，本发明对此不做限制。

下面将结合附图以具体实施例对本发明提供的对象推荐方法做进一步的解释说明，实施例并不构成对本发明实施例的限定。

参见图2，为本发明一示例性实施例提供的对象推荐方法的实施例流程图，该方法可应用于电子设备。在一个例子中，这里的电子设备可以为服务器，比如图1中所示例的服务器12。如图2所示，该方法包括以下步骤：

步骤202、为目标用户确定多个候选推荐对象，以及获取目标用户的静态数据和动态数据。

上述对象包括但不限于：商品、视频、歌曲、菜项等。

上述目标用户则是指需向其进行对象推荐的用户，比如客户端应用上当前登录的用户。

在应用中，通常在向目标用户进行对象推荐时，执行图2所示流程。比如当用户设备11上的客户端应用(比如购物应用、视频应用等)启动时，用户设备11可向服务器12发送用于指示客户端应用已启动的指示消息，服务器12接收到该指示消息，则可确定向客户端应用上当前登录的用户(即目标用户)进行对象推荐，进而执行图2所示流程。

通过步骤202可以看出，服务器在向目标用户进行对象推荐时，并非将所有对象都推荐给目标用户，而是有选择性的选择一些对象作为候选推荐对象，后续基于候选推荐对象向目标用户进行对象推荐。

作为一个实施例，服务器可基于预设的推荐召回策略，从所有对象中，也即预设的对象集中选择一些对象作为候选推荐对象。上述推荐召回策略包括但不限于：基于内容匹配的召回、基于协同过滤的召回等。

作为另一个实施例，在上述实施例的基础上，服务器将基于预设的推荐召回策略从对象集中确定的多个候选推荐对象作为初始候选推荐对象，之后服务器按照热度从高到低的顺序对多个初始候选推荐对象进行排序，将排序结果中排在前M(M为大于0的自然数)位，比如前10位的初始候选推荐对象确定为最终的候选推荐对象。如此处理能够实现将当前比较受公众欢迎的、当下流行的对象推荐给目标用户。

作为又一个实施例，在上述实施例的基础上，除了将排序结果中排在前N位的初始候选推荐对象确定为最终的候选推荐对象之外，服务器还可以从排序结果中排在后N(N为大于0的自然数)位，比如后20位的初始候选推荐对象中选择一些初始候选推荐对象也确定为最终的候选推荐对象。由此可见，在该实施例中，通过图3所示流程实现为目标用户确定多个候选推荐对象，如图3所示，该流程包括以下步骤：

步骤302、基于预设的推荐召回策略从对象数据库中确定多个初始候选推荐对象。

步骤304、按照热度从高到低的顺序对多个初始候选推荐对象进行排序。

步骤306、对排序结果中排在后N位的初始候选推荐对象进行采样，将采样得到的初始候选推荐对象和排序结果中排在前M位的初始候选推荐对象确定为候选推荐对象。

通过图3所示实施例，可以实现在优先向目标用户推荐比较受公众欢迎的对象的同时，有效保留个性化推荐服务。

在应用中，在向目标用户推荐候选推荐对象(可包括全部或部分的候选推荐对象)时，并非盲目地将候选推荐对象展示给目标用户，而是按照候选推荐对象对应于目标用户的匹配度从高到低的顺序将候选推荐对象展示给目标用户，这能够使得目标用户最先注意到与其匹配度最高的候选推荐对象，提升用户体验。其中，候选推荐对象对应于目标用户的匹配度可影响目标用户对候选推荐对象的点击率，具体而言，候选推荐对象对应于目标用户的匹配度越高，意味着目标用户对该候选推荐对象的点击率很可能越高。基于此，本步骤202中，还获取目标用户的静态数据和动态数据，以实现后续基于目标用户的静态数据和动态数据确定候选推荐对象对应于目标用户的匹配度。

上述静态数据是指稳定或比较稳定，不会变化或者较长时间内不易变化的数据，比如用户的性别、年龄等数据。动态数据则是指不稳定，容易变化的数据，通常包括用户的行为数据，比如用户浏览行为数据、用户所在地理位置信息、用户的消费信息、用户的心理状态等。

正是由于动态数据易发生变化，具有时效性，因此，不同时间段内产生的动态数据与目标用户在当前时刻下兴趣点的相关度是不同的。基于此，为了提高推荐的时效性，作为一个实施例，在本步骤402中，可获取目标用户在最近一段历史时段(以下称指定历史时段)内的动态数据。上述指定历史时段以当前时刻为终止时间点，时长为预设时长，比如3天。

进一步，上述动态数据中，用户浏览行为数据通常由用户浏览的对象来表征，即用户浏览行为数据包括用户在指定历史时段内所浏览对象的对象数据。由此可见，用户浏览行为数据能够直接反映出用户的兴趣点，是用户是否会点击候选推荐对象的决定性因素，也即，用户浏览行为数据是确定候选推荐对象与用户之间匹配度的决定性因素。而其他动态数据(即动态数据中除用户浏览行为数据以外的动态数据)则能够影响用户兴趣点，是用户是否会点击候选推荐对象的相关性因素，也即，其他动态数据是确定候选推荐对象与用户之间匹配度的相关性因素，比如，用户在常住城市A时，对家居用品感兴趣，而用户在旅游城市B时，不再关注家居用品，转为关注特色食品。

由此可见，用户浏览行为数据和其他动态数据对于确定候选推荐对象对应于目标用户的匹配度的作用是不同的。基于此，作为一个实施例，进一步对动态数据进行细分，将动态数据细分为用户浏览行为数据(为描述方便，以下称第一动态数据，即第一动态数据包括目标用户在指定历史时段内所浏览对象的对象数据)和其他动态数据(为描述方便，以下称第二动态数据，即第二动态数据包括目标用户在指定历史时段内的多个历史时刻下的行为数据)。

在实践中，可以目标用户的用户标识(比如用户ID、用户名)为关键字，从相应的数据库中获取目标用户的静态数据，以及目标用户在指定时间段内的第一动态数据和第二动态数据。作为一个实施例，本步骤402中获取目标用户的动态数据包括：从第一数据库获取目标用户在指定历史时段内的第一动态数据；以及从第二数据库获取目标用户在指定历史时段内的第二动态数据。上述第一数据库和第二数据库可以为同一数据库，也可以为互相独立的两个数据库，类似的，用于存储静态数据的数据库和上述第一数据库(或第二数据库)可以为同一数据库，也可以为互相独立的两个数据库，本发明对此不做限制。

步骤204、对多个候选推荐对象的对象数据进行特征提取，得到多个候选推荐对象的对象特征向量，以及对目标用户的静态数据和动态数据分别进行特征提取，得到目标用户的静态特征向量和动态特征向量。

首先说明，在本发明实施例中，为描述方便，将对候选推荐对象的对象数据进行特征提取得到的特征向量称为对象特征向量，将对目标用户的静态数据进行特征提取得到的特征向量称为静态特征向量，将对目标用户的动态数据进行特征提取得到的特征向量称为动态特征向量。

作为一个实施例，可对原始数据(即上述的对象数据、静态数据、动态数据)进行Embedding处理，以将原始数据映射到向量空间，得到对应的特征向量(即上述的对象特征向量、静态特征向量、动态特征向量)。

由上述描述可知，动态数据包括第一动态数据和第二动态数据，基于此，在本步骤204中，对目标用户的动态数据进行特征提取，得到目标用户的动态特征向量则包括：对第一动态数据中的每一对象数据进行特征提取，将提取到的对象特征向量作为目标用户的第一动态特征向量；对第二动态数据中的每一行为数据进行特征提取，将提取到的行为特征向量作为目标用户的第二动态特征向量。

其中，在进行特征提取时，对于ID等类别型特征，比如商品名、用户名等，可以使用Hash编码的方式。Hash编码能够通过Hash函数将一个字符串形式的id映射到0-N范围区间，这样的优点是在编码的时候无须知道该类别下所有可能值，且在N值设定合适的情况下，网络训练对Hash冲突不敏感；对于较少类别情况下的特征，比如性别，可以采用LabelEncoder或者Onehot、multi-onehot方法；而对于数值型特征，比如年龄，可采用分桶处理。

步骤206、基于注意力机制对动态特征向量和各候选推荐对象的对象特征向量进行计算，得到目标用户对应于各候选推荐对象的兴趣向量。

通俗来说，注意力机制是指将注意力集中放在重要的因素上，而忽略其他不重要的因素。举例来说，用户在购物应用上点击了一个新款箱包的广告，这则意味着该用户当前对箱包比较感兴趣。反观该用户在最近一段时间内的用户浏览行为数据，假设该用户浏览行为数据中包括皮革手袋、新款托特包、母婴用品、居家用品等多个对象的对象数据，可以理解的是，相较于母婴用品、居家用品等对象，皮革手袋、新款托特包是对该用户点击新款箱包广告这一行为更具决定性的因素。由此可见，在基于用户浏览行为数据确定某一候选推荐对象对应于用户的匹配度时，不能对该用户浏览行为数据中的每一对象数据都一视同仁，而是要考虑候选推荐对象和用户浏览行为数据的结合。

基于此，在本步骤206中，基于注意力机制对动态特征向量和各候选推荐对象的对象特征向量进行计算，得到目标用户对应于各候选推荐对象的兴趣向量包括：针对每一候选推荐对象，基于注意力机制确定步骤204提取出的各第一动态特征向量对应于该候选推荐对象的兴趣权重(为描述方便，以下称第一兴趣权重)，该第一兴趣权重能够反映出第一动态特征向量对应的用户浏览行为对目标用户点击该候选推荐对象行为，即目标用户对该候选推荐对象的匹配度的影响程度，之后则基于第一兴趣权重对各第一动态特征向量进行加权求和，得到一个能够从整体上反映出目标用户的历史浏览行为对用户点击该候选推荐对象行为的影响程度的兴趣向量(为描述方便，以下称第一兴趣向量)。

同样的，针对每一候选推荐对象，基于注意力机制确定步骤204提取出的各第二动态特征向量对应于该候选推荐对象的兴趣权重(为描述方便，以下称第二兴趣权重)，该第二兴趣权重能够反映出第二动态特征向量对应的用户行为对目标用户点击该候选推荐对象行为，即目标用户对该候选推荐对象的匹配度的影响程度，之后则基于第二兴趣权重对各第二动态特征向量进行加权求和，得到一个能够从整体上反映出目标用户的历史行为对用户点击该候选推荐对象行为的影响程度的兴趣向量(为描述方便，以下称第二兴趣向量)。

需要说明的是，上述各第一动态特征向量是指目标用户对应的每一第一动态特征向量，同样的，上述各第二动态特征向量是指目标用户对应的每一第二动态特征向量。

作为一个实施例，可通过DIN(Deep Interest Network)机制实现基于注意力机制对第一动态特征向量(或第二动态特征向量)和各候选推荐对象的对象特征向量进行计算，得到目标用户对应于各候选推荐对象的第一兴趣向量(或第二兴趣向量)。

其中，DIN机制是指在保证用户行为多样性的同时，对于不同的候选推荐对象，局部激活用户兴趣的特征，即为用户行为中的每个动态特征与候选推荐对象计算出一个激活权重(即上述兴趣权重)，之后，每个动态特征乘以权重后再进行求和即可得到上述的兴趣向量。

步骤208、基于各候选推荐对象的对象特征向量、目标用户的静态特征向量和对应于各候选推荐对象的兴趣向量确定各候选推荐对象对应于目标用户的匹配度。

在本发明实施例中，针对每一候选推荐对象，对目标用户的静态特征向量和对应于该候选推荐对象的第一兴趣向量、第二兴趣向量进行拼接，得到目标用户对应于候选推荐对象的用户特征向量，如下述公式(一)所示：

上述公式(一)中，V_u表示用户特征向量，V_s表示静态特征向量，V_i表示对象特征向量，V_iu表示上述第一动态特征向量，V_d表示第二动态特征向量。上述公式(一)中的第二项则表示上述第二兴趣向量，第三项则表示上述第一兴趣向量。

之后，则基于用户特征向量和候选推荐对象的对象特征向量确定候选推荐对象对应于目标用户的匹配度。

由此可见，在本发明实施例中，在确定候选推荐对象对应于目标用户的匹配度时，将目标用户的静态特征和动态特征相分离，这能够降低静态特征对于匹配度预测结果的噪声影响。

步骤210、基于各候选推荐对象对应于目标用户的匹配度向目标用户进行对象推荐。

作为一个实施例，可将步骤202确定出的所有候选推荐对象推荐给目标用户。在该实施例中，则可以按照对应的匹配度从高到低的顺序对各候选推荐对象进行排序，按照排序结果向目标用户推荐各候选推荐对象。

作为另一个实施例，可将步骤202确定出的所有候选推荐对象中的部分候选推荐对象推荐给目标用户。在该实施例中，则可以按照匹配度从高到低的顺序对各候选推荐对象进行排序，然后选择排序结果中，排在前S(S为大于0的自然数)位，比如前10位的候选推荐对象，最后，则按照排序结果向目标用户推荐所选择的候选推荐对象。

本发明实施例提供的技术方案，通过基于注意力机制对目标用户的动态特征向量和各候选推荐对象的对象特征向量进行计算，得到目标用户对应于各候选推荐对象的兴趣向量，可以实现针对不同的候选推荐对象，有区别、有针对性地分析出目标用户的动态特征对于用户点击候选推荐对象行为的影响；进一步，基于各候选推荐对象的对象特征向量、目标用户对应于各候选推荐对象的兴趣向量，则可以较为准确地确定各候选推荐对象对应于目标用户的匹配度，进而能够提高推荐结果的精准性；同时，由于目标用户的动态特征具有时效性，因此基于目标用户的动态特征为目标用户进行对象推荐的推荐结果也具有时效性；

通过获取目标用户的静态数据和动态数据，对目标用户的静态数据和动态数据分别进行特征提取，得到目标用户的静态特征向量和动态特征向量，可以实现将目标用户的静态特征和动态特征分离，进一步，基于已分离的静态特征向量和动态特征向量确定各候选推荐对象对应于目标用户的匹配度则能够降低静态特征向量对匹配度预测结果的噪声影响，提高确定出的候选推荐对象对应于目标用户的匹配度的准确性，进而提高推荐结果的精准性，提升用户体验。

至此，完成图2所示流程的描述。

在图2所示例的对象推荐方法的基础上，本发明还提供一种对象推荐模型。

参见图4，为本发明一示例性实施例提供的对象推荐模型的结构示意图。如图4所示，对象推荐模型400包括输入层401、注意力组合层402、全连接层403。

其中，输入层401，对输入的多个候选推荐对象的对象数据、目标用户的静态数据和动态数据分别进行特征提取，得到多个候选推荐对象的对象特征向量、目标用户的静态特征向量和动态特征向量，并将多个候选推荐对象的对象特征向量和动态特征向量输出给注意力组合层，将静态特征向量和多个对象特征向量输出给全连接层。

注意力组合层402，基于注意力机制对输入的,动态特征向量和各候选推荐对象的对象特征向量进行计算，得到目标用户对应于各候选推荐对象的兴趣向量，并将兴趣向量输出给全连接层。

全连接层403，基于各候选推荐对象的对象特征向量、目标用户的静态特征向量和对应于各候选推荐对象的兴趣向量确定各候选推荐对象对应于目标用户的匹配度。

作为一个实施例，注意力组合层402的工作原理基于DIN方法实现。

目前，在DIN方法中，采用Dice激活函数，应用Dice激活函数能够根据输入输入的分布自适应调整整流点，但同时也增加了训练时的复杂度。基于此，本发明实施例提出，为了降低训练的复杂度，同时保证训练精度，在注意力组合层采用GELU激活函数。可以理解的是，GELU激活函数在值为0的梯度处是光滑连续的，这能够在保证模型精度的同时，降低计算量。

至于图4所示对象推荐模型400的工作原理，可参见图2所示流程的相关描述，在此不再赘述。

与前述对象推荐方法的实施例相对应，本发明还提供对象推荐装置的实施例。

参见图5，为本发明一示例性实施例提供的对象推荐装置的实施例框图，该装置可应用于电子设备。在一个例子中，这里的电子设备可以为服务器，比如图1中所示例的服务器12。如图5所示，该装置包括：第一确定单元51、数据获取单元52、特征提取单元53、注意力组合单元54、第二确定单元55，以及对象推荐单元56。

其中，第一确定单元51，用于为目标用户确定多个候选推荐对象；

数据获取单元52，用于获取所述目标用户的静态数据和动态数据；

特征提取单元53，用于对多个所述候选推荐对象的对象数据进行特征提取，得到多个所述候选推荐对象的对象特征向量，以及对所述目标用户的静态数据和动态数据分别进行特征提取，得到所述目标用户的静态特征向量和动态特征向量；

注意力组合单元54，用于基于注意力机制对所述动态特征向量和各所述候选推荐对象的对象特征向量进行计算，得到所述目标用户对应于各所述候选推荐对象的兴趣向量；

第二确定单元55，用于基于各所述候选推荐对象的对象特征向量、所述目标用户的静态特征向量和对应于各所述候选推荐对象的兴趣向量确定各所述候选推荐对象对应于所述目标用户的匹配度；

对象推荐单元56，用于基于各所述候选推荐对象对应于所述目标用户的匹配度向所述目标用户进行对象推荐。

在一个可能的实施方式中，所述数据获取单元包括(图5中未示出)：

第一获取子单元，用于从第一数据库获取所述目标用户在指定历史时段内的第一动态数据；所述第一动态数据包括所述目标用户在所述指定历史时段内所浏览对象的对象数据；

第二获取子单元，用于从第二数据库获取所述目标用户在所述指定历史时段内的第二动态数据；所述第二动态数据包括所述目标用户在所述指定历史时段内的多个历史时刻下的行为数据。

在一个可能的实施方式中，所述特征提取单元包括(图5中未示出)：

第一提取子单元，用于对所述第一动态数据中的每一对象数据进行特征提取，将提取到的对象特征向量作为所述目标用户的第一动态特征向量；

第二提取子单元，用于对所述第二动态数据中的每一行为数据进行特征提取，将提取到的行为特征向量作为所述目标用户的第二动态特征向量。

所述特征计算单元包括(图5中未示出)：

第一权重确定子单元，用于针对每一所述候选推荐对象，基于注意力机制确定各所述第一动态特征向量对应于所述候选推荐对象的第一兴趣权重；

第一加权求和子单元，用于基于所述第一兴趣权重对各所述第一动态特征向量进行加权求和，得到所述目标用户对应于所述候选推荐对象的第一兴趣向量；

第二权重确定子单元，针对每一所述候选推荐对象，基于注意力机制确定各所述第二动态特征向量对应于所述候选推荐对象的第二兴趣权重；

第二加权求和子单元，用于基于所述第二兴趣权重对各所述第二动态特征向量进行加权求和，得到所述目标用户对应于所述候选推荐对象的第二兴趣向量。

在一个可能的实施方式中，所述第二确定单元包括(图5中未示出)：

向量拼接子单元，用于针对每一所述候选推荐对象，对所述目标用户的静态特征向量和对应于所述候选推荐对象的兴趣向量进行拼接，得到所述目标用户对应于所述候选推荐对象的用户特征向量；

分值确定子单元，用于基于所述用户特征向量和所述候选推荐对象的对象特征向量确定所述候选推荐对象对应于所述目标用户的匹配度。

在一个可能的实施方式中，所述第一确定单元包括(图5中未示出)：

召回子单元，用于基于预设的推荐召回策略从预设的对象集中确定多个初始候选推荐对象；

排序子单元，用于按照热度从高到低的顺序对多个所述初始候选推荐对象进行排序；

采样子单元，用于对排序结果中排在后N位的初始候选推荐对象进行采样；

对象确定子单元，用于将采样得到的初始候选推荐对象和所述排序结果中排在前M位的初始候选推荐对象确定为候选推荐对象；所述N和M为大于0的自然数。

图6为本发明实施例提供的一种的电子设备的结构示意图，图6所示的电子设备600包括：至少一个处理器601、存储器602、至少一个网络接口604和其他用户接口603。电子设备600中的各个组件通过总线系统605耦合在一起。可理解，总线系统605用于实现这些组件之间的连接通信。总线系统605除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图6中将各种总线都标为总线系统605。

其中，用户接口603可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。

可以理解，本发明实施例中的存储器602可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(ProgrammableROM，PROM)、可擦除可编程只读存储器(ErasablePROM，EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(RandomAccessMemory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(StaticRAM，SRAM)、动态随机存取存储器(DynamicRAM，DRAM)、同步动态随机存取存储器(SynchronousDRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleDataRateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，ESDRAM)、同步连接动态随机存取存储器(SynchlinkDRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambusRAM，DRRAM)。本文描述的存储器602旨在包括但不限于这些和任意其它适合类型的存储器。

在一些实施方式中，存储器602存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统6021和应用程序6022。

其中，操作系统6021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序6022，包含各种应用程序，例如媒体播放器(MediaPlayer)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序6022中。

在本发明实施例中，通过调用存储器602存储的程序或指令，具体的，可以是应用程序6022中存储的程序或指令，处理器601用于执行各方法实施例所提供的方法步骤，例如包括：

为目标用户确定多个候选推荐对象，以及获取所述目标用户的静态数据和动态数据；

对多个所述候选推荐对象的对象数据进行特征提取，得到多个所述候选推荐对象的对象特征向量，以及对所述目标用户的静态数据和动态数据分别进行特征提取，得到所述目标用户的静态特征向量和动态特征向量；

基于注意力机制对所述动态特征向量和各所述候选推荐对象的对象特征向量进行计算，得到所述目标用户对应于各所述候选推荐对象的兴趣向量；

基于各所述候选推荐对象的对象特征向量、所述目标用户的静态特征向量和对应于各所述候选推荐对象的兴趣向量确定各所述候选推荐对象对应于所述目标用户的匹配度；

基于各所述候选推荐对象对应于所述目标用户的匹配度向所述目标用户进行对象推荐。

上述本发明实施例揭示的方法可以应用于处理器601中，或者由处理器601实现。处理器601可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(FieldProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602，处理器601读取存储器602中的信息，结合其硬件完成上述方法的步骤。

可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecificIntegratedCircuits，ASIC)、数字信号处理器(DigitalSignalProcessing，DSP)、数字信号处理设备(DSPDevice，DSPD)、可编程逻辑设备(ProgrammableLogicDevice，PLD)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。

对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。

本实施例提供的电子设备可以是如图6中所示的电子设备，可执行如图2-3中对象推荐方法的所有步骤，进而实现图2-3所示对象推荐方法的技术效果，具体请参照图2-3相关描述，为简洁描述，在此不作赘述。

本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中，存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。

当存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述在电子设备侧执行的自动打版方法。

所述处理器用于执行存储器中存储的对象推荐程序，以实现以下在电子设备侧执行的对象推荐方法的步骤：

为目标用户确定多个候选推荐对象，以及获取所述目标用户的静态数据和动态数据；

对多个所述候选推荐对象的对象数据进行特征提取，得到多个所述候选推荐对象的对象特征向量，以及对所述目标用户的静态数据和动态数据分别进行特征提取，得到所述目标用户的静态特征向量和动态特征向量；

基于注意力机制对所述动态特征向量和各所述候选推荐对象的对象特征向量进行计算，得到所述目标用户对应于各所述候选推荐对象的兴趣向量；

基于各所述候选推荐对象的对象特征向量、所述目标用户的静态特征向量和对应于各所述候选推荐对象的兴趣向量确定各所述候选推荐对象对应于所述目标用户的匹配度；

基于各所述候选推荐对象对应于所述目标用户的匹配度向所述目标用户进行对象推荐。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种对象推荐方法，其特征在于，包括：

为目标用户确定多个候选推荐对象，以及获取所述目标用户的静态数据和动态数据，所述动态数据包含第一动态数据和第二动态数据，所述第一动态数据包括所述目标用户在指定历史时段内所浏览对象的对象数据；所述第二动态数据包括所述目标用户在所述指定历史时段内的多个历史时刻下的行为数据，所述第二动态数据不包括所述目标用户在所述指定历史时段内的用户浏览行为数据；

对多个所述候选推荐对象的对象数据进行特征提取，得到多个所述候选推荐对象的对象特征向量，以及对所述目标用户的静态数据和动态数据分别进行特征提取，得到所述目标用户的静态特征向量和动态特征向量，所述动态特征向量包括对应于所述第一动态数据的第一动态特征向量和对应于所述第二动态数据的第二动态特征向量；

基于注意力机制对所述动态特征向量和各所述候选推荐对象的对象特征向量进行计算，得到所述目标用户对应于各所述候选推荐对象的兴趣向量；

基于各所述候选推荐对象的对象特征向量、所述目标用户的静态特征向量和对应于各所述候选推荐对象的兴趣向量确定各所述候选推荐对象对应于所述目标用户的匹配度，包括：针对每一所述候选推荐对象，对所述目标用户的静态特征向量和对应于所述候选推荐对象的兴趣向量进行拼接，得到所述目标用户对应于所述候选推荐对象的用户特征向量；基于所述用户特征向量和所述候选推荐对象的对象特征向量确定所述候选推荐对象对应于所述目标用户的匹配度；

基于各所述候选推荐对象对应于所述目标用户的匹配度向所述目标用户进行对象推荐。

2.根据权利要求1所述的方法，其特征在于，获取所述目标用户的动态数据，包括：

从第一数据库获取所述目标用户在指定历史时段内的所述第一动态数据；以及从第二数据库获取所述目标用户在所述指定历史时段内的所述第二动态数据。

3.根据权利要求2所述的方法，其特征在于，对所述目标用户的动态数据进行特征提取，得到所述目标用户的动态特征向量，包括：

对所述第一动态数据中的每一对象数据进行特征提取，将提取到的对象特征向量作为所述目标用户的所述第一动态特征向量；以及，

对所述第二动态数据中的每一行为数据进行特征提取，将提取到的行为特征向量作为所述目标用户的所述第二动态特征向量；

所述基于注意力机制对所述动态特征向量和各所述候选推荐对象的对象特征向量进行计算，得到所述目标用户对应于各所述候选推荐对象的兴趣向量，包括：

针对每一所述候选推荐对象，基于注意力机制确定各所述第一动态特征向量对应于所述候选推荐对象的第一兴趣权重，并基于所述第一兴趣权重对各所述第一动态特征向量进行加权求和，得到所述目标用户对应于所述候选推荐对象的第一兴趣向量；以及，

针对每一所述候选推荐对象，基于注意力机制确定各所述第二动态特征向量对应于所述候选推荐对象的第二兴趣权重，并基于所述第二兴趣权重对各所述第二动态特征向量进行加权求和，得到所述目标用户对应于所述候选推荐对象的第二兴趣向量。

4.根据权利要求1所述的方法，其特征在于，所述为目标用户确定多个候选推荐对象，包括：

基于预设的推荐召回策略从预设的对象集中确定多个初始候选推荐对象；

按照热度从高到低的顺序对多个所述初始候选推荐对象进行排序；

对排序结果中排在后N位的初始候选推荐对象进行采样，将采样得到的初始候选推荐对象和所述排序结果中排在前M位的初始候选推荐对象确定为候选推荐对象；所述N和M为大于0的自然数。

5.一种对象推荐系统，其特征在于，所述对象推荐系统包括：

输入层，对输入的多个候选推荐对象的对象数据、目标用户的静态数据和动态数据分别进行特征提取，得到多个所述候选推荐对象的对象特征向量、所述目标用户的静态特征向量和动态特征向量，并将多个所述候选推荐对象的对象特征向量和所述动态特征向量输出给注意力组合层，将所述静态特征向量和多个所述对象特征向量输出给全连接层，所述动态数据包含第一动态数据和第二动态数据，所述第一动态数据包括所述目标用户在指定历史时段内所浏览对象的对象数据；所述第二动态数据包括所述目标用户在所述指定历史时段内的多个历史时刻下的行为数据，所述动态特征向量包括对应于所述第一动态数据的第一动态特征向量和对应于所述第二动态数据的第二动态特征向量，所述第二动态数据不包括所述目标用户在所述指定历史时段内的用户浏览行为数据；

所述注意力组合层，基于注意力机制对输入的所述动态特征向量和各所述候选推荐对象的对象特征向量进行计算，得到所述目标用户对应于各所述候选推荐对象的兴趣向量，并将所述兴趣向量输出给所述全连接层；

所述全连接层，基于各所述候选推荐对象的对象特征向量、所述目标用户的静态特征向量和对应于各所述候选推荐对象的兴趣向量确定各所述候选推荐对象对应于所述目标用户的匹配度，包括：针对每一所述候选推荐对象，对所述目标用户的静态特征向量和对应于所述候选推荐对象的兴趣向量进行拼接，得到所述目标用户对应于所述候选推荐对象的用户特征向量；基于所述用户特征向量和所述候选推荐对象的对象特征向量确定所述候选推荐对象对应于所述目标用户的匹配度。

6.根据权利要求5所述的系统，其特征在于，所述注意力组合层采用GELU激活函数。

7.一种对象推荐装置，其特征在于，包括：

第一确定单元，用于为目标用户确定多个候选推荐对象；

数据获取单元，用于获取所述目标用户的静态数据和动态数据，所述动态数据包含第一动态数据和第二动态数据，所述第一动态数据包括所述目标用户在指定历史时段内所浏览对象的对象数据；所述第二动态数据包括所述目标用户在所述指定历史时段内的多个历史时刻下的行为数据，所述第二动态数据不包括所述目标用户在所述指定历史时段内的用户浏览行为数据；

特征提取单元，用于对多个所述候选推荐对象的对象数据进行特征提取，得到多个所述候选推荐对象的对象特征向量，以及对所述目标用户的静态数据和动态数据分别进行特征提取，得到所述目标用户的静态特征向量和动态特征向量，所述动态特征向量包括对应于所述第一动态数据的第一动态特征向量和对应于所述第二动态数据的第二动态特征向量；

注意力组合单元，用于基于注意力机制对所述动态特征向量和各所述候选推荐对象的对象特征向量进行计算，得到所述目标用户对应于各所述候选推荐对象的兴趣向量；

第二确定单元，用于基于各所述候选推荐对象的对象特征向量、所述目标用户的静态特征向量和对应于各所述候选推荐对象的兴趣向量确定各所述候选推荐对象对应于所述目标用户的匹配度；所述第二确定单元包括：向量拼接子单元，用于针对每一所述候选推荐对象，对所述目标用户的静态特征向量和对应于所述候选推荐对象的兴趣向量进行拼接，得到所述目标用户对应于所述候选推荐对象的用户特征向量；分值确定子单元，用于基于所述用户特征向量和所述候选推荐对象的对象特征向量确定所述目标用户对应于所述候选推荐对象的匹配度；

对象推荐单元，用于基于各所述候选推荐对象对应于所述目标用户的匹配度向所述目标用户进行对象推荐。

8.根据权利要求7所述的装置，其特征在于，所述数据获取单元包括：

第一获取子单元，用于从第一数据库获取所述目标用户在指定历史时段内的第一动态数据；所述第一动态数据包括所述目标用户在所述指定历史时段内所浏览对象的对象数据；

第二获取子单元，用于从第二数据库获取所述目标用户在所述指定历史时段内的第二动态数据；所述第二动态数据包括所述目标用户在所述指定历史时段内的多个历史时刻下的行为数据。

9.根据权利要求8所述的装置，其特征在于，所述特征提取单元包括：

第一提取子单元，用于对所述第一动态数据中的每一对象数据进行特征提取，将提取到的对象特征向量作为所述目标用户的第一动态特征向量；

第二提取子单元，用于对所述第二动态数据中的每一行为数据进行特征提取，将提取到的行为特征向量作为所述目标用户的第二动态特征向量；

特征计算单元包括：

第一权重确定子单元，用于针对每一所述候选推荐对象，基于注意力机制确定各所述第一动态特征向量对应于所述候选推荐对象的第一兴趣权重；

第一加权求和子单元，用于基于所述第一兴趣权重对各所述第一动态特征向量进行加权求和，得到所述目标用户对应于所述候选推荐对象的第一兴趣向量；

第二权重确定子单元，针对每一所述候选推荐对象，基于注意力机制确定各所述第二动态特征向量对应于所述候选推荐对象的第二兴趣权重；

第二加权求和子单元，用于基于所述第二兴趣权重对各所述第二动态特征向量进行加权求和，得到所述目标用户对应于所述候选推荐对象的第二兴趣向量。

10.根据权利要求7所述的装置，其特征在于，所述第一确定单元包括：

召回子单元，用于基于预设的推荐召回策略从预设的对象集中确定多个初始候选推荐对象；

排序子单元，用于按照热度从高到低的顺序对多个所述初始候选推荐对象进行排序；

采样子单元，用于对排序结果中排在后N位的初始候选推荐对象进行采样；

对象确定子单元，用于将采样得到的初始候选推荐对象和所述排序结果中排在前M位的初始候选推荐对象确定为候选推荐对象；所述N和M为大于0的自然数。

11.一种电子设备，其特征在于，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的对象推荐程序，以实现权利要求1～4中任一项所述的对象推荐方法。

12.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1～4中任一项所述的对象推荐方法。

Images