CN112559896A - 信息推荐方法、装置、设备及计算机可读存储介质 - Google Patents

Abstract

本申请提供了一种信息推荐方法、装置、设备及计算机可读存储介质；方法包括：响应于接收到的信息推荐请求，获取所述信息推荐请求中携带的标识信息；基于所述标识信息对应的不同业务平台的历史行为数据确定至少一个推荐关键词；基于预先建立的统一类目体系和所述推荐关键词，确定多个待推荐信息；其中，所述统一类目体系是利用训练好的分类模型将不同业务平台提供的对象信息进行统一分类后得到的；基于预设的排序特征对多个待推荐信息进行排序，并基于排序结果从多个待推荐信息中确定至少一个目标推荐信息；将携带有所述至少一个目标推荐信息的推荐响应发送给所述标识信息对应的终端。通过本申请，能够提高推荐准确率，实现精准推荐。

Description

信息推荐方法、装置、设备及计算机可读存储介质

技术领域

本申请涉及互联网技术，尤其涉及一种信息推荐方法、装置、设备及计算机可读存储介质。

背景技术

随着互联网技术的发展以及移动终端的普及，人们可以利用移动终端进行网络购物、视频观看等娱乐活动。有针对性地向用户推荐其可能感兴趣的信息，如今已成为很多网络平台重点关注的业务之一。推荐平台在对外提供推荐服务的时候，通常会让业务侧上报物料数据和用户行为数据。物料数据通常被内存数据库或者检索引擎维护，当一个推荐请求到达的时候，物料会经过推荐系统的召回，打分，排序等一系列操作返回给请求发出者。用户行为数据通常用于推荐策略的构造，打分模型的训练等。

通常来说，业务侧在开展业务的时候，都会构建一套自己的类目体系。当这些业务接入推荐服务的时候，需要上传商品类目，不同业务平台的类目体系往往不同，因此无法进行数据互通及推荐效果优化。

发明内容

本申请实施例提供一种信息推荐方法、装置及计算机可读存储介质，能够提高推荐准确率。

本申请实施例的技术方案是这样实现的：

本申请实施例提供一种信息推荐方法，包括：

响应于接收到的信息推荐请求，获取所述信息推荐请求中携带的标识信息；

基于所述标识信息对应的不同业务平台的历史行为数据确定至少一个推荐关键词；

基于预先建立的统一类目体系和所述推荐关键词，确定多个待推荐信息；其中，所述统一类目体系是利用训练好的分类模型将不同业务平台提供的对象信息进行统一分类后得到的；

基于预设的排序特征对多个待推荐信息进行排序，并基于排序结果从多个待推荐信息中确定至少一个目标推荐信息；

将携带有所述至少一个目标推荐信息的推荐响应发送给所述标识信息对应的终端。

本申请实施例提供一种信息推荐装置，包括：

第一获取模块，用于响应于接收到的信息推荐请求，获取所述信息推荐请求中携带的标识信息；

第一确定模块，用于基于所述标识信息对应的不同业务平台的历史行为数据确定至少一个推荐关键词；

第二确定模块，用于基于预先建立的统一类目体系和所述推荐关键词，确定多个待推荐信息；其中，所述统一类目体系是利用训练好的分类模型将不同业务平台提供的对象信息进行统一分类后得到的；

第三确定模块，用于基于预设的排序特征对所述多个待推荐信息进行排序，并基于排序结果从所述多个待推荐信息中确定至少一个目标推荐信息；

发送模块，用于将携带有所述至少一个目标推荐信息的推荐响应发送给所述标识信息对应的终端。

在一些实施例中，该装置还包括：

第二获取模块，用于获取所述不同业务平台提供的多个对象信息，所述对象信息至少包括推荐对象的标识信息和描述信息；

第三获取模块，用于获取所述训练好的分类模型；

第四确定模块，用于基于所述多个对象信息和所述训练好的分类模型，确定所述推荐对象的分类结果；

体系构建模块，用于基于所述多个对象信息和对应的所述分类结果，构建统一类目体系。

在一些实施例中，所述分类结果包括至少两级预设类目，对应地，该体系构建模块，还用于：

获取各个推荐对象对应的至少两级预设类目；

将所述各个推荐对象的所述至少两级预设类目增加至各个对象信息，以构建所述统一类目体系。

在一些实施例中，所述历史行为数据至少包括购买数据和浏览数据，对应地，该第一确定模块，还用于：

基于所述历史行为数据确定最近一次历史行为数据对应的对象信息；

将所述对象信息输入至训练好的分类模型，得到所述对象信息对应的分类结果；

将所述分类结果中最低一级的预设类目确定为推荐关键词。

在一些实施例中，该装置还包括：

第四获取模块，用于获取预设的至少一个排序特征；

第五获取模块，用于基于所述至少一个排序特征，获取各个对象信息对应的各个排序特征数据；

第五确定模块，用于当设置有至少一个排序维度时，确定所述各个对象信息在各个排序维度值下的各个排序特征数据；

体系更新模块，用于将所述各个排序维度值下的所述各个排序特征数据增加至所述统一类目体系中对应的各个对象信息中。

在一些实施例中，该装置还包括：

第六获取模块，用于获取所述各个对象信息对应的上架时间和下架时间；

第六确定模块，用于将所述统一类目体系中上架时间晚于当前时间，或者下架时间早于所述当前时间的对象信息确定为待删除信息；

删除模块，用于将所述待删除信息从所述统一类目体系中删除。

在一些实施例中，该装置还包括：

第七获取模块，用于获取预设的索引生成协议；

数据生成模块，用于基于所述索引生成协议生成统一类目体系中所述各个对象信息对应的索引数据。

在一些实施例中，第二确定模块，还用于：

基于所述推荐关键词确定查询条件；

从所述统一类目体系中各个对象信息对应的索引数据中确定满足所述查询条件的候选索引数据；

将所述候选索引数据对应的对象信息确定为所述待推荐信息。

在一些实施例中，第三确定模块，还用于：

当设置有至少一个排序维度时，确定所述标识信息对应的至少一个目标维度值；

基于所述排序特征，获取各个待推荐信息在所述目标维度值下的各个排序特征数据；

基于所述各个排序特征数据对所述多个待推荐信息进行排序，得到排序结果。

在一些实施例中，该装置还包括：

第八获取模块，用于获取预设的分类模型和训练数据，所述训练数据包括多个对象信息和对应的各个推荐对象的标签类目信息；

预测模块，用于将所述训练数据输入至所述分类模型，得到所述多个对象信息的预测类目信息；

模型训练模块，用于将所述预测类目信息和所述标签类目信息反向输入至所述分类模型，利用预设的损失函数对所述分类模型进行训练，以对所述分类模型的参数进行调整，得到所述训练好的分类模型。

本申请实施例提供一种信息推荐设备，包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的方法。

本申请实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现本申请实施例提供的方法。

本申请实施例提供一种计算机程序，该计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的信息推荐方法。

本申请实施例具有以下有益效果：

在接收到信息推荐请求后，获取所述信息推荐请求中携带的标识信息，并基于所述标识信息对应的不同业务平台的历史行为数据确定至少一个推荐关键词，这样能够根据用户在各个业务平台上的历史行为数据确定出推荐关键词，以保证后续的搜索推荐过程的时效性和准确性；然后基于预先建立的统一类目体系和所述推荐关键词，确定多个待推荐信息；其中，所述统一类目体系是利用训练好的分类模型将不同业务平台提供的对象信息进行统一分类后得到的，进而基于预设的排序特征对多个待推荐信息进行排序，并基于排序结果从多个待推荐信息中确定至少一个目标推荐信息；将携带有所述至少一个目标推荐信息的推荐响应发送给所述标识信息对应的终端，由于将不同业务平台提供的对象信息映射到统一类目体系中，因此当推荐关键词是从不同于自身的业务平台的历史数据所提取出来时，也能够确定出准确的推荐信息，从而实现精准推荐。

附图说明

图1A为本申请实施例提供的推荐系统架构的网络架构示意图；

图1B为本申请实施例提供的信息推荐系统20应用于区块链系统的一个可选的结构示意图；

图1C是本申请实施例提供的区块结构的一个可选的示意图；

图2为本申请实施例提供的服务器的结构示意图；

图3为本申请实施例提供的信息推荐方法的一种实现流程示意图；

图4为本申请实施例提供的建立统一类目体系的实现流程示意图；

图5为本申请实施例提供的信息推荐方法的另一种实现流程示意图；

图6为本申请实施例提供的分类模型的结构示意图；

图7为本申请实施例提供的实时召回系统的结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解, “一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。

1）商品广告：一种特殊的广告形态，赋予了广告的商品属性，使广告有了真实的商品含义。

2）点击通过率（CTR，Click-Through-Rate），是衡量互联网广告效果的一项重要指标，指网络广告（图片广告/文字广告/关键词广告/排名广告/视频广告等）的点击到达率，即该广告的实际点击次数除以广告的展现量（Show content）；

3）转化率（CVR， Conversion Rate），是一个衡量CPA广告效果的指标，指用户点击广告到成为一个有效激活或者注册甚至付费用户的转化率；

4）广告召回，指的是根据推荐关键词组获取广告的过程。

下面说明本申请实施例提供的信息推荐设备的示例性应用，本申请实施例提供的信息推荐设备可以实施为笔记本电脑，平板电脑，台式计算机，机顶盒，移动设备（例如，移动电话，便携式音乐播放器，个人数字助理，专用消息设备，便携式游戏设备）等各种类型的用户终端，也可以实施为服务器。下面，将说明设备实施为服务器时示例性应用。

参见图1A，图1A为本申请实施例提供的信息推荐系统20的网络架构示意图，如图1A所示，该网络架构包括该信息推荐系统20中包括用户终端100、应用服务器200、信息推荐服务器300和业务平台400（示例性的，在图1A中示出了业务平台400-1和业务平台400-2）。其中，用户终端100与应用服务器200之间通过网络建立有通信连接，信息推荐服务器300和应用服务器200、业务平台400之间分别通过网络建立有通信连接，业务平台400可以理解为供应方终端。

用户终端100和业务平台400均可以是笔记本电脑，平板电脑，台式计算机，移动设备（例如，移动电话，便携式音乐播放器，个人数字助理，便携式游戏设备）等任意具有屏幕显示功能的终端，在图1Ａ中仅仅是将用户终端100以智能手机，将业务平台400-1和业务平台400-2以台式计算机示例性示出，并不限定两者的具体类型。用户终端100中安装有各种应用程序（App，Application），例如，即时通讯App、购物App、视频播放App等，业务平台400中同样安装有各种各样的App，在本申请实施例中，供应方终端中可以安装有广告投放App，推荐对象的供应方可以通过业务平台400上的广告投放App将推荐对象的推荐信息上传至信息推荐服务器300，信息推荐服务器300将不同业务平台上传的推荐信息通过训练好的分类模型，映射一个统一类目体系中。

用户在利用用户终端100上安装的视频播放App观看视频，或者用户在启动某一购物App时，会触发信息推荐请求，该信息推荐请求经由应用服务器200发送至信息推荐服务器300，信息推荐服务器300在接收到推荐请求后，基于标识信息在不同业务平台的历史行为数据确定出推荐关键词，并基于推荐关键词和统一类目体系确定出目标推荐信息，进而由信息推荐服务器300将确定出的目标推荐信息经由应用服务器200发送至用户终端100，并在用户终端100中呈现目标推荐信息。

在本申请实施例中，应用服务器200以及信息推荐服务器300，均可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、以及大数据和人工智能平台等基础云计算服务的云服务器，服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

本申请实施例涉及的信息推荐系统20也可以是区块链系统的分布式系统201，参见图1B，图1B是本申请实施例提供的信息推荐系统20应用于区块链系统的一个可选的结构示意图，其中，所述分布式系统201可以是由多个节点202（接入网络中的任意形式的计算设备，如服务器、用户终端）和客户端203形成的分布式节点，节点之间形成组成的点对点（P2P，Peer To Peer）网络，P2P协议是一个运行在传输控制协议（TCP，TransmissionControl Protocol）协议之上的应用层协议。在分布式系统中，任何机器如服务器、终端都可以加入而成为节点，节点包括硬件层、中间层、操作系统层和应用层。

需要说明的是，在分布式系统201中，每一节点202对应一用户终端，在每一用户的用户终端上，会收集该用户的互动信息和互动数据（例如，用户所点击信息的类型、点击的次数等），进而对用户画像进行描绘，以确定用户的喜好和习惯，从而结合本申请实施例的方法，准确的确定出每一用户终端对应的目标推荐信息，以实现对用户终端进行信息推荐。

在该区块链系统中，每一用户的互动信息和互动数据均会被记录下来，且不可更改，并且，随着用户互动信息和互动数据的更新，区块链中所存储的数据也会发生更新，从而能够及时地对用户画像进行更新，从而使得用户特征能够及时更新，进而在进行信息推荐时，能够基于所描绘的用户画像（即用户的习惯和喜好），匹配出更加适合用户的目标推荐信息，实现对用户的准确和高效推荐。

参见图1B示出的区块链系统中各节点的功能，下面对区块链系统中各节点涉及的功能进行详细介绍：

1）路由，节点具有的基本功能，用于支持节点之间的通信。节点除具有路由功能外，还可以具有以下功能：

2）应用，用于部署在区块链中，根据实际业务需求而实现特定业务，记录实现功能相关的数据形成记录数据，在记录数据中携带数字签名以表示任务数据的来源，将记录数据发送到区块链系统中的其他节点，供其他节点在验证记录数据来源以及完整性成功时，将记录数据添加到临时区块中。例如，应用实现的业务包括：2.1）钱包，用于提供进行电子货币的交易的功能，包括发起交易（即，将当前交易的交易记录发送给区块链系统中的其他节点，其他节点验证成功后，作为承认交易有效的响应，将交易的记录数据存入区块链的临时区块中；当然，钱包还支持查询电子货币地址中剩余的电子货币。2.2）共享账本，用于提供账目数据的存储、查询和修改等操作的功能，将对账目数据的操作的记录数据发送到区块链系统中的其他节点，其他节点验证有效后，作为承认账目数据有效的响应，将记录数据存入临时区块中，还可以向发起操作的节点发送确认。2.3）智能合约，计算机化的协议，可以执行某个合约的条款，通过部署在共享账本上的用于在满足一定条件时而执行的代码实现，根据实际的业务需求代码用于完成自动化的交易，例如查询买家所购买商品的物流状态，在买家签收货物后将买家的电子货币转移到商户的地址；当然，智能合约不仅限于执行用于交易的合约，还可以执行对接收的信息进行处理的合约。

3）区块链，包括一系列按照产生的先后时间顺序相互接续的区块（Block），新区块一旦加入到区块链中就不会再被移除，区块中记录了区块链系统中节点提交的记录数据。

4）共识（Consensus），是区块链网络中的一个过程，用于在涉及的多个节点之间对区块中的交易达成一致，达成一致的区块将被追加到区块链的尾部，实现共识的机制包括工作量证明（PoW，Proof of Work）、权益证明（PoS，Proof of Stake）、股份授权证明（DPoS，Delegated Proof-of-Stake）、消逝时间量证明（PoET，Proof of Elapsed Time）等。

参见图1C，图1C是本申请实施例提供的区块结构（Block Structure）的一个可选的示意图，每个区块中包括本区块存储交易记录的哈希值（本区块的哈希值）、以及前一区块的哈希值，各区块通过哈希值连接形成区块链。另外，区块中还可以包括有区块生成时的时间戳等信息。区块链（Blockchain），本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了相关的信息，用于验证其信息的有效性（防伪）和生成下一个区块。

参见图2，图2是本申请实施例提供的信息推荐服务器300的结构示意图，图2所示的信息推荐服务器300包括：至少一个处理器310、存储器350、至少一个网络接口320和用户接口330。信息推荐服务器300中的各个组件通过总线系统340耦合在一起。可理解，总线系统340用于实现这些组件之间的连接通信。总线系统340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2中将各种总线都标为总线系统340。

处理器310可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器（DSP，Digital Signal Processor），或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。

用户接口330包括使得能够呈现媒体内容的一个或多个输出装置331，包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口330还包括一个或多个输入装置332，包括有助于用户输入的用户接口部件，比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。

存储器350可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器350可选地包括在物理位置上远离处理器310的一个或多个存储设备。存储器350包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器（ROM，Read Only Memory），易失性存储器可以是随机存取存储器（RAM，Random Access Memory）。本申请实施例描述的存储器350旨在包括任意适合类型的存储器。在一些实施例中，存储器350能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。

操作系统351，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，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；

网络通信模块352，用于经由一个或多个（有线或无线）网络接口320到达其他计算设备，示例性的网络接口320包括：蓝牙、无线相容性认证（WiFi）、和通用串行总线（USB，Universal Serial Bus）等；

呈现模块353，用于经由一个或多个与用户接口330相关联的输出装置331（例如，显示屏、扬声器等）使得能够呈现信息（例如，用于操作外围设备和显示内容和信息的用户接口）；

输入处理模块354，用于对一个或多个来自一个或多个输入装置332之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。

在一些实施例中，本申请实施例提供的装置可以采用软件方式实现，图2示出了存储在存储器350中的一种信息推荐装置355，该信息推荐装置355可以是信息推荐服务器300中的信息推荐装置，其可以是程序和插件等形式的软件，包括以下软件模块：第一获取模块3551、第一确定模块3552、第二确定模块3553、第三确定模块3554和发送模块3555，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。

在另一些实施例中，本申请实施例提供的装置可以采用硬件方式实现，作为示例，本申请实施例提供的装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本申请实施例提供的信息推荐方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路（ASIC，Application Specific Integrated Circuit）、DSP、可编程逻辑器件（PLD，Programmable Logic Device）、复杂可编程逻辑器件（CPLD，ComplexProgrammable Logic Device）、现场可编程门阵列（FPGA，Field-Programmable GateArray）或其他电子元件。

为了更好地理解本申请实施例提供的方法，首先对人工智能、人工智能的各个分支，以及本申请实施例提供的方法所涉及的应用领域进行说明。

人工智能（Artificial Intelligence，AI）是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。本申请实施例提供的方案主要涉及人工智能的机器学习技术，以下对该项技术进行说明。

机器学习（ML，Machine Learning）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。

人工智能云服务，一般也被称作是AI即服务（AIaaS，AI as a Service）。这是目前主流的一种人工智能平台的服务方式，具体来说AIaaS平台会把几类常见的AI服务进行拆分，并在云端提供独立或者打包的服务。这种服务模式类似于开了一个AI主题商城：所有的开发者都可以通过API接口的方式来接入使用平台提供的一种或者是多种人工智能服务，部分资深的开发者还可以使用平台提供的AI框架和AI基础设施来部署和运维自己专属的云人工智能服务，在本发明实施例提供的信息推荐方法中，可以通过人工智能云服务提供的AI框架和AI基础设施来部署和运维信息推荐系统。

下面将结合本申请实施例提供的信息推荐服务器300的示例性应用和实施，说明本申请实施例提供的信息推荐方法。参见图3，图3为本申请实施例提供的信息推荐方法的一种实现流程示意图，该信息推荐方法应用于信息推荐服务器，以下将结合图3示出的步骤进行说明。

步骤S101，响应于接收到的信息推荐请求，获取所述信息推荐请求中携带的标识信息。

这里，该信息推荐请求可以是用户终端发出的，在本申请实施例中，基于不同的业务平台所触发的的信息推荐请求也是不同的，例如，用户终端在打开某一个应用程序或者在打开某个视频时，会触发信息推荐请求，该信息推荐请求用于在进入该应用程序之前或播放该视频之前在显示界面中呈现推荐信息；在一些实施例中，当用户利用用户终端上的购物App购买商品进行结算之后，也可以触发信息推荐请求，该信息推荐请求用于请求获取推荐信息以在结算界面中呈现与用户所购买商品相关的推荐对象。该信息推荐请求会先发送至应用程序对应的应用服务器，该应用服务器再将该信息推荐请求发送至信息推荐服务器。信息推荐请求中携带有标识信息，该标识信息可以是用户登录应用程序时的标识，该标识信息具有唯一性。例如，对于即时通讯应用来说，标识信息可以是用户ID，而不是昵称。

步骤S102，基于所述标识信息对应的不同业务平台的历史行为数据确定至少一个推荐关键词。

信息推荐服务器在接收到信息推荐请求后，获取该信息推荐请求中携带的该标识信息，以通过该标识信息确定用户的历史行为数据，在本申请实施例中，为了准确获取用户最近的兴趣爱好，可以获取用户在不同业务平台的历史行为数据，从而获取至少一个推荐关键词。

步骤S102在实现时，可以在确定出标识信息在不同业务平台的历史行为数据后，获取最接近当前时间的历史行为数据，并基于该最接近当前时间的历史行为数据，确定出用户点击观看的视频或者购买的商品，或者用户点击收听的音乐等，然后获取视频信息、音乐信息或者商品信息等推荐对象的对应的类目信息，该类目信息可以是预设的统一类目，可以包括至少两级类目，并且高一级的类目范围更广，而低一级的类目范围更小也更精确。例如对于一件衬衣来说，类目信息为服饰-上衣-衬衣，在获取到推荐对象的类目信息后，可以将最低一级的预设类目确定为推荐关键词。

步骤S103，基于预先建立的统一类目体系和所述推荐关键词，确定多个待推荐信息。

其中，所述统一类目体系是利用训练好的分类模型将不同业务平台提供的对象信息进行统一分类后得到的。

由于步骤S103实现了一个推荐信息的搜索、查询过程，步骤S103在实现时，可以基于推荐关键词，生成查询条件，例如，查询条件可以是“item_name=衬衣”，并且将该查询条件转换为搜索引擎支持的格式，例如将查询条件转换为json格式，进而由搜索引擎从统一类目体系中查询符合查询条件的多个待推荐信息。

步骤S104，基于预设的排序特征对多个待推荐信息进行排序，并基于排序结果从多个待推荐信息中确定至少一个目标推荐信息。

这里，该排序特征可以是销量、热度、价格等。步骤S104在实现时，首先获取预设的排序特征，然后获取该排序特征对应的排序特征值，并对排序特征值进行从大到小，或者从小到大的排序，从而基于排序结果从多个待推荐信息中确定出至少一个目标推荐信息。

例如，排序特征可以是热度，而热度这一排序特征的排序特征值可以用点击率来表征，此时可以获取各个待推荐信息在预设时长内的点击率，并将各个待推荐信息基于点击率从高到低进行排序，将前1个，或者前K个待推荐信息确定为目标推荐信息。

步骤S105，将携带有所述至少一个目标推荐信息的推荐响应发送给所述标识信息对应的终端。

这里，步骤S105在实现时，可以是信息推荐服务器将该推荐响应发送至应用服务器，再由应用服务器将推荐响应发送至该标识信息对应的终端，也即发送信息推荐请求的终端。在一些实施例中，该终端在接收到推荐响应后，获取其中携带的目标推荐信息，并呈现该目标推荐信息。

在本申请实施例提供的信息推荐方法中，在接收到信息推荐请求后，获取所述信息推荐请求中携带的标识信息，并基于所述标识信息对应的不同业务平台的历史行为数据确定至少一个推荐关键词，这样能够根据用户在各个业务平台上的历史行为数据确定出推荐关键词，以保证后续的搜索推荐过程的时效性和准确性；然后基于预先建立的统一类目体系和所述推荐关键词，确定多个待推荐信息；其中，所述统一类目体系是利用训练好的分类模型将不同业务平台提供的对象信息进行统一分类后得到的，进而基于预设的排序特征对多个待推荐信息进行排序，并基于排序结果从多个待推荐信息中确定至少一个目标推荐信息；将携带有所述至少一个目标推荐信息的推荐响应发送给所述标识信息对应的终端，由于将不同业务平台提供的对象信息映射到统一类目体系中，因此当推荐关键词是从不同于自身的业务平台的历史数据所提取出来时，也能够确定出准确的推荐信息，从而实现精准推荐。

在一些实施例中，在步骤S101之前，或者在步骤S103之前，需要预先建立统一类目体系，在实际实现过程中，可以通过如图4所示的步骤S001至步骤S004实现：

步骤S001，获取不同业务平台提供的多个对象信息。

这里，对象信息至少包括推荐对象的标识信息和描述信息。推荐对象可以是商品、视频、音乐等。推荐对象的标识信息可以是指推荐对象的名称，推荐对象的描述信息可以是推荐对象的各种属性信息，例如当推荐对象为商品，假设为某一品牌的连衣裙时，推荐对象的描述信息可以包括颜色、布料材质、尺码、价格等。

步骤S002，获取训练好的分类模型。

这里，该分类模型可以是神经网络模型，例如可以是深度神经网络模型（DNN，DeepNeural Networks）、还可以是卷积神经网络模型（CNN，Convolutional Neural Networks）。该训练好的分类模型可以确定出各个业务平台提供的对象信息预设好的各个类目，从而将不同业务平台提供的对象信息都映射到统一类目体系中。

步骤S002在实现时，可以从信息推荐服务器自身存储空间中获取训练好的分类模型，当分类模型是信息推荐服务器之外的其他设备训练好的时，在获取不同业务平台提供的多个对象信息时，可以判断是否达到从该其他设备再次获取训练好的分类模型的时机，当达到该时机后，再次从该其他设备获取训练好的分类模型。

步骤S003，基于所述多个对象信息和所述训练好的分类模型，确定推荐对象的分类结果。

步骤S003在实现时，可以首先从各个对象信息中提取出各个推荐对象的预设字段信息；然后将所述各个推荐对象的预设字段信息输入至所述训练好的分类模型中，确定各个推荐对象的分类结果。预设字段至少包括推荐对象的名称，还可以包括关键属性信息，在一些实施例中，该预设字段还可以包括推荐对象在自身业务平台中的平台类目信息。

将各个推荐对象的预设字段信息输入至该训练好的分类模型中，首先会进行词向量提取，从而得到各个预设字段信息对应的词向量，然后将各个词向量进行拼接，并输入至多个网络层进行非线性变换，最后将输出通过Softmax函数转换为预测各个预设类目的概率，并根据各个预设类目的概率，确定各个推荐对象的分类结果。进一步地，可以预先规定好统一类目体系的类目级别数，例如类目级别数为3，那么也就说明各个推荐对象对应有三个级别的预设类目，在实现时，可以从预测的推荐对象的各个预设类目的概率选出概率最高的3个类目，并将这3个类目确定给该推荐对象的分类结果。

步骤S004，基于所述多个对象信息和对应的分类结果，构建统一类目体系。

这里，步骤S004可以通过以下步骤实现：

步骤S0041，获取各个推荐对象对应的分类结果中包括的至少两级预设类目。

步骤S0042，将所述各个推荐对象的至少两级预设类目增加至所述各个对象信息，以构建统一类目体系。

通过上述的步骤S001至步骤S004，将利用分类模型确定出的推荐对象的至少两级预设类目增加到各个对象信息中，那么不同业务平台提供的互不相同的对象信息也就具有统一的类目体系，从而能够提高业务接入和优化的效率；并且还可以在不同业务之间进行迁移学习实现效果优化。

在一些实施例中，步骤S102“基于所述标识信息对应的不同业务平台的历史行为数据确定至少一个推荐关键词”，可以通过以下步骤实现：

步骤S1021，基于所述历史行为数据确定在最近一次历史行为数据对应的对象信息。

这里，历史行为数据至少包括购买数据和浏览数据，当信息推荐请求是在用户打开购物App而触发的，或者是在用户付款后所触发的，那么在该步骤中确定的可以是最近一次购买的对象信息，在一些实施例中，如果最近一次购买商品距离当前时间的时间间隔较长，超过一定时长阈值时，在该情况下确定的也可以是最近一次浏览的对象信息。当信息推荐请求是在用户打开视频App，或者音乐App而触发的，那么在该步骤中，确定的可以是最近一次浏览的对象信息，这里浏览的对象信息可以是指用户点击观看，并且观看时长超过视频总时长一定百分比的视频信息或者是指用户点击收听或者收听时长超过音频总时长一定百分比（例如80%）的音频信息。

步骤S1022，将所述对象信息输入至训练好的分类模型，得到所述对象信息对应的分类结果。

这里，该分类结果包括至少两级预设类目，例如当对象信息为某一品牌的连衣裙时，且分类结果包括三级预设类目时，该对象信息对应的分类结果可以是服饰-女装-连衣裙，当对象信息为某一视频信息，且分类结果包括两级预设类目时，该对象信息的分类结果可以是电影-搞笑电影。

在一些实施例中，如果已经预先建立好统一类目体系，在确定出对象信息后，即可以根据该统一类目体系确定出该对象信息对应的至少两级预设类目。

步骤S1023，将所述分类结果中最低一级的预设类目确定为推荐关键词。

这里，由于当一个推荐对象或者是一个对象信息对应有至少两级类目时，越低级的类目对应的范围越小，并且越接近推荐对象本身的属性，最低一级的预设类目也即分类结果中对应范围最小的一级类目，因此为了实现精准推荐，将分类结果中最低一级的预设类目确定为推荐关键词。

承接上述举例，分类结果为服饰-女装-连衣裙时，那么此时推荐关键词可以是连衣裙，分类结果为电影-搞笑电影时，那么此时推荐关键词为搞笑电影。

在一些实施例中，承接于步骤S001至步骤S004，在对不同平台的推荐信息进行分类，映射到统一类目体系之后，还可以通过以下步骤为各个对象信息增加排序信息：

步骤S005，获取预设的至少一个排序特征。

这里，排序特征可以是价格、销量、热度等特征。

步骤S006，基于所述至少一个排序特征，获取各个对象信息对应的各个排序特征数据。

这里，各个对象信息对应的排序特征数据也即各个排序特征对应的特征值，例如，排序特征为价格时，那么排序特征数据也即为各个推荐对象的实际价格，例如为100元、300元等，当排序特征为热度时，可以是过去一周内的点击率，例如可以为130万次等。

步骤S007，确定是否设置有排序维度。

这里，排序维度可以是年龄、性别、地域、职业等，设置排序维度时可以仅设置一个排序维度，还可以设置多个排序维度。例如可以仅设置年龄一个排序维度，或者仅设置性别一个排序维度，也可以设置年龄和性别两个排序维度，设置可以设置年龄、性别、地域三个排序维度。

当设置有排序维度时，此时进入步骤S008，要进一步基于用户的用户画像确定用户所在的排序维度值，以及该排序维度值对应的排序特征数据；当没有设置有排序维度时，那么直接进入步骤S010。

步骤S008，当设置有至少一个排序维度时，确定各个对象信息在各个排序维度值下的各个排序特征数据。

这里，在设置排序维度时，会对应设置各个排序维度值，例如设置排序维度为年龄时，那么会设置多个排序维度值，例如可以设置小于18岁，18-30岁、30-50岁、50岁以上；设置排序维度为性别时，那么设置排序维度值包括男和女；当设置排序维度为地域时，可以设置排序维度值包括：东北地区、华北地区、中原地区、西北地区、西南地区、华南地区等。

步骤S008在实现时，可以根据排序维度值对推荐对象的排序特征数据进行划分，例如排序维度为性别，排序特征为销量时，那么分别确定出推荐对象在购买用户的性别为男这一排序维度值下的销量，以及排序维度值为女这一排序维度值下的销量。

在一些实施例中，当排序维度为两个或两个以上是，计算的是交叉排序维度下的各个排序特征数据。举例来说，排序维度为年龄和性别，排序特征为销量，年龄对应的排序维度值包括30岁以上和30岁以下，性别对应的排序维度值包括男和女，那么在该步骤中，确定的是30岁以上的男性对应的销量值、30岁以下男性对应的销量值、30岁以上女性对应的销量值和30岁以下女性对应的销量值。

步骤S009，将所述各个排序维度值下的各个排序特征数据增加至统一类目体系中对应的各个对象信息中。

这里，在确定出不同排序维度值下的排序特征数据后，可以将确定出的排序特征数据增加至统一类目体系对应的各个对象信息中，以在后续的排序过程中，基于用户的属性信息进行针对性的排序。

步骤S010，将各个排序特征数据增加至统一类目体系中对应的各个对象信息中。

这里，当没有设置排序维度时，那么就直接将各个排序特征数据增加至各个对象信息中即可。

在上述步骤S005至步骤S010中，当获取到各个对象信息对应的排序特征数据之后，如果设置有排序维度，那么计算各个排序维度值对应的排序特征数据，并增加至对象信息中，以以在后续的排序过程中，基于用户的属性信息进行针对性的排序，从而提高信息推荐的定制性和准确性。

在一些实施例中，在构建好统一类目体系中，还需要通过以下步骤，对统一类目体系中的各个对象信息进行更新：

步骤S011，获取各个对象信息对应的上架时间和下架时间。

这里，对象信息的上架时间和下架时间可以是业务平台自行设置的，上架时间是早于下架时间的，需要说明的是，在本申请实施例中，上架时间是早于下架时间是指上架时间在下架时间之前到达。

步骤S012，将统一类目体系中上架时间晚于当前时间，或者下架时间早于所述当前时间的对象信息确定为待删除信息。

这里，上架时间晚于当前时间是指，还未达到上架时间，此时对象信息暂不上架；下架时间早于当前时间是指，已经达到下架时间，此时说明对象信息需要下架，因此将上架时间晚于当前时间，或者下架时间早于所述当前时间的对象信息确定为待删除信息。

步骤S013，将所述待删除信息从所述统一类目体系中删除。

通过上述的步骤S011至步骤S013，会对统一类目体系中需要下架或者还没有达到上架时间的对象信息删除，从而避免为用户提供不可用的推荐信息。

承接于上述步骤S005至步骤S010，步骤S104中的“至少基于预设的排序特征对多个待推荐信息进行排序”，可以通过以下步骤实现：

步骤S1041，当设置有至少一个排序维度时，确定所述标识信息对应的至少一个目标维度值。

这里，步骤S1041在实现时，可以根据标识信息确定用户的属性信息（也可以理解为身份信息），然后再基于至少一个排序维度确定标识信息对应的至少一个目标维度值，例如排序维度为性别和年龄，该标识信息对应的属性信息中包括性别女，年龄32岁，所在地北京，那么该标识信息对应的目标维度值可以为女以及30岁以上。

步骤S1042，基于所述排序特征，获取各个待推荐信息在所述目标维度值下的各个目标排序特征数据。

这里，通过上述的步骤S005至步骤S010，已经根据预先设置的排序维度，以及排序维度值对排序特征数据进行了划分，步骤S1042在实现时，可以根据标识信息对应的目标维度值，确定对应的目标排序特征数据。

举例来说，排序维度为年龄和性别，排序特征为销量，年龄对应的排序维度值包括30岁以上和30岁以下，性别对应的排序维度值包括男和女，在步骤S008中确定的是各个对象信息在30岁以上的男性对应的销量值、30岁以下男性对应的销量值、30岁以上女性对应的销量值和30岁以下女性对应的销量值。

在该步骤中，假设标识信息对应的目标维度值为30岁以上女性，那么获取的是各个待推荐信息在30岁以上女性这一交叉维度下的销量值。

步骤S1043，基于各个目标排序特征数据对多个待推荐信息进行排序，得到排序结果。

在步骤S1043中，是基于各个目标排序特征数据对多个待推荐信息进行排序，在实现时，可以将目标排序特征数据按照从大到小或者从小到大的顺序进行排序从而实现对多个待推荐信息的排序，得到排序结果，如此能够提高信息推荐精度。

对应地，当没有设置排序维度时，那么在获取到各个待推荐信息的排序特征数据之后，直接基于各个待推荐信息的排序特征数据对各个待推荐信息进行排序，得到排序结果。

在实际实现时，如果服务器中的检索引擎索引数据要求数据必须是结构化的协议数据，那么在对不同平台的对象信息进行统一分类，建立统一类目体系，并且增加了排序特征数据之后，还需要通过以下步骤生成索引数据：

步骤S201，获取预设的索引生成协议。

这里，由于推荐信息的搜索确定过程一般是由搜索引擎实现的，而搜索引擎在进行推荐信息搜索时数据必须是结构化的协议数据，因此需要将各个对象信息转换为统一格式的索引数据，在实现数据格式化时，首先需要设置索引生成协议，在该步骤中即为获取预设的索引生成协议，例如，在本申请实施例中。索引生成协议可以是“字段名1,字段值1|权重值1; 字段名2,字段值2|权重值2”，其中权重值可以为预设值。例如。字段名1可以为一级类目，字段值为服饰，权重值为1，字段名2可以为二级类目，字段值为女装，权重值为1；字段名3为三级类目，字段值为连衣裙，权重值为1。

步骤S202，基于所述索引生成协议生成统一类目体系中各个对象信息对应的索引数据。

这里，步骤S202在实现时，是基于索引生成协议规定的数据格式，将各个对象信息转换为对应的索引数据。

对应地，图3所示的步骤S103“基于预先建立的统一类目体系和所述推荐关键词，确定多个待推荐信息”可以通过以下步骤实现：

步骤S1031，基于所述推荐关键词确定查询条件。

这里，由于搜索引擎只支持特定格式的查询条件，该步骤在实现时，可以基于推荐关键词生成搜索引擎所支持格式的查询条件，例如当搜索引擎只支持json格式的查询条件时，那么需要基于搜索关键词确定json格式的查询条件。

步骤S1032，从统一类目体系中各个对象信息对应的索引数据中确定满足查询条件的候选索引数据。

在确定出查询条件后，即可从生成的索引数据中确定出满足查询条件的候选索引数据。

步骤S1033，将所述候选索引数据对应的对象信息确定为待推荐信息。

通过上述步骤S1031至步骤S1033即完成了通过推荐关键词确定待推荐信息的过程。

在一些实施例中， 可以通过以下步骤对预设的分类模型进行训练，以得到训练好的分类模型：

步骤S301，获取预设的分类模型和训练数据。

这里，训练数据包括多个对象信息和对应的各个推荐对象的标签类目信息，这里标签类目信息是预先设置好的，也即是最终构建的统一类目体系中的各个预设类目。在对分类模型的训练过程中，不同级别的类目是经过打平处理的，也即不同级别的类目的预测概率是一致的。

步骤S302，将所述训练数据输入至所述分类模型，得到各个对象信息的预测类目信息。

步骤S303，将所述预测类目信息和标签类目信息反向输入至所述分类模型，利用预设的损失函数对所述分类模型进行训练，以对所述分类模型的参数进行调整，得到训练好的分类模型。

需要说明的是，上述步骤S301至步骤S303可以是由信息推荐服务器之外的其他设备训练的，也可以是由信息推荐服务器实现的。在一些实施例中，执行上述步骤S301至步骤S303的执行主体，会例行化对模型进行训练，在实现时，可以是每天或者每周用最新的训练数据对模型进行一次训练， 以保证模型及时的更新，从而保证预测结果的正确性。

基于上述的实施例，本申请实施例再提供一种信息推荐方法，图5为本申请实施例提供的信息推荐方法的另一种实现流程示意图，如图5所示，该流程包括：

步骤S501，业务平台响应于设置操作，获取针对推荐对象设置对象信息。

这里，业务平台中可以安装有信息推荐App，供应方人员能够通过该信息推荐App设置要进行推荐的推荐对象，例如可以是衣服、箱包，还可以是线上课程等，并通过该信息推荐App设置推荐对象的对象信息，该对象信息中还包括推荐对象的对象信息，例如推荐对象的标识、描述信息等。

步骤S502，当业务平台接收到信息上传操作时，将设置的对象信息上传至信息推荐服务器。

这里，当供应方人员通过信息推荐App完成对推荐对象的对象信息的设置后，可以通过做出上传操作，将设置的对象信息上传至信息推荐服务器。

步骤S503，信息推荐服务器接收业务平台上传的对象信息，并获取训练好的分类模型。

这里，训练好的分类模型可以将不同业务平台提供的对象信息映射到统一类目中，从而便于对同类推荐对象的价格进行相对性比较，并且还可以在不同业务之间进行迁移学习实现效果优化。

步骤S504，信息推荐服务器利用训练好的分类模型对该业务平台上传的对象信息进行分类，得到分类结果。

这里，信息推荐服务器在接收到业务平台上传的推荐信息后，利用训练好的分类模型对各个对象信息进行分类，从而确定该推荐对象的分类结果，该分类结果至少包括两级预设类目。

步骤S505，信息推荐服务器基于该分类结果将业务平台上传的对象信息增加至统一类目体系中。

步骤S506，用户终端接收触发信息推荐请求的触发操作。

这里，该触发操作可以是点击某一App的图标启动该App的操作，也可以是针对视频播放App中某一视频的点击操作，还可以是付款操作。

步骤S507，用户终端响应于该触发操作，经由应用服务器向信息推荐服务器发送信息推荐请求。

这里，该信息推荐请求中携带有标识信息，并且该信息推荐请求中还携带有该触发操作的类型。

步骤S508，信息推荐服务器获取信息推荐请求中携带的标识信息，并基于该标识信息获取在不同业务平台的历史行为数据。

,步骤S509，信息推荐服务器基于所述标识信息对应的不同业务平台的历史行为数据确定至少一个推荐关键词。

步骤S510，信息推荐服务器基于预先建立的统一类目体系和所述推荐关键词，确定多个待推荐信息。

其中，所述统一类目体系是利用训练好的分类模型将不同业务平台提供的对象信息进行统一分类后得到的。

步骤S511，信息推荐服务器基于预设的排序特征对多个待推荐信息进行排序，并基于排序结果从多个待推荐信息中确定至少一个目标推荐信息。

步骤S512，信息推荐服务器将携带有所述至少一个目标推荐信息的推荐响应经由应用服务器发送给所述标识信息对应的终端。

步骤S513，终端呈现目标推荐信息。

这里，当目标推荐信息为视频时，步骤S613在实现时可以是，用户终端播放该目标推荐信息。

需要说明的是，本申请实施例与其他实施例相同的概念和步骤，请参考其他实施例的说明。

在本申请实施例提供的信息推荐方法，供应方通过业务平台对需要进行推广的推荐对象的推荐信息进行编辑并上传至信息服务器，信息服务器将不同供应方提供的推荐信息映射到统一类目体系中，以将不同供应方提供的推荐对象进行打平处理，当用户终端触发了信息推荐请求时，经由业务服务器将信息推荐请求发送至信息推荐服务器，新推荐服务器在接收到信息推荐请求后，获取所述信息推荐请求中携带的标识信息，并基于所述标识信息对应的不同业务平台的历史行为数据确定至少一个推荐关键词，这样能够根据用户在各个业务平台上的历史行为数据确定出推荐关键词，以保证后续的搜索推荐过程的时效性和准确性；然后基于预先建立的统一类目体系和所述推荐关键词，确定多个待推荐信息；其中，所述统一类目体系是利用训练好的分类模型将不同业务平台提供的对象信息进行统一分类后得到的，进而基于预设的排序特征对多个待推荐信息进行排序，并基于排序结果从多个待推荐信息中确定至少一个目标推荐信息；将携带有所述至少一个目标推荐信息的推荐响应发送给所述标识信息对应的终端，由于将不同业务平台提供的推荐信息映射到统一类目体系中，因此当推荐关键词是从不同于自身的业务平台的历史数据所提取出来时，也能够确定出准确的推荐信息，从而实现精准推荐。

下面，将说明本申请实施例在一个实际的应用场景中的示例性应用。

在本申请实施例中，首先训练多分类模型，以建立统一所有推荐业务的统一类目体系，一方面达到特征泛化（迁移学习）的能力，另一方面解决在一些小的推荐业务中，上报数据杂乱导致数据不可用的问题，并基于该统一类目体系搭建一套实时召回系统，以实现精准推荐。

使用多分类模型构建统一类目体系，在实现时，根据商品的一些文本描述，使用一个多分类模型对商品进行分类，使得所有的商品可以映射到同一套类目体系。例如，商品衬衣在服装品牌Z的网购平台中的一级类目是“服饰系列”，但是在某一电商平台中的一级类目可能是“服饰鞋包”，通过多分类模型，可以使得服装品牌Z的网购平台和该电商平台的商品衬衣，都打上“服饰”的一级类目标签。

对于同一领域的推荐业务（无论是垂直类业务还是综合类业务），可以使用同一套统一类目体系为商品打上类目标签。通常推荐系统团队和电商业务相关团队等都会维护一套自己的电商类目体系，在本申请实施例中，可以直接基于已有的电商类目体系建设多分类模型。

该多分类模型是一个神经网络模型，例如可以是DNN模型，当然也可以是CNN等其它模型。本申请实施例提供的多分类模型的结构如图6所示，包括向量嵌入（embedding）层601和多个网络层602，以及softmax函数层603，在对多分类模型进行训练时，可以将电商提供的商品数据作为训练数据，该商品数据可以包括商品标题和商品描述，首先将商品标题和商品描述拼接，然后输入至向量嵌入层601将其映射成一个向量，经过多个神经网络层602的非线性变换，最后通过Softmax函数层603输出预测各个类目的概率。电商类目一般有三级，在本申请实施例中将三级类目打平之后作为商品类别进行训练，即输入一段文本，预测得到这段文本对应的一，二，三级类目，所以图6中的类别n就是一，二，三级类目的总和。

在本申请实施例中，分类模型的训练过程可以是推荐系统之外的其他设备实现的，在训练好分类模型后，实时召回系统（也即其他实施例中的推荐系统）将训练好的模型例行化导出到本地，使用tf.serving对模型进行部署，并将其封装成一个文本分类的HTTP服务，当文本分类服务收到一个文本分类请求后，就可以返回指定格式的文本分类结果，其中包含一、二、三级类目。

图7为本申请实施例提供的实时召回系统的结构示意图，如图7所示，该实时召回系统包括：业务平台701、用户终端702、框架接口层703和离线索引架构704，其中：

业务平台701 通过HTTP协议上报物料数据到框架接口层703，框架接口层703可以是一个web服务，其作用一方面是对请求进行负载均衡处理，避免对单一服务器访问过于频繁导致宕机；另一方面是对数据上传请求进行解析，以获取物料数据，框架接口层703将获取到的物料数据传入到离线索引架构704，离线索引架构704将物料数据进行统一分类，并打上预设的全局热度信息等数据，并基于指定协议生成物料索引数据。当用户终端触发推荐请求，且该推荐请求到达推荐引擎时，推荐引擎会向离线索引架构请求获取topK个最相关的商品作为召回结果（也即为其他实施例中的目标推荐信息），并将召回结果返回用户终端进行显示。

在该实时召回系统中，核心为离线将物料数据按照指定协议例行化导入检索引擎中，在本申请实施例中，该检索引擎可以是一种分布式检索引擎ElasticSearch。以下结合图7对离线索引架构将物料数据按照指定协议倒入到检索引擎的实现过程进行说明。

框架接口层703将获取到的物料数据接入给离线索引架构704中的消息队列7041。消息队列7041在图7中以Kafka为例示出，消息队列7041类似于一个中转器，可以在上游多个源头接入数据，然后在下游多个管道输送数据。在实现时，会在框架接口层调用消息队列的消息发送接口（函数）发送数据，并指定主题为topicK，然后在下游系统调用消息队列的消息接收接口（函数）接收数据，并指定主题为topicK，这样就完成了消息的定向发送和接收。

消息队列Kafka7041收到物料数据之后，将物料数据发送给流数据处理框架Storm7042。Storm7042是一个实时计算框架，专门用于对流式数据进行处理，执行一些逻辑计算操作。在本申请实施例中，业务平台上报的物料数据并不是所有字段都会用于召回检索，所以Storm会提取物料数据中关键字段的数据，然后将提取出的关键字段的数据存储到用于存储大数据的文件系统7043，在图7中，该文件系统7043以HDFS为例示出。将提取出的关键字段的数据存储到文件系统的频次可以根据业务平台的物料上报频次而定，例如可以是1小时上报一次，那么存储数据的频次也可以是1小时存储一次。

本地脚本7044会实时拉取HDFS 7043中的物料数据到本地，并进行数据处理，生成用于ElasticSearch索引的数据。数据处理过程分为几个步骤：

步骤701，对物料打上电商类目标签。

由于业务平台上报的物料数据类目杂乱不一，需要上述提到的文本分类服务对物料数据进行文本分类，对物料打上一二三级类目。步骤701在实现时，服务器本地脚本7044会提取物料数据中的商品标题和商品描述，将其拼接后通过多线程/多进程的方式请求文本分类的HTTP服务7045，得到该商品的一二三级类目，并标记在该商品上。

步骤702，对物料打上全局热度信息。

这里的全局热度信息可以是指交叉特征维度下的商品点击率信息。例如物料在年龄，性别，商品类目等不同特征交叉维度下具有不同的点击率，所以将交叉维度的物料点击率信息打在物料上是十分有意义的。全局热度信息基于用户行为数据计算得到，在实现时可以使用spark任务实现。

当计算得到了商品在年龄-性别交叉维度下的点击率之后，就在物料数据中新增一个字段，字段名是AG_CTR，字段值是年龄-性别交叉维度下的点击率，这样就将交叉维度的点击率标记在商品上。

步骤703，对物料数据进行过滤。

业务平台上报的物料数据中包含物料的生成时间和过期时间字段，这两个字段经过一系列数据流程后会落地到HDFS，服务器本地脚本7044会根据过期字段对商品进行过滤，如果过期字段的值小于当前时间，那么说明该商品已经下架，需要过滤掉。

步骤704，根据指定协议生成物料索引数据，供ElasticSearch索引。

ElasticSearch索引数据要求数据必须是结构化的协议数据，在本申请实施例中的数据协议可以是“字段名1,字段值1|权重值1; 字段名2,字段值2|权重值2”这样的格式协议。

服务器本地脚本7044在进行数据处理后，会将结果数据上传到HDFS 7046，并且通过本地脚本7044例行化地将物料数据从HDFS 7046导入检索引擎ElasticSearch 7047中。在物料数据导入ElasticSearch之后，就可以使用查询条件请求ElasticSearch进行查询了，ElasticSearch提供了多种HTTP请求查询的方式。

当一个推荐请求到达时，推荐引擎会拼接有意义的查询条件请求ElasticSearch集群，获取最相关的topK个商品。例如查询条件可以是“item_name=连衣裙”，但是ElasticSearch是不支持上述格式的查询条件的，ElasticSearch只支持json格式的查询条件，所以推荐引擎请求ElasticSearch的时候必须拼接json查询请求。

当推荐引擎将查询条件携带于查询请求发送至ElasticSearch之后，ElasticSearch会返回与查询条件最相关的topK个商品。评价商品相关性的方式有很多，一种方法是按照不同维度下的点击率排序，如果在生成物料数据的时候保存了商品在年龄性别交叉维度下的点击率AG_CTR，那么就可以配置ElasticSearch按照AG_CTR的值对商品进行降序排序等。实际上，如果想要通过其它排序特征在线对商品进行排序，在上述步骤703中离线计算好各个排序特征的排序特征数据，并将其标记在物料商品上。然后将物料数据导入到ElasticSearch后就可以在线根据该排序特征对商品进行排序了。

需要说明的是，本申请实施例中，消息队列为Kafka，流数据处理工具为Storm，以及检索引擎为ElasticSearch均为示例性说明，在实际实现时可以替换为其他框架，例如流数据处理工具可以替换为Flink，检索引擎可以替换为lucene。

通过本申请实施例可以大大简化推荐业务接入及优化的流程。例如现在接入业务的时候，不需要对业务平台上传的类目进行校验，直接将商品标题和商品描述通过多分类模型进行类目预测，打在商品上就可以了，避免了和业务侧对齐商品类目体系，这样就节约了1-2天甚至更多的时间；通过多分类模型统一各业务类目体系，也可以使得用户在不同业务场景下的兴趣进行相互迁移（只针对数据授权的业务进行迁移学习），提升推荐效果。本申请实施例提供的基于ElasticSearch的实时召回方案，可以将预测类目，点击率信息灵活地标记在商品上，也可以将其它有益信息标记在商品上，用户在线召回排序，扩展性更强。

下面继续说明本申请实施例提供的信息推荐装置355的实施为软件模块的示例性结构，在一些实施例中，如图2所示，存储在存储器340的信息推荐装置355中的软件模块可以包括：

第一获取模块3551，用于响应于接收到的信息推荐请求，获取所述信息推荐请求中携带的标识信息；

第一确定模块3552，用于基于所述标识信息对应的不同业务平台的历史行为数据确定至少一个推荐关键词；

第二确定模块3553，用于基于预先建立的统一类目体系和所述推荐关键词，确定多个待推荐信息；其中，所述统一类目体系是利用训练好的分类模型将所述不同业务平台提供的推荐信息进行统一分类后得到的；

第三确定模块3554，用于基于预设的排序特征对所述多个待推荐信息进行排序，并基于排序结果从所述多个待推荐信息中确定至少一个目标推荐信息；

发送模块3555，用于将携带有所述至少一个目标推荐信息的推荐响应发送给所述标识信息对应的终端。

在一些实施例中，该装置还包括：

第二获取模块，用于获取所述不同业务平台提供的多个对象信息，所述对象信息至少包括推荐对象的标识信息和描述信息；

第三获取模块，用于获取训练好的分类模型；

第四确定模块，用于基于所述多个对象信息和所述训练好的分类模型中，确定推荐对象的分类结果；

体系构建模块，用于基于所述多个对象信息和对应的分类结果，构建所述统一类目体系。

在一些实施例中，所述分类结果包括至少两级预设类目，对应地，该体系构建模块，还用于：

获取各个推荐对象对应的至少两级预设类目；

将所述各个推荐对象的至少两级预设类目增加至所述各个对象信息，以构建所述统一类目体系。

在一些实施例中，所述历史行为数据至少包括购买数据和浏览数据，对应地，该第一确定模块，还用于：

基于所述历史行为数据确定最近一次历史行为数据对应的对象信息；

将所述对象信息输入至训练好的分类模型，得到所述对象信息对应的分类结果；

将所述分类结果中最低一级的预设类目确定为所述推荐关键词。

在一些实施例中，该装置还包括：

第四获取模块，用于获取预设的至少一个排序特征；

第五获取模块，用于基于所述至少一个排序特征，获取所述各个对象信息对应的各个排序特征数据；

第五确定模块，用于当设置有至少一个排序维度时，确定所述各个对象信息在各个排序维度值下的各个排序特征数据；

体系更新模块，用于将所述各个排序维度值下的各个排序特征数据增加至所述统一类目体系中对应的各个对象信息中。

在一些实施例中，该装置还包括：

第六获取模块，用于获取所述各个对象信息对应的上架时间和下架时间；

第六确定模块，用于将所述统一类目体系中上架时间晚于当前时间，或者下架时间早于所述当前时间的对象信息确定为待删除信息；

删除模块，用于将所述待删除信息从所述统一类目体系中删除。

在一些实施例中，该装置还包括：

第七获取模块，用于获取预设的索引生成协议；

数据生成模块，用于基于所述索引生成协议生成统一类目体系中各个对象信息对应的索引数据。

在一些实施例中，第二确定模块，还用于：

基于所述推荐关键词确定查询条件；

从所述统一类目体系中所述各个对象信息对应的索引数据中确定满足所述查询条件的候选索引数据；

将所述候选索引数据对应的对象信息确定为所述待推荐信息。

在一些实施例中，第三确定模块，还用于：

当设置有至少一个排序维度时，确定所述标识信息对应的至少一个目标维度值；

基于所述排序特征，获取各个待推荐信息在所述目标维度值下的各个排序特征数据；

基于所述各个排序特征数据对所述多个待推荐信息进行排序，得到排序结果。

在一些实施例中，该装置还包括：

第八获取模块，用于获取预设的分类模型和训练数据，所述训练数据包括多个对象信息和对应的各个推荐对象的标签类目信息；

预测模块，用于将所述训练数据输入至所述分类模型，得到各个对象信息的预测类目信息；

模型训练模块，用于将所述预测类目信息和标签类目信息反向输入至所述分类模型，利用预设的损失函数对所述分类模型进行训练，以对所述分类模型的参数进行调整，得到训练好的分类模型。

本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本申请实施例上述的信息推荐方法。

本申请实施例提供一种存储有可执行指令的计算机可读存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的方法，例如，如图3、图4和图5示出的方法。

在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。

在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。

作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（HTML，Hyper TextMarkup Language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。

作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

以上所述，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。

Claims (13)

1.一种信息推荐方法，其特征在于，包括：

响应于接收到的信息推荐请求，获取所述信息推荐请求中携带的标识信息；

基于所述标识信息对应的不同业务平台的历史行为数据确定至少一个推荐关键词；

基于预先建立的统一类目体系和所述推荐关键词，确定多个待推荐信息；其中，所述统一类目体系是利用训练好的分类模型将所述不同业务平台提供的对象信息进行统一分类后得到的；

基于预设的排序特征对所述多个待推荐信息进行排序，并基于排序结果从所述多个待推荐信息中确定至少一个目标推荐信息；

将携带有所述至少一个目标推荐信息的推荐响应发送给所述标识信息对应的终端。

2.根据权利要求1中所述的方法，其特征在于，所述方法还包括：

获取所述不同业务平台提供的多个对象信息，所述对象信息至少包括推荐对象的标识信息和描述信息；

获取所述训练好的分类模型；

基于所述多个对象信息和所述训练好的分类模型，确定所述推荐对象的分类结果；

基于所述多个对象信息和对应的所述分类结果，构建所述统一类目体系。

3.根据权利要求2中所述的方法，其特征在于，所述分类结果包括至少两级预设类目，对应地，所述基于所述多个对象信息和对应的所述分类结果，构建所述统一类目体系，包括：

获取各个推荐对象对应的至少两级预设类目；

将所述各个推荐对象的至少两级预设类目增加至各个对象信息，以构建所述统一类目体系。

4.根据权利要求2中所述的方法，其特征在于，所述历史行为数据至少包括购买数据和浏览数据，对应地，所述基于所述标识信息对应的不同业务平台的历史行为数据确定至少一个推荐关键词，包括：

基于所述历史行为数据确定最近一次历史行为数据对应的对象信息；

将所述对象信息输入至所述训练好的分类模型，得到所述对象信息对应的分类结果；

将所述分类结果中最低一级的预设类目确定为所述推荐关键词。

5.根据权利要求2至4任一项所述的方法，其特征在于，所述方法还包括：

获取预设的至少一个排序特征；

基于所述至少一个排序特征，获取各个对象信息对应的各个排序特征数据；

当设置有至少一个排序维度时，确定所述各个对象信息在各个排序维度值下的各个排序特征数据；

将所述各个排序维度值下的所述各个排序特征数据增加至所述统一类目体系中对应的所述各个对象信息中。

6.根据权利要求5中所述的方法，其特征在于，所述方法还包括：

获取所述各个对象信息对应的上架时间和下架时间；

将所述统一类目体系中上架时间晚于当前时间，或者下架时间早于所述当前时间的对象信息确定为待删除信息；

将所述待删除信息从所述统一类目体系中删除。

7.根据权利要求5中所述的方法，其特征在于，所述方法还包括：

获取预设的索引生成协议；

基于所述索引生成协议生成所述统一类目体系中所述各个对象信息对应的索引数据。

8.根据权利要求7中所述的方法，其特征在于，所述基于预先建立的统一类目体系和所述推荐关键词，确定多个待推荐信息，包括：

基于所述推荐关键词确定查询条件；

从所述统一类目体系中所述各个对象信息对应的索引数据中确定满足所述查询条件的候选索引数据；

将所述候选索引数据对应的对象信息确定为所述待推荐信息。

9.根据权利要求5中所述的方法，其特征在于，所述至少基于预设的排序特征对多个待推荐信息进行排序，包括：

当设置有至少一个排序维度时，确定所述标识信息对应的至少一个目标维度值；

基于所述排序特征，获取所述各个待推荐信息在所述目标维度值下的各个排序特征数据；

基于所述各个排序特征数据对所述多个待推荐信息进行排序，得到排序结果。

10.根据权利要求2中所述的方法，其特征在于，所述方法还包括：

获取预设的分类模型和训练数据，所述训练数据包括多个对象信息和对应的各个推荐对象的标签类目信息；

将所述训练数据输入至所述分类模型，得到各个对象信息的预测类目信息；

将所述预测类目信息和所述标签类目信息反向输入至所述分类模型，利用预设的损失函数对所述分类模型进行训练，以对所述分类模型的参数进行调整，得到所述训练好的分类模型。

11.一种信息推荐装置，其特征在于，包括：

第一获取模块，用于响应于接收到的信息推荐请求，获取所述信息推荐请求中携带的标识信息；

第一确定模块，用于基于所述标识信息对应的不同业务平台的历史行为数据确定至少一个推荐关键词；

第二确定模块，用于基于预先建立的统一类目体系和所述推荐关键词，确定多个待推荐信息；其中，所述统一类目体系是利用训练好的分类模型将所述不同业务平台提供的对象信息进行统一分类后得到的；

第三确定模块，用于基于预设的排序特征对所述多个待推荐信息进行排序，并基于排序结果从所述多个待推荐信息中确定至少一个目标推荐信息；

发送模块，用于将携带有所述至少一个目标推荐信息的推荐响应发送给所述标识信息对应的终端。

12.一种信息推荐设备，其特征在于，包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的所述可执行指令时，实现权利要求1至10任一项所述的方法。

13.一种计算机可读存储介质，其特征在于，存储有可执行指令，用于被处理器执行时，实现权利要求1至10任一项所述的方法。

Images