CN112818228A - 向用户推荐对象的方法、装置、设备和介质 - Google Patents

Abstract

本公开提供了一种向用户推荐对象的方法、装置、设备和介质，涉及人工智能技术领域，尤其涉及智能推荐和深度学习技术。向用户推荐对象的方法包括：获取用户特征；利用树检索模型从多个叶子节点中确定多个候选叶子节点；基于用户特征和多个候选叶子节点分别对应的多个候选真实对象中的每一个候选真实对象的特征，生成针对每一个候选真实对象的预测结果，其中，每一个候选真实对象的特征包括至少一个真实对象泛化特征；以及基于每一个候选真实对象的预测结果，确定一个或多个待推荐真实对象。

Description

向用户推荐对象的方法、装置、设备和介质

技术领域

本公开涉及人工智能技术领域，尤其涉及智能推荐和深度学习技术，特别涉及一种向用户推荐对象的方法、装置、设备和介质。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术。人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低。

根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统应运而生。推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务，还能和用户之间建立密切关系。推荐系统推荐系统现已广泛应用于很多领域。为了节省资源，推荐系统会同时服务于多个产品(例如，多个应用程序或多个应用终端)。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种向用户推荐对象的方法、装置、设备和介质。

根据本公开的一方面，提供了一种利用树检索模型向用户推荐对象的方法。树检索模型包括多个叶子节点，这些叶子节点与多个真实对象一一对应向用户推荐对象的方法包括：获取用户特征；利用树检索模型从多个叶子节点中确定多个候选叶子节点；基于用户特征和多个候选叶子节点分别对应的多个候选真实对象中的每一个候选真实对象的特征，生成针对每一个候选真实对象的预测结果，其中，每一个候选真实对象的特征包括至少一个真实对象泛化特征；以及基于每一个候选真实对象的预测结果，确定一个或多个待推荐真实对象。

根据本公开的另一方面，提供了一种树检索模型的训练方法。树检索模型包括多个叶子节点，这些叶子节点与多个真实对象一一对应。多个真实对象中的每一个真实对象的特征包括至少一个真实对象泛化特征。训练方法包括：获取样本用户的特征和多个真实对象中与样本用户相关的样本真实对象的特征，并标注样本真实对象是否被样本用户点击的第一真实结果；将样本用户的特征对应的特征向量和样本真实对象的特征对应的特征向量输入匹配模型，以得到匹配模型输出的样本真实对象是否被样本用户点击的第一预测结果；以及基于第一真实结果和第一预测结果，调整样本真实对象的特征对应的特征向量。

根据本公开的另一方面，提供了一种利用树检索模型向用户推荐对象的装置。树检索模型包括多个叶子节点，这些叶子节点与多个真实对象一一对应。向用户推荐对象的装置包括：获取模块，被配置为获取用户特征；第一确定模块，被配置为利用树检索模型从多个叶子节点中确定多个候选叶子节点；第一预测模块，被配置为基于用户特征和多个候选叶子节点分别对应的多个候选真实对象中的每一个候选真实对象的特征，生成针对每一个候选真实对象的预测结果，其中，每一个候选真实对象的特征包括至少一个真实对象泛化特征；以及第二确定模块，被配置为基于每一个候选真实对象的预测结果，确定一个或多个待推荐真实对象。

根据本公开的另一方面，提供了一种树检索模型的训练装置。树检索模型包括多个叶子节点，这些叶子节点与多个真实对象一一对应。多个真实对象中的每一个真实对象的特征包括至少一个真实对象泛化特征。训练装置包括：获取模块，被配置为获取样本用户的特征和多个真实对象中与样本用户相关的样本真实对象的特征，并标注样本真实对象是否被样本用户点击的第一真实结果；预测模块，被配置为将样本用户的特征对应的特征向量和样本真实对象的特征对应的特征向量输入匹配模型，以得到匹配模型输出的样本真实对象是否被样本用户点击的第一预测结果；以及调参模块，被配置为基于第一真实结果和第一预测结果，调整样本真实对象的特征对应的特征向量。

根据本公开的另一方面，提供了一种电子设备，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上述向用户推荐对象的方法或训练方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述向用户推荐对象的方法或训练方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现上述向用户推荐对象的方法或训练方法。

根据本公开的一个或多个实施例，通过获取用户特征和多个候选叶子节点所对应的候选真实对象的特征，能够得到用户针对每一个候选真实对象的预测结果，进而能够从这些预测结果中确定一个和多个待推荐真实对象，并将这些对象推荐给用户。通过在资源侧的树检索模型中为叶子节点对应的真实对象增加泛化特征，丰富了资源侧的特征信息，从而使得在对预测结果进行预测时，能够基于真实对象的标识特征和泛化特征来计算预测结果，进而提升了推荐过程的精确性并提高了推荐结果的准确性。此外，通过从树检索模型的多个叶子节点中确定多个候选叶子节点，能够减少用于生成预测结果的用户-对象特征对的数量，从而减少了相应的计算量，并缩短了召回过程的耗时。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开示例性实施例的利用树检索模型向用户推荐对象的方法的流程图；

图2示出了根据本公开示例性实施例的用树检索模型从多个叶子节点中确定多个候选叶子节点的方法的流程图；

图3示出了根据本公开示例性实施例的树检索模型的结构示意图；

图4-图5示出了根据本公开示例性实施例的匹配模型输入的示意图；

图6-图7示出了根据本公开示例性实施例的树检索模型的训练方法的流程图；

图8示出了根据本公开示例性实施例的树检索模型的结构示意图；

图9示出了根据本公开示例性实施例的推荐对象的装置的结构框图；

图10示出了根据本公开示例性实施例的第一确定模块的结构框图；

图11-图12示出了根据本公开示例性实施例的训练装置的结构框图；以及

图13示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

相关技术中，树检索模型利用样本数据进行训练学习，以得到资源侧的上层非叶子节点的抽象表示和下层叶子节点真实对象的特征向量，从而能够通过树检索的方式从百万量级的对象库中召回数千条用户喜好的对象。而这种方法在资源侧只有对象的标识的抽象表示，使得模型在进行召回时能够使用的信息非常有限，进而模型的容量和效果也会受到限制。

为解决上述问题，本公开通过获取用户特征和多个候选叶子节点所对应的候选真实对象的特征，能够得到用户针对每一个候选真实对象的预测结果，进而能够从这些预测结果中确定一个和多个待推荐真实对象，并将这些对象推荐给用户。通过在资源侧的树检索模型中为叶子节点对应的真实对象增加泛化特征，丰富了资源侧的特征信息，从而使得在对预测结果进行预测时，能够基于真实对象的标识特征和泛化特征来计算预测结果，进而提升了推荐过程的精确性并提高了推荐结果的准确性。此外，通过从树检索模型的多个叶子节点中确定多个候选叶子节点，能够减少用于生成预测结果的用户-对象特征对的数量，从而减少了相应的计算量，并缩短了召回过程的耗时。

下面将结合附图详细描述本公开的实施例。

根据本公开的一方面，提供了一种利用树检索模型向用户推荐对象的方法。树检索模型包括多个叶子节点，这些叶子节点与多个真实对象一一对应。如图1所示，向用户推荐对象的方法可以包括：步骤S101、获取用户特征；步骤S102、利用树检索模型从多个叶子节点中确定多个候选叶子节点；步骤S103、基于用户特征和多个候选叶子节点分别对应的多个候选真实对象中的每一个候选真实对象的特征，生成针对每一个候选真实对象的预测结果，其中，每一个候选真实对象的特征包括至少一个真实对象泛化特征；以及步骤S104、基于每一个候选真实对象的预测结果，确定一个或多个待推荐真实对象。通过获取用户特征和多个候选叶子节点所对应的候选真实对象的特征，能够得到用户针对每一个候选真实对象的预测结果，进而能够从这些预测结果中确定一个和多个待推荐真实对象，并将这些对象推荐给用户。通过在资源侧的树检索模型中为叶子节点对应的真实对象增加泛化特征，丰富了资源侧的特征信息，从而使得在对预测结果进行预测时，能够基于真实对象的标识特征和泛化特征来计算预测结果，进而提升了推荐过程的精确性并提高了推荐结果的准确性。此外，通过从树检索模型的多个叶子节点中确定多个候选叶子节点，能够减少用于生成预测结果的用户-对象特征对的数量，从而减少了相应的计算量，并缩短了召回过程的耗时。

树检索模型可以是利用树状结构表示多个真实对象的模型。树结构中的每一个叶子节点可以对应一个真实对象，即真实存在的能够被推荐给用户的对象。根据一些实施例，真实对象例如为包括以下一种或多种类型的数据：文字、音频和视频。真实对象例如还可以为文章、网页、商品等其他可以推荐给用户的对象，在此不做限定。

根据一些实施例，真实对象泛化特征可以包括以下一个或多个泛化特征：类别、作者、标签、质量等级和格调等级。真实对象泛化特征还可以包括多级子类别、文章的字数、网页的长度、商品的价格等，在此不做限定。

根据一些实施例，树检索模型还可以包括多个非叶子节点，这些非叶子节点与多个构造对象一一对应。构造对象为对多个真实对象的抽象表示，即构造对象并非真实对象，但能够作为多个真实对象的综合代表。构造对象的特征例如可以包括构造的标识特征和构造的泛化特征。在一个优选的实施例中，构造对象的泛化特征可以与真实对象的泛化特征一一对应，从而使得用户-构造对象特征对和用户-真实对象特征对能具有相同的结构，从而能够使用同一个预测模型进行预测。构造对象的特征的生成方法将在后文中进行描述。

根据一些实施例，步骤S101中获取到的用户特征可以是对用户数据进行分析而得到的一个或多个用户特征。根据一些实施例，用户特征可以包括用户标识特征和用户泛化特征。用户泛化特征例如可以包括用户的年龄、学历、兴趣、收入等。在一个优选的实施例中，用户泛化特征包括与真实对象泛化特征对应的至少一个泛化特征，例如可以包括类别偏好、质量等级偏好、格调等级偏好等。

根据一些实施例，如图2所示，步骤S102、利用树检索模型从多个叶子节点中确定多个候选叶子节点可以包括：步骤S1021、基于用户特征和至少一个属于同一层的非叶子节点对应的至少一个候选构造对象中的每一个候选构造对象的特征，生成针对每一个候选构造对象的预测结果，其中，每一个候选构造对象的特征包括至少一个构造对象泛化特征；步骤S1022、基于每一个候选构造对象的预测结果，确定构造对象子集；以及步骤S1023、响应于构造对象子集对应的至少一个非叶子节点的子节点为叶子节点，将至少一个非叶子节点的子节点确定为多个候选叶子节点。

根据一些实施例，如图2所示，步骤S102、用树检索模型从多个叶子节点中确定多个候选叶子节点可以包括：步骤S1024、响应于构造对象子集对应的至少一个非叶子节点的子节点为非叶子节点，基于用户特征和非叶子节点子集中的每一个子节点对应的构造对象的特征，重新确定构造对象子集。由此，利用树检索模型逐层基于部分非叶子节点的构造对象的预测结果确定构造对象子集，进而从这些构造对象对应的非叶子节点的子节点中继续选择部分非叶子节点以确定构造对象子集，直至在最后一层确定到多个候选叶子节点。由此，通过使用对树检索模型进行剪枝的方式只检索树模型的部分分支，能够避免计算所有真实对象的预测结果，从而大幅降低了推荐方法所需的计算量并大幅降低推荐过程所需时间，进而显著提升了使用这种方法的推荐系统的性能。此外，由于非叶子节点对应的构造对象的特征包括泛化特征，使得推荐系统在对这些抽象的构造对象进行预测时能够提升准确率，进而推荐系统能够在具有更多更有可能被推荐的叶子节点的分支中进行检索。

根据一些实施例，可以使用Top-K方法实现上述过程。示例性的，在检索的过程中，每一层只选取预测结果中最好的K个(或该层节点数量)构造对象作为候选构造对象，并在这K个构造对象的子节点中继续选择K个构造对象作为候选构造对象，直至得到K个叶子节点，即多个候选叶子节点。可以理解的是，针对不同层可以设置不同的K值，也可以设置相同的K值，在此不做限定。

树检索模型可以包括多层节点，例如可以包括3层、5层、8层或其他预先设定的层数。在对每层选择Top-K进行召回时，每层只需选择上层的部分节点的子节点进行预测，并选取本层得分最高的若干个节点的子节点作为下一轮需要预测的节点。因此，树的层数越大，召回过程即筛选的轮次越多，每一轮筛选的节点数量越少，总共需要筛选的节点更少，因而模型的性能较好但检索效果较差；相反的，树的层数越小，召回过程的轮次越少，每一轮筛选的节点数量越多，总共需要筛选的节点更多，因而模型的性能较差但检索效果较好。在一个优选的实施例中，如图3所示，检索树模型300选取5层树结构，从而能够把需要预测的对象的数量级降低两个数量级(例如从十万级到千级)。在检索树模型300中，最下层即0级301包括十万级的叶子节点，1级302包括10,000个非叶子节点，2级303包括500个非叶子节点，3级304包括20个非叶子节点，4级305包括一个非叶子节点即根节点。可以理解的是，以上仅为一种示例性的树模型结构设置方式，而并非对树模型层数和节点数量的限定。

根据一些实施例，多个叶子节点中的每一个叶子节点位于树检索模型的最下层。由此，通过限定每一个叶子节点均位于检索模型的最下层，使得树检索模型的结构更规整，从而在使用模型进行召回时的效率更高，并且使得模型更容易训练和更新。

根据一些实施例，步骤S103、基于用户特征和多个候选叶子节点分别对应的多个候选真实对象中的每一个候选真实对象的特征，生成针对每一个候选真实对象的预测结果可以包括：将用户特征和该候选真实对象的特征进行融合，以得到用户-真实对象组合特征；以及将用户特征、该候选真实对象的特征和用户-真实对象组合特征输入匹配模型，以得到匹配模型输出的预测结果。由此，通过使用用户特征、真实对象的特征和二者的组合特征，并将其输入匹配模型中，能够得到针对该真实对象的预测结果。由于使用了泛化特征，用户特征与真实对象的特征之间可以有更多的组合，从而能够进一步提升匹配模型输出的针对真实对象的预测结果的准确性。

根据一些实施例，上述用户特征、真实对象的特征和构造对象的特征均可以使用经过特征嵌入后而得到的特征向量，并且真实对象的特征和构造对象的特征可以对应同一个向量空间。由此，通过对上述特征进行嵌入，使其从稀疏的高维特征变成低维特征向量，从而大幅降低了匹配模型所需的参数数量，同时降低了匹配模型的训练难度。并且特征向量经过训练之后，同一特征中的类似的特征值对应的特征向量在特征空间中距离较近，而无关乃至负相关的特征值对应的特征向量在特征空间中的距离较远。示例性的，类别特征中，特征值‘科技’对应的特征向量和特征值‘数码’对应的特征向量在特征空间中的距离较近，而特征值‘科技’对应的特征向量与特征值‘搞笑’对应的特征向量在特征空间中的距离较远。此外，通过限定真实对象的特征和构造对象的特征位于同一特征空间，使得相关联的真实对象与构造对象(例如叶子节点和该叶子节点的父节点、祖先节点)的特征向量在特征空间中距离较近，从而使得构造对象的特征向量能够作为该构造对象下层的叶子节点的特征向量的综合表示，进而使得使用上述推荐方法的模型能够更精确的筛选出用户更可能点击的对象对应的叶子节点的祖先节点和父节点，进而能够得到用户更可能点击的对象。

特征之间的融合例如可以为两个特征向量进行內积计算，也可以为两个特征向量进行外积计算，还可以为两个特征向量进行哈达玛积计算，或者其他将两个特征进行融合的方式，在此不做限定。可以理解的是，也可以对两个以上的特征进行融合，在此不做限定。

根据一些实施例，匹配模型可以为神经网络模型，例如全连接神经网络、卷积神经网络或者其他神经网络模型。匹配模型也可以为其他能够基于输入的用户特征、对象特征和用户-对象组合特征以输出预测结果的模型，在此不做限定。

根据一些实施例，匹配模型基于由用户和真实对象的特征信息构成的输入所输出的预测结果例如可以为用户是否点击该真实对象的布尔值，也可以为用户点击该真实对象的概率，还可以为其他能够表征用户与该真实对象之间的推荐关系的其他表示方式，在此不做限定。

根据一些实施例，用户特征可以包括用户标识特征和至少一个用户泛化特征，每一个候选真实对象的特征除泛化特征外还可以包括真实对象标识特征。用户-真实对象组合特征可以包括以下多个组合特征中的一个或多个组合特征：用户标识特征和至少一个真实对象泛化特征分别进行融合而得到的至少一个组合特征；至少一个用户泛化特征分别和真实对象标识特征进行融合而得到的至少一个组合特征；以及至少一个用户泛化特征分别和至少一个真实对象泛化特征分别进行融合而得到的至少一个组合特征。由此，通过使用上述多种组合特征，丰富了匹配模型在预测阶段所基于的关于用户、对象以及用户-对象组合的特征信息，从而进一步提升了匹配模型的准确率。

根据一些实施例，如图4所示，输入匹配模型的特征例如可以包括：用户标识特征401、用户泛化特征402、用户标识特征与真实对象泛化特征的组合特征403、用户泛化特征和真实对象的标识特征的组合特征404、真实对象标识特征405和真实对象泛化特征406。将这些特征输入匹配模型(未示出)所包括的拼接层407以得到拼接后的特征，再将拼接后的特征输入神经网络408以得到用户针对真实对象的预测结果。

在另一些实施例中，输入匹配模型的特征还可以包括用户泛化特征和真实对象泛化特征的组合特征。如图5所示，输入匹配模型的特征可以包括：用户标识特征501、用户泛化特征502、用户标识特征与真实对象泛化特征的组合特征503、用户泛化特征和真实对象的标识特征的组合特征504、用户泛化特征和真实对象泛化特征的组合特征505、真实对象标识特征506和真实对象泛化特征507。将这些特征输入匹配模型(未示出)所包括的拼接层508以得到拼接后的特征，再将拼接后的特征输入神经网络509以得到用户针对真实对象的预测结果。

根据一些实施例，至少一个用户泛化特征和至少一个真实对象泛化特征可以包括至少一组泛化特征对，这些泛化特征对中的每一组泛化特征对包括对应的一个用户泛化特征和一个真实对象泛化特征。用户-真实对象组合特征还包括将至少一组泛化特征对中的泛化特征对子集中的每一组泛化特征对进行融合而得到的一个或多个组合特征。示例性的，用户泛化特征包括类别偏好、质量等级偏好和格调等级偏好特征，对象泛化特征包括类别、质量等级和格调等级，则可以选择这三对中的至少一对进行融合。例如泛化特征对子集可以包括类别偏好-类别对和格调等级偏好-格调等级对两个泛化特征对，进而可以选择将用户的类别偏好特征和对象的类别特征、用户的格调等级偏好特征和对象的格调等级分别进行融合，以得到相应的组合特征。由此，通过将对应的泛化特征对融合以得到相应的组合特征，使得匹配模型能够基于用户-对象组合之间同一泛化特征值的相同、相近或相异来进行预测，进而提升匹配模型的准确率。

可以理解的是，图中节点的数量仅作示意，而并非对用户泛化特征、真实对象泛化特征及其组合特征各自包括的特征数量的限定。

根据一些实施例，生成针对每一个候选构造对象的预测结果的过程例如可以包括：将用户特征和该候选构造对象的特征进行融合，得到用户-构造对象组合特征；以及将用户特征、该候选构造对象的特征和用户-构造对象组合特征输入匹配模型，以得到匹配模型输出的预测结果。由此，通过使用用户特征、构造对象的特征和二者的组合特征，并将其输入匹配模型中，能够得到针对该构造对象的预测结果。与对真实对象的预测过程类似，由于使用了泛化特征，因此用户特征与构造对象的特征之间可以有更多的组合，从而能够进一步提升匹配模型输出的针对构造对象的预测结果的准确性。在一个优选的实施例中，基于由用户和真实对象的特征信息构成的输入以输出针对真实对象的预测结果的匹配模型与基于由用户和构造对象的特征信息构成的输入以输出针对构造对象预测结果的匹配模型为同一个匹配模型。

可以理解的是，构造对象为真实对象的抽象表示，并非真实存在的能够被推荐给用户对象，因此该预测结果的物理意义在于用户对该构造对象所能代表的一个或多个真实对象(例如该构造对象的后代节点中的叶子节点或在特征空间中与该构造对象的特征向量距离相近的真实对象)进行点击与否的预测结果的综合表示。

根据一些实施例，在步骤S104中，例如可以将每一个候选真实对象的预测结果进行排序，并根据排序结果确定其中预测结果最优的一个或多个待推荐真实对象。在得到这些待推荐真实对象后，可以直接将所有的待推荐真实对象推荐给用户，也可以进行进一步的筛选、排序后再将这些对象推荐给用户。

根据本公开的另一方面，还提供了一种树检索模型的训练方法。树检索模型包括多个叶子节点，这些叶子节点与多个真实对象一一对应。真实对象中的每一个真实对象的特征包括至少一个真实对象泛化特征。如图6所示，训练方法可以包括：步骤S601、获取样本用户的特征和多个真实对象中与样本用户相关的样本真实对象的特征，并标注样本真实对象是否被样本用户点击的第一真实结果；步骤S602、将样本用户的特征对应的特征向量和样本真实对象的特征对应的特征向量输入匹配模型，以得到匹配模型输出的样本真实对象是否被样本用户点击的第一预测结果；以及步骤S603、基于第一真实结果和第一预测结果，调整样本真实对象的特征对应的特征向量。由此，通过上述训练方法能够得到样本真实对象的特征向量，并且通过在资源侧的树检索模型中为叶子节点对应的真实对象增加泛化特征，丰富了资源侧的特征信息，从而使得在使用在使用包括泛化特征的样本真实对象进行训练时，能够得到更准确的表示该样本真实对象的特征向量，从而能够在预测阶段提高推荐结果的准确性。

根据一些实施例，第一真实结果例如可以为用户是否点击该对象的布尔值，也可以为用户点击该对象的概率，还可以为其他能够表征用户与对象之间的推荐关系的其他表示方式，在此不做限定。根据一些实施例，第一预测结果与第一真实结果例如可以使用相同的表示方式，也可以使用不同的表示方式，在此不做限制。

示例性的，第一真实结果为用户是否点击该对象的布尔值，第一预测结果为用户点击该对象的概率。将第一真实结果二值化，使用‘1’表示点击、‘0’表示不点击，基于第一真实结果和第一预测结果计算损失值，并基于该损失值反向传播以调整样本真实对象的特征对应的特征向量。可以理解的是，使用上述方法还能够调整样本用户的特征对应的特征向量和匹配模型的参数。

根据一些实施例，真实对象泛化特征包括以下一个或多个泛化特征：类别、作者、标签、质量等级和格调等级。真实对象泛化特征还可以包括多级子类别、文章的字数、网页的长度、商品的价格等，在此不做限定。

根据一些实施例，真实对象为包括以下一种或多种类型的数据：文字、音频和视频。真实对象例如还可以为文章、网页、商品等其他可以推荐给用户的对象，在此不做限定。

根据一些实施例，匹配模型可以为神经网络模型，例如全连接神经网络、卷积神经网络或者其他神经网络模型。匹配模型也可以为其他能够基于输入的用户特征、对象特征和用户-对象组合特征以输出预测结果的模型，在此不做限定。

根据一些实施例，树检索模型还包括多个非叶子节点，这些非叶子节点与多个构造对象一一对应。多个构造对象中的每一个构造对象的特征包括至少一个构造对象泛化特征。如图7所示，训练方法还可以包括：步骤S704、获取样本真实对象对应的叶子节点所在的树路径，并确定树路径上的至少一个非叶子节点中的待训练非叶子节点子集；步骤S705、将表征待训练非叶子节点子集中的每一个非叶子节点对应的样本构造对象与样本用户匹配程度的第二真实结果标注为第一真实结果；步骤S706、将每一个非叶子节点对应的样本构造对象的特征对应的特征向量输入匹配模型，以得到匹配模型输出的表征该样本构造对象与样本用户匹配程度的第二预测结果；以及步骤S707、基于第二真实结果和第二预测结果，调整样本构造对象的特征对应的特征向量的参数。图7中的步骤S701-S703与图6中的步骤S601-S603类似。由此，通过将样本构造对象的第二真实结果标注为其后代节点中的叶子节点的第一真实结果，使得训练后得到的样本构造对象的特征向量能够作为其后代节点的特征向量的综合表示。并且通过为构造对象的特征中增加泛化特征，使得推荐系统在对这些抽象的构造对象进行预测时能够提升准确率，进而推荐系统能够在具有更多更有可能被推荐的叶子节点的分支中进行检索。

树路径为树模型中从根节点到叶子节点的路径。每一个叶子节点的树路径中包括该叶子节点的所有祖先节点和该叶子节点本身。

可以理解的是，由于构造对象并非真实存在的能够被推荐给用户的对象，因此匹配模型基于由用户和构造对象的特征信息构成的输入所输出的第二预测结果例如可以为用户与该构造对象的匹配程度，即用户与该构造对象的后代节点中的叶子节点的推荐关系的综合表示。根据一些实施例，构造对象的特征可以包括标识特征和泛化特征。构造对象的标识与任一个真实对象的标识不同，并且任意两个构造对象的标识均不同。示例性的，如图8所示，树模型的一个分支包括真实对象801-806和构造对象807-809，其中，真实对象801的标识为‘ItemID001’，真实对象804的标识为‘ItemID002’，则构造对象807的标识为‘FakeID001’，构造对象808的标识为‘FakeID002’。构造对象包括的泛化特征可以与真实对象相同，但构造对象的泛化特征的特征值与任一个真实对象的同一泛化特征的任一特征值不同，并且任意两个构造对象的同一泛化特征的特征值不同。示例性的，真实对象801-806的泛化特征包括类别、质量等级和格调等级，构造对象807-809的泛化特征同样包括这三个特征。具体的，真实对象801的泛化特征为{‘天文’、‘高’、‘高’}，真实对象804的泛化特征为{‘搞笑’、‘中’、‘低’}，而构造对象807的泛化特征为{‘FakeCate1’，‘FakeQual1’，‘FakeTaste1’}，构造对象808的泛化特征为{‘FakeCate2’，‘FakeQual2’，‘FakeTaste2’}。

假设用户点击了真实对象801，则可以将构造对象807的第二真实结果标注为‘1’；假设用户未点击真实对象804，或者用户将真实对象804标记为不喜欢，则可以将构造对象808的第二真实结果表述为‘0’，进而可以将构造对象807-808作为样本构造对象进行训练，以得到样本构造对象的特征对应的特征向量。通过使用上述方法，能够使得样本构造对象泛化特征学习到其后代节点中的叶子节点的真实对象泛化特征，并且样本构造对象泛化特征对应的特征向量能够成为这些真实对象泛化特征的共同抽象含义表达。可以理解的是，使用上述训练方法还能够调整样本用户的特征对应的特征向量和匹配模型的参数。

根据一些实施例，多个真实对象和多个构造对象位于同一个特征空间。通过限定真实对象的特征和构造对象的特征位于同一特征空间，使得经过训练后，相关联的真实对象与构造对象(例如叶子节点和该叶子节点的父节点、祖先节点)的特征向量在特征空间中距离较近，从而使得构造对象的特征向量能够作为该构造对象下层的叶子节点的特征向量的综合表示，进而使得使用上述推荐方法的模型在预测阶段能够更精确的筛选出用户更可能点击的对象对应的叶子节点的祖先节点和父节点，进而能够得到用户更可能点击的对象。

根据一些实施例，如图7所示，训练方法还可以包括：步骤S708、响应于检测到满足预设条件，基于多个叶子节点对应的多个真实对象，确定多个叶子簇，其中，多个叶子簇中的每一个叶子簇对应至少一个真实对象，多个叶子簇的数量不多于次下层的非叶子节点数量；步骤S709、确定每一个叶子簇的向量表达；步骤S710、建立每一个叶子簇的向量表达和次下层的多个非叶子节点的映射关系；以及步骤S711、基于映射关系，将每一个叶子簇中的每一个叶子节点的父节点设定为该叶子簇的向量表达对应的次下层的节点。由此，基于叶子节点生成多个叶子簇并得到叶子簇的向量表达，再将该向量表达与次下层的节点之间建立映射关系，从而重新构建树模型的最下层的叶子节点和次下层的节点之间的对应关系。通过上述方法，能够快速更新树模型的结构，避免了在更新部分叶子节点后再对上层结构进行重新训练，进而提升的推荐系统的性能与效果。

叶子簇例如为由多个叶子节点构成的集合。根据一些实施例，多个叶子节点中的每一个叶子节点位于树检索模型的最下层。由此，通过限定每一个叶子节点均位于检索模型的最下层，使得树检索模型的结构更规整，从而在使用模型进行召回时的效率更高，并且使得模型更容易训练和更新。此外，通过限定每一个叶子节点位于树检索模型的最下层，确保了所有叶子节点均能够用于生成叶子簇，从而更大程度的利用了全部真实对象用于生成叶子簇，提升了叶子簇和叶子簇的向量表达的准确性。

树检索模型中的次下层例如可以为最下层节点的父节点所在的层。在所有叶子节点都属于最下层时，每一个次下层的节点均为至少一个叶子节点的父节点。

根据一些实施例，步骤S708、响应于检测到满足预设条件，基于多个叶子节点对应的多个真实对象，确定多个叶子簇可以包括：获取多个叶子节点中的每一个叶子节点对应的真实对象的特征对应的特征向量；以及对每一个叶子节点对应的真实对象的特征对应的特征向量使用聚类算法，以得到多个叶子簇。由此，通过对所有叶子节点的对象特征向量进行聚类运算以得到多个叶子簇，从而能够得到准确的多个叶子簇，进而能够缩小叶子簇的向量表达与各个叶子节点的向量距离，同时提升叶子节点对应的特征向量和叶子节点的父节点对应的特征向量的相似度，进而提升推荐效果。

根据一些实施例，预设条件可以为时间条件，例如每天、每12小时、每两天或其他以时间作为条件的预设条件，也可以为检测到特定的指令，例如检测到相关人员发出的重新构建叶子节点和次下层节点的映射关系的指令，还可以为其他的触发条件，在此不做限定。

根据一些实施例，例如可以使用k-means聚类算法对叶子节点对应的真实对象的特征对应的特征向量进行聚类，以得到多个叶子簇。在一个优选的实施例中，每一个叶子簇所包括的叶子节点的数量近似相同。

根据一些实施例，步骤S709中确定的每一个叶子簇的向量表达为每一个叶子簇所包括的所有叶子节点对应的真实对象的特征对应的特征向量的均值。由此，通过将叶子簇中的所有叶子节点对应的真实对象的特征对应的特征向量的均值确定为该叶子簇的向量表达，使得能够通过较少的计算量得到准确的向量表达。

根据一些实施例，步骤S710中建立的每一个叶子簇的向量表达和次下层的节点之间的映射关系为一一映射。由此，每一个次下层节点都能与一个叶子簇相匹配，从而避免了对树模型的资源浪费。在一个优选的实施例中，可以使用贪心算法得到每一个叶子簇的向量表达与次下层节点之间的映射关系。

根据一些实施例，如图7所示，训练方法还可以包括：步骤S712、响应于检测到新增叶子节点请求，将新增的叶子节点的父节点设定为次下层的多个非叶子节点中第一节点。第一节点可以为满足如下条件的非叶子节点：第一节点对应的真实对象的特征对应的特征向量与新增的叶子节点对应的真实对象的特征对应的特征向量之间满足预设关系。由此，通过将新增的叶子节点放置到与其对应的特征向量最接近的次下层节点之下，使得能够快速将新增的叶子节点放入树检索模型中的适当位置，从而使得对应的新增对象马上可以被推荐给用户，而无需等到下次训练后才能加入模型中。

根据一些实施例，新增叶子节点请求例如可以是由真实对象的资源提供方发起的请求，也可以是平台的管理方定时或不定时发起的请求，在此不做限定。预设关系例如可以是两个向量的距离小于预设距离，也可以是两个向量的相似度小于预设值，在此不做限定。

在一个优选的实施例中，步骤S708中的预设条件为每天，步骤S712中的新增叶子节点请求为平台的管理方每小时发起的，即采用天级聚类-匹配建树方式和小时级插入叶子节点方式对树检索模型进行训练更新。

根据本公开的另一方面，还提供了一种利用树检索模型向用户推荐对象的装置。树检索模型可以包括多个叶子节点，这些叶子节点可以与多个真实对象一一对应。如图9所示，推荐对象的装置900可以包括：获取模块901，被配置为获取用户特征；第一确定模块902，被配置为利用树检索模型从多个叶子节点中确定多个候选叶子节点；第一预测模块903，被配置为基于用户特征和多个候选叶子节点分别对应的多个候选真实对象中的每一个候选真实对象的特征，生成针对每一个候选真实对象的预测结果，其中，每一个候选真实对象的特征包括至少一个真实对象泛化特征；以及第二确定模块904，被配置为基于每一个候选真实对象的预测结果，确定一个或多个待推荐真实对象。

推荐对象的装置900的模块901-模块904的操作与前面描述的步骤S101-步骤S104的操作类似，在此不做赘述。

根据一些实施例，树检索模型还可以包括多个非叶子节点，这些非叶子节点可以与多个构造对象一一对应。如图10所示，第一确定模块902可以包括：第一预测子模块9021，被配置为基于用户特征和至少一个属于同一层的非叶子节点对应的至少一个候选构造对象中的每一个候选构造对象的特征，生成针对每一个候选构造对象的预测结果，其中，每一个构造对象的特征包括至少一个构造对象泛化特征；第一确定子模块9022，被配置为基于每一个候选构造对象的预测结果，确定构造对象子集；以及第二确定子模块9023，被配置为响应于构造对象子集对应的至少一个非叶子节点的子节点为叶子节点，将至少一个非叶子节点的子节点确定为多个候选叶子节点。

第一确定模块902的子模块9021-子模块9023的操作与前面描述的步骤S1021-步骤S1023的操作类似，在此不做赘述。

根据一些实施例，第二确定子模块9023可以被进一步配置为：响应于构造对象子集对应的至少一个非叶子节点的子节点为非叶子节点，基于用户特征和非叶子节点子集中的每一个子节点对应的构造对象的特征，重新确定构造对象子集。

根据一些实施例，第一预测模块903可以包括：第一融合子模块(未示出)，被配置为将用户特征和该候选真实对象的特征进行融合，以得到用户-真实对象组合特征；以及第二预测子模块(未示出)，被配置为将用户特征、该候选真实对象的特征和用户-真实对象组合特征输入匹配模型，以得到匹配模型输出的预测结果。

根据一些实施例，用户特征可以包括用户标识特征和至少一个用户泛化特征，每一个候选真实对象的特征可以包括真实对象标识特征。第一融合子模块可以被配置为将用户特征和该候选真实对象的特征进行融合，以得到以下多个组合特征中的一个或多个组合特征：用户标识特征和至少一个真实对象泛化特征分别进行融合而得到的至少一个组合特征；至少一个用户泛化特征分别和真实对象标识特征进行融合而得到的至少一个组合特征；以及至少一个用户泛化特征分别和至少一个真实对象泛化特征分别进行融合而得到的至少一个组合特征。

根据一些实施例，至少一个用户泛化特征和至少一个真实对象泛化特征可以包括至少一组泛化特征对，至少一组泛化特征对中的每一组泛化特征对可以包括对应的一个用户泛化特征和一个真实对象泛化特征。第一融合子模块可以被配置为将至少一组泛化特征对中的泛化特征对子集中的每一组泛化特征对进行融合，以得到一个或多个组合特征。

根据一些实施例，每一个候选构造对象所包括的特征可以与每一个候选真实对象所包括的特征相同。第一预测子模块9021还可以包括：第二融合子模块(未示出)，被配置为将用户特征和该候选构造对象的特征进行融合，得到用户-构造对象组合特征；以及第三预测子模块(未示出)，被配置为将用户特征、该候选构造对象的特征和用户-构造对象组合特征输入匹配模型，以得到匹配模型输出的预测结果。

根据上述实施例中使用的方法，通过在树检索模型中的叶子节点和非叶子节点增加泛化特征，丰富了叶子节点和非叶子节点的特征信息，同时通过树路径中的上溯关系使得上层非叶子节点能够学习到下层叶子节点对应的特征的综合抽象表示，从而提升基于这些特征得到的预测结果的准确率，进而提升最终召回的对象与用户的匹配度。此外，资源侧的泛化特征可以任意设定、改动，并且树检索模型的上层结构也可以任意调整，可扩展性强，为后续对泛化特征进行特征工程的优化打开了巨大空间，从而能够进一步提升使用上述方法的推荐系统的效果。

根据本公开的另一方面，还提供了一种树检索模型的训练装置。树检索模型可以包括多个叶子节点，这些叶子节点可以与多个真实对象一一对应。多个真实对象中的每一个真实对象的特征可以包括至少一个真实对象泛化特征。如图11所示，训练装置1100可以包括：获取模块1101，被配置为获取样本用户的特征和多个真实对象中与样本用户相关的与叶子节点对应的样本真实对象的特征，并标注样本真实对象是否被样本用户点击的第一真实结果；预测模块1102，被配置为将样本用户的特征对应的特征向量和样本真实对象的特征对应的特征向量输入匹配模型，以得到匹配模型输出的样本真实对象是否被样本用户点击的第一预测结果；以及调参模块1103，被配置为基于第一真实结果和第一预测结果，调整样本真实对象的特征对应的特征向量。

训练装置1100的模块1101-模块1103的操作与前面描述的步骤S601-步骤S603的操作类似，在此不做赘述。

根据一些实施例，树检索模型还包括多个非叶子节点，这些非叶子节点可以与多个构造对象一一对应。多个构造对象中的每一个构造对象的特征可以包括至少一个构造对象泛化特征。如图12所示，训练装置1200还可以包括：第一确定模块1204，被配置为获取样本真实对象对应的叶子节点所在的树路径，并确定树路径上的至少一个非叶子节点中的待训练非叶子节点子集；以及标注模块1205，被配置为将表征待训练非叶子节点子集中的每一个非叶子节点对应的样本构造对象与样本用户匹配程度的第二真实结果标注为第一真实结果。预测模块1202被进一步配置为将每一个非叶子节点对应的样本构造对象的特征对应的特征向量输入匹配模型，以得到匹配模型输出的表征该样本构造对象与样本用户匹配程度的第二预测结果；调参模块1203被进一步配置为基于第二真实结果和第二预测结果，调整样本构造对象的特征对应的特征向量的参数。图12中的模块1201与图11中的模块1101类似，图12模块1202-模块1203为在图11中的模块1102-模块1103的基础上进行进一步配置而得到。

训练装置1200的模块1201-模块1205的操作与前面描述的步骤S701-步骤S705的操作类似，并且模块1202-模块1203的操作还与前描述的步骤S706-步骤S707类似，在此不做赘述。

根据一些实施例，如图12所示，训练装置1200还可以包括：第二确定模块1206，被配置为响应于检测到满足预设条件，基于多个叶子节点对应的多个真实对象，确定多个叶子簇，其中，多个叶子簇中的每一个叶子簇对应至少一个真实对象，多个叶子簇的数量不多于次下层的非叶子节点数量；第三确定模块1207，被配置为确定每一个叶子簇的向量表达；映射模块1208，被配置为建立每一个叶子簇的向量表达和次下层的多个非叶子节点的映射关系；以及设定模块1209，被配置为基于映射关系，将每一个叶子簇中的每一个叶子节点的父节点设定为该叶子簇的向量表达对应的次下层的节点。

训练装置1200的模块1206-模块1209的操作与前面描述的步骤S708-步骤S711的操作类似，在此不做赘述。

根据一些实施例，第二确定模块1206还可以包括：获取子模块(未示出)，被配置为获取多个叶子节点中的每一个叶子节点对应的真实对象的特征对应的特征向量；以及聚类子模块(未示出)，被配置为对每一个叶子节点对应的真实对象的特征对应的特征向量使用聚类算法，以得到多个叶子簇。

根据一些实施例，第三确定模块1207还可以被配置为将每一个叶子簇的向量表达为每一个叶子簇所包括的所有叶子节点对应的真实对象的特征对应的特征向量的均值。

根据一些实施例，如图12所示，训练装置1200还可以包括：新增节点模块1210，被配置为响应于检测到新增叶子节点请求，将新增的叶子节点的父节点设定为次下层的多个非叶子节点中第一节点，第一节点对应的真实对象的特征对应的特征向量与新增的叶子节点对应的真实对象的特征对应的特征向量之间满足预设关系。

训练装置1200的模块1210的操作与前面描述的步骤S712的操作类似，在此不做赘述。

根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

参考图13现将描述可以作为本公开的服务器或客户端的电子设备1300的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图13所示，设备1300包括计算单元1301，其可以根据存储在只读存储器(ROM)1302中的计算机程序或者从存储单元1308加载到随机访问存储器(RAM)1303中的计算机程序，来执行各种适当的动作和处理。在RAM 1303中，还可存储设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。

设备1300中的多个部件连接至I/O接口1305，包括：输入单元1306、输出单元1307、存储单元1308以及通信单元1309。输入单元1306可以是能向设备1300输入信息的任何类型的设备，输入单元1306可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1307可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1308可以包括但不限于磁盘、光盘。通信单元1309允许设备1300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元1301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1301执行上文所描述的各个方法和处理，例如向用户推荐对象的或训练方法。例如，在一些实施例中，向用户推荐对象的或训练的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1308。在一些实施例中，计算机程序的部分或者全部可以经由ROM1302和/或通信单元1309而被载入和/或安装到设备1300上。当计算机程序加载到RAM1303并由计算单元1301执行时，可以执行上文描述的向用户推荐对象的或训练的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行向用户推荐对象的或训练的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (40)

1.一种利用树检索模型向用户推荐对象的方法，其中，所述树检索模型包括多个叶子节点，所述多个叶子节点与多个真实对象一一对应，所述方法包括：

获取用户特征；

利用所述树检索模型从所述多个叶子节点中确定多个候选叶子节点；

基于所述用户特征和所述多个候选叶子节点分别对应的多个候选真实对象中的每一个候选真实对象的特征，生成针对所述每一个候选真实对象的预测结果，其中，所述每一个候选真实对象的特征包括至少一个真实对象泛化特征；以及

基于所述每一个候选真实对象的预测结果，确定一个或多个待推荐真实对象。

2.如权利要求1所述的方法，其中，所述树检索模型还包括多个非叶子节点，所述多个非叶子节点与多个构造对象一一对应，

其中，利用所述树检索模型从所述多个叶子节点中确定多个候选叶子节点包括：

基于所述用户特征和至少一个属于同一层的非叶子节点对应的至少一个候选构造对象中的每一个候选构造对象的特征，生成针对所述每一个候选构造对象的预测结果，其中，所述每一个候选构造对象的特征包括至少一个构造对象泛化特征；

基于所述每一个候选构造对象的预测结果，确定构造对象子集；以及

响应于所述构造对象子集对应的至少一个非叶子节点的子节点为叶子节点，将所述至少一个非叶子节点的子节点确定为所述多个候选叶子节点。

3.如权利要求2所述的方法，其中，利用所述树检索模型从所述多个叶子节点中确定多个候选叶子节点还包括：

响应于所述构造对象子集对应的至少一个非叶子节点的子节点为非叶子节点，基于所述用户特征和所述非叶子节点子集中的每一个子节点对应的构造对象的特征，重新确定所述构造对象子集。

4.如权利要求1所述的方法，其中，生成针对所述每一个候选真实对象的预测结果包括：

将所述用户特征和该候选真实对象的特征进行融合，以得到用户-真实对象组合特征；以及

将所述用户特征、该候选真实对象的特征和所述用户-真实对象组合特征输入匹配模型，以得到所述匹配模型输出的预测结果。

5.如权利要求4所述的方法，其中，所述用户特征包括用户标识特征和至少一个用户泛化特征，所述每一个候选真实对象的特征包括真实对象标识特征，

其中，所述用户-真实对象组合特征包括以下多个组合特征中的一个或多个组合特征：

所述用户标识特征和所述至少一个真实对象泛化特征分别进行融合而得到的至少一个组合特征；

所述至少一个用户泛化特征分别和所述真实对象标识特征进行融合而得到的至少一个组合特征；以及

所述至少一个用户泛化特征分别和所述至少一个真实对象泛化特征分别进行融合而得到的至少一个组合特征。

6.如权利要求5所述的方法，其中，所述至少一个用户泛化特征和所述至少一个真实对象泛化特征包括至少一组泛化特征对，所述至少一组泛化特征对中的每一组泛化特征对包括对应的一个用户泛化特征和一个真实对象泛化特征，

其中，所述用户-真实对象组合特征还包括将所述至少一组泛化特征对中的泛化特征对子集中的每一组泛化特征对进行融合而得到的一个或多个组合特征。

7.如权利要求2所述的方法，其中，所述每一个候选构造对象所包括的特征与所述每一个候选真实对象所包括的特征相同，

其中，生成针对所述每一个候选构造对象的预测结果包括：

将所述用户特征和该候选构造对象的特征进行融合，得到用户-构造对象组合特征；以及

将所述用户特征、该候选构造对象的特征和所述用户-构造对象组合特征输入匹配模型，以得到所述匹配模型输出的预测结果。

8.如权利要求1所述的方法，其中，所述至少一个真实对象泛化特征包括以下一个或多个泛化特征：类别、作者、标签、质量等级和格调等级。

9.如权利要求2所述的方法，其中，所述用户特征、所述多个真实对象的特征和所述多个构造对象的特征均为经过特征嵌入后而得到的特征向量，其中，所述多个真实对象的特征和所述多个构造对象的特征对应同一个特征向量空间。

10.如权利要求1所述的方法，其中，所述真实对象为包括以下一种或多种类型的数据：文字、音频和视频。

11.如权利要求1所述的方法，其中，所述多个叶子节点中的每一个叶子节点位于树检索模型的最下层。

12.如权利要求4所述的方法，其中，所述匹配模型为神经网络模型。

13.一种树检索模型的训练方法，其中，所述树检索模型包括多个叶子节点，所述多个叶子节点与多个真实对象一一对应，所述多个真实对象中的每一个真实对象的特征包括至少一个真实对象泛化特征，

其中，所述方法包括：

获取样本用户的特征和所述多个真实对象中与所述样本用户相关的样本真实对象的特征，并标注所述样本真实对象是否被所述样本用户点击的第一真实结果；

将所述样本用户的特征对应的特征向量和所述样本真实对象的特征对应的特征向量输入匹配模型，以得到所述匹配模型输出的所述样本真实对象是否被所述样本用户点击的第一预测结果；以及

基于所述第一真实结果和所述第一预测结果，调整所述样本真实对象的特征对应的特征向量。

14.如权利要求13所述的训练方法，其中，所述树检索模型还包括多个非叶子节点，所述多个非叶子节点与多个构造对象一一对应，所述多个构造对象中的每一个构造对象的特征包括至少一个构造对象泛化特征，

其中，所述方法还包括：

获取所述样本真实对象对应的叶子节点所在的树路径，并确定所述树路径上的至少一个非叶子节点中的待训练非叶子节点子集；

将表征所述待训练非叶子节点子集中的每一个非叶子节点对应的样本构造对象与所述样本用户匹配程度的第二真实结果标注为所述第一真实结果；

将所述每一个非叶子节点对应的样本构造对象的特征对应的特征向量输入匹配模型，以得到所述匹配模型输出的表征该样本构造对象与所述样本用户匹配程度的第二预测结果；以及

基于所述第二真实结果和所述第二预测结果，调整所述样本构造对象的特征对应的特征向量的参数。

15.如权利要求13所述的训练方法，还包括：

响应于检测到满足预设条件，基于所述多个叶子节点对应的所述多个真实对象，确定多个叶子簇，其中，所述多个叶子簇中的每一个叶子簇对应至少一个真实对象，所述多个叶子簇的数量不多于次下层的非叶子节点数量；

确定所述每一个叶子簇的向量表达；

建立所述每一个叶子簇的向量表达和次下层的多个非叶子节点的映射关系；以及

基于所述映射关系，将所述每一个叶子簇中的每一个叶子节点的父节点设定为该叶子簇的向量表达对应的次下层的节点。

16.如权利要求15所述的训练方法，其中，确定多个叶子簇包括：

获取所述多个叶子节点中的每一个叶子节点对应的真实对象的特征对应的特征向量；以及

对所述每一个叶子节点对应的真实对象的特征对应的特征向量使用聚类算法，以得到所述多个叶子簇。

17.如权利要求15所述的训练方法，其中，所述每一个叶子簇的向量表达和次下层的节点之间的映射关系为一一映射。

18.如权利要求15所述的训练方法，其中，所述每一个叶子簇的向量表达为所述每一个叶子簇所包括的所有叶子节点对应的真实对象的特征对应的特征向量的均值。

19.如权利要求13所述的训练方法，还包括：

响应于检测到新增叶子节点请求，将新增的叶子节点的父节点设定为次下层的多个非叶子节点中第一节点，所述第一节点对应的真实对象的特征对应的特征向量与所述新增的叶子节点对应的真实对象的特征对应的特征向量之间满足预设关系。

20.如权利要求13所述的方法，其中，所述至少一个真实对象泛化特征包括以下一个或多个泛化特征：类别、作者、标签、质量等级和格调等级。

21.如权利要求14所述的方法，其中，所述多个真实对象和所述多个构造对象位于同一个特征空间。

22.如权利要求13所述的方法，其中，所述真实对象为包括以下一种或多种类型的数据：文字、音频和视频。

23.如权利要求13所述的方法，其中，所述多个叶子节点中的每一个叶子节点位于树检索模型的最下层。

24.如权利要求13所述的方法，其中，所述匹配模型为神经网络模型。

25.一种利用树检索模型向用户推荐对象的装置，其中，所述树检索模型包括多个叶子节点，所述多个叶子节点与多个真实对象一一对应，所述装置包括：

获取模块，被配置为获取用户特征；

第一确定模块，被配置为利用所述树检索模型从所述多个叶子节点中确定多个候选叶子节点；

第一预测模块，被配置为基于所述用户特征和所述多个候选叶子节点分别对应的多个候选真实对象中的每一个候选真实对象的特征，生成针对所述每一个候选真实对象的预测结果，其中，所述每一个候选真实对象的特征包括至少一个真实对象泛化特征；以及

第二确定模块，被配置为基于所述每一个候选真实对象的预测结果，确定一个或多个待推荐真实对象。

26.如权利要求25所述的装置，其中，所述树检索模型还包括多个非叶子节点，所述多个非叶子节点与多个构造对象一一对应，

其中，所述第一确定模块包括：

第一预测子模块，被配置为基于所述用户特征和至少一个属于同一层的非叶子节点对应的至少一个候选构造对象中的每一个候选构造对象的特征，生成针对所述每一个候选构造对象的预测结果，其中，所述每一个构造对象的特征包括至少一个构造对象泛化特征；

第一确定子模块，被配置为基于所述每一个候选构造对象的预测结果，确定构造对象子集；以及

第二确定子模块，被配置为响应于所述构造对象子集对应的至少一个非叶子节点的子节点为叶子节点，将所述至少一个非叶子节点的子节点确定为所述多个候选叶子节点。

27.如权利要求26所述的装置，其中，所述第二确定子模块进一步被配置为：

响应于所述构造对象子集对应的至少一个非叶子节点的子节点为非叶子节点，基于所述用户特征和所述非叶子节点子集中的每一个子节点对应的构造对象的特征，重新确定所述构造对象子集。

28.如权利要求25所述的装置，其中，所述第一预测模块包括：

第一融合子模块，被配置为将所述用户特征和该候选真实对象的特征进行融合，以得到用户-真实对象组合特征；以及

第二预测子模块，被配置为将所述用户特征、该候选真实对象的特征和所述用户-真实对象组合特征输入匹配模型，以得到所述匹配模型输出的预测结果。

29.如权利要求27所述的装置，其中，所述用户特征包括用户标识特征和至少一个用户泛化特征，所述每一个候选真实对象的特征包括真实对象标识特征，

其中，所述第一融合子模块被配置为将所述用户特征和该候选真实对象的特征进行融合，以得到以下多个组合特征中的一个或多个组合特征：

所述用户标识特征和所述至少一个真实对象泛化特征分别进行融合而得到的至少一个组合特征；

所述至少一个用户泛化特征分别和所述真实对象标识特征进行融合而得到的至少一个组合特征；以及

所述至少一个用户泛化特征分别和所述至少一个真实对象泛化特征分别进行融合而得到的至少一个组合特征。

30.如权利要求29所述的装置，其中，所述至少一个用户泛化特征和所述至少一个真实对象泛化特征包括至少一组泛化特征对，所述至少一组泛化特征对中的每一组泛化特征对包括对应的一个用户泛化特征和一个真实对象泛化特征，

其中，所述第一融合子模块被配置为将所述至少一组泛化特征对中的泛化特征对子集中的每一组泛化特征对进行融合，以得到一个或多个组合特征。

31.如权利要求26所述的装置，其中，所述每一个候选构造对象所包括的特征与所述每一个候选真实对象所包括的特征相同，

其中，所述第一预测子模块还包括：

第二融合子模块，被配置为将所述用户特征和该候选构造对象的特征进行融合，得到用户-构造对象组合特征；以及

第三预测子模块，被配置为将所述用户特征、该候选构造对象的特征和所述用户-构造对象组合特征输入匹配模型，以得到所述匹配模型输出的预测结果。

32.一种树检索模型的训练装置，其中，所述树检索模型包括多个叶子节点，所述多个叶子节点与多个真实对象一一对应，所述多个真实对象中的每一个真实对象的特征包括至少一个真实对象泛化特征，

其中，所述装置包括：

获取模块，被配置为获取样本用户的特征和所述多个真实对象中与所述样本用户相关的样本真实对象的特征，并标注所述样本真实对象是否被所述样本用户点击的第一真实结果；

预测模块，被配置为将所述样本用户的特征对应的特征向量和所述样本真实对象的特征对应的特征向量输入匹配模型，以得到所述匹配模型输出的所述样本真实对象是否被所述样本用户点击的第一预测结果；以及

调参模块，被配置为基于所述第一真实结果和所述第一预测结果，调整所述样本真实对象的特征对应的特征向量。

33.如权利要求32所述的装置，其中，所述树检索模型还包括多个非叶子节点，所述多个非叶子节点与多个构造对象一一对应，所述多个构造对象中的每一个构造对象的特征包括至少一个构造对象泛化特征，

其中，所述装置还包括：

第一确定模块，被配置为获取所述样本真实对象对应的叶子节点所在的树路径，并确定所述树路径上的至少一个非叶子节点中的待训练非叶子节点子集；以及

标注模块，被配置为将表征所述待训练非叶子节点子集中的每一个非叶子节点对应的样本构造对象与所述样本用户匹配程度的第二真实结果标注为所述第一真实结果；

并且其中，

所述预测模块被进一步配置为将所述每一个非叶子节点对应的样本构造对象的特征对应的特征向量输入匹配模型，以得到所述匹配模型输出的表征该样本构造对象与所述样本用户匹配程度的第二预测结果，

所述调参模块被进一步配置为基于所述第二真实结果和所述第二预测结果，调整所述样本构造对象的特征对应的特征向量的参数。

34.如权利要求32所述的装置，还包括：

第二确定模块，被配置为响应于检测到满足预设条件，基于所述多个叶子节点对应的所述多个真实对象，确定多个叶子簇，其中，所述多个叶子簇中的每一个叶子簇对应至少一个真实对象，所述多个叶子簇的数量不多于次下层的非叶子节点数量；

第三确定模块，被配置为确定所述每一个叶子簇的向量表达；

映射模块，被配置为建立所述每一个叶子簇的向量表达和次下层的多个非叶子节点的映射关系；以及

设定模块，被配置为基于所述映射关系，将所述每一个叶子簇中的每一个叶子节点的父节点设定为该叶子簇的向量表达对应的次下层的节点。

35.如权利要求34所述的装置，其中，所述第二确定模块包括：

获取子模块，被配置为获取所述多个叶子节点中的每一个叶子节点对应的真实对象的特征对应的特征向量；以及

聚类子模块，被配置为对所述每一个叶子节点对应的真实对象的特征对应的特征向量使用聚类算法，以得到所述多个叶子簇。

36.如权利要求34所述的装置，其中，所述第三确定模块被配置为将所述每一个叶子簇的向量表达为所述每一个叶子簇所包括的所有叶子节点对应的真实对象的特征对应的特征向量的均值。

37.如权利要求32所述的装置，还包括：

新增节点模块，被配置为响应于检测到新增叶子节点请求，将新增的叶子节点的父节点设定为次下层的多个非叶子节点中第一节点，所述第一节点对应的真实对象的特征对应的特征向量与所述新增的叶子节点对应的真实对象的特征对应的特征向量之间满足预设关系。

38.一种电子设备，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权利要求1-24中任一项所述的方法。

39.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-24中任一项所述的方法。

40.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-24中任一项所述的方法。

Images