CN112905904B - 一种推荐方法、装置、服务器及存储介质 - Google Patents

Abstract

本公开是关于一种推荐方法、装置、服务器及存储介质，涉及互联网技术领域。本公开的实施例包括：确定对象库中待推荐账号进行过负反馈行为的负反馈对象，负反馈行为包括反馈不感兴趣的行为和/或未进行反馈的行为；从除负反馈对象外的其他对象中，选择待推荐对象；将待推荐对象推荐给待推荐账户。通过采用本公开实施例提供的技术方案，服务器选取出的待推荐对象除了包括待推荐账户感兴趣的对象，还可以包括除待推荐账户感兴趣的对象以外的对象，使得向待推荐账户推荐的待推荐对象的种类更加丰富，解决了相关技术中推荐的对象的种类较为单一的问题。

Description

一种推荐方法、装置、服务器及存储介质

技术领域

本公开涉及互联网技术领域，尤其涉及一种推荐方法、装置、服务器及存储介质。

背景技术

随着互联网技术的发展，网络平台可以基于用户的反馈行为向用户推荐用户感兴趣的对象。网络平台不同，向用户推荐的对象通常也不相同，例如，在网络平台为视频平台时，向用户推荐的对象可以为视频信息，在网络平台为购物平台时，向用户推荐的对象可以为商品信息。

相关技术中，服务器可以根据用户的正反馈行为，确定用户的感兴趣的对象(可称为正反馈对象)，然后，服务器可以从预设的多个对象中，确定与正反馈对象的相似度最高的预设数目个对象，作为待推荐对象，进而，服务器可以将待推荐对象推荐给用户。

然而，向用户推荐的对象仅仅为与用户的正反馈对象相似的对象，推荐的对象的种类较为单一。

发明内容

本公开提供一种推荐方法、装置、服务器及存储介质，以至少解决相关技术中推荐的对象的种类较为单一的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种推荐方法，包括：

确定对象库中待推荐账号进行过负反馈行为的负反馈对象，所述负反馈行为包括反馈不感兴趣的行为和/或未进行反馈的行为；

从除所述负反馈对象外的其他对象中，选择待推荐对象；

将所述待推荐对象推荐给所述待推荐账户。

可选的，所述从除所述负反馈对象外的其他对象中，选择待推荐对象步骤包括：

从所述对象库中选择除所述负反馈对象外的所有其他对象，作为待推荐对象；或

从所述对象库中选择除所述负反馈对象外的第一预设数目个对象，作为待推荐对象。

可选的，所述从所述对象库中选择除所述负反馈对象外的第一预设数目个对象，作为待推荐对象步骤包括：

按照所述对象库中除所述负反馈对象外的其他对象与所述负反馈对象间相似度从低到高的顺序，从所述其他对象中选择第一预设数目个待推荐对象。

可选的，所述按照所述对象库中除所述负反馈对象外的其他对象与所述负反馈对象间相似度从低到高的顺序，从所述其他对象中选择第一预设数目个待推荐对象步骤包括：

采用预设的协同过滤模型对所述对象库中对象的用户反馈信息进行处理，得到所述对象库中各个对象的向量，任一两个对象的向量之间的距离与该两个对象之间的相似度呈反比关系；

按照所述对象库中除所述负反馈对象外的其他对象的向量与所述负反馈对象的向量间距离从远到近的顺序，从所述其他对象中选择第一预设数目个待推荐对象。

可选的，所述按照所述对象库中除所述负反馈对象外的其他对象的向量与所述负反馈对象的向量间距离从远到近的顺序，从所述其他对象中选择第一预设数目个待推荐对象步骤包括：

根据k均值聚类算法对所述对象库中除所述负反馈对象以外的其他对象的向量进行聚类，得到多个簇；

从所述多个簇中，确定聚类中心与所述负反馈对象的向量的距离最远的第二预设数目个待筛选簇；

针对每一待筛选簇，确定该待筛选簇中与所述负反馈对象的向量距离最远的第三预设数目个向量所对应的对象，作为待推荐对象。

根据本公开实施例的第二方面，提供一种推荐装置，包括：

第一确定模块，被配置为执行确定对象库中待推荐账号进行过负反馈行为的负反馈对象，所述负反馈行为包括反馈不感兴趣的行为和/或未进行反馈的行为；

选择模块，被配置为执行从除所述负反馈对象外的其他对象中，选择待推荐对象；

推荐模块，被配置为执行将所述待推荐对象推荐给所述待推荐账户。

可选的，所述选择模块包括：

第一选择单元，被配置为执行从所述对象库中选择除所述负反馈对象外的所有其他对象，作为待推荐对象；或

第二选择单元，被配置为执行从所述对象库中选择除所述负反馈对象外的第一预设数目个对象，作为待推荐对象。

可选的，所述第二选择单元，具体被配置为执行：

按照所述对象库中除所述负反馈对象外的其他对象与所述负反馈对象间相似度从低到高的顺序，从所述其他对象中选择第一预设数目个待推荐对象。

可选的，所述第二选择单元包括：

第一确定子单元，被配置为执行采用预设的协同过滤模型对所述对象库中对象的用户反馈信息进行处理，得到所述对象库中各个对象的向量，任一两个对象的向量之间的距离与该两个对象之间的相似度呈反比关系；

第二选择子单元，被配置为执行按照所述对象库中除所述负反馈对象外的其他对象的向量与所述负反馈对象的向量间距离从远到近的顺序，从所述其他对象中选择第一预设数目个待推荐对象。

可选的，所述第二选择子单元，具体被配置为执行：

根据k均值聚类算法对所述对象库中除所述负反馈对象以外的其他对象的向量进行聚类，得到多个簇；

从所述多个簇中，确定聚类中心与所述负反馈对象的向量的距离最远的第二预设数目个待筛选簇；

针对每一待筛选簇，确定该待筛选簇中与所述负反馈对象的向量距离最远的第三预设数目个向量所对应的对象，作为待推荐对象。

根据本公开实施例的第三方面，提供一种服务器，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，以实现如第一方面所述的推荐方法。

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服务器的处理器执行时，使得服务器能够执行如第一方面所述的推荐方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，当所述计算机程序产品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第一方面所述的推荐方法。

本公开实施例提供的技术方案至少带来以下有益效果：由于本公开的实施例中向待推荐账户推荐的待推荐对象是从对象库的除负反馈对象外的其他对象中选取出来的，也就是从对象库中除待推荐账号进行过反馈不感兴趣的行为和/或未进行反馈的行为以外的其他对象中选取出来的，相比于相关技术中仅根据待推荐账户的正反馈行为，从待推荐账户感兴趣的对象中所选取出的待推荐对象，本公开的实施例所选取出的待推荐对象除了包括待推荐账户感兴趣的对象，还可以包括除待推荐账户感兴趣的对象以外的对象，使得向待推荐账户推荐的待推荐对象的种类更加丰富，解决了相关技术中推荐的对象的种类较为单一的问题。

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推荐方法的第一种流程图。

图2是根据一示例性实施例示出的待推荐对象确定方法的第一种流程图。

图3是根据一示例性实施例示出的待推荐对象确定方法的第二种流程图。

图4是根据一示例性实施例示出的推荐方法的第二种流程图。

图5是根据一示例性实施例示出的一种推荐装置的框图。

图6是根据一示例性实施例示出的一种服务器的框图。

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。

图1是根据一示例性实施例示出的一种推荐方法的流程图，如图1所示，推荐方法用于推荐平台中的服务器中，推荐平台可以包括视频平台、新闻平台、购物平台等，该推荐方法包括以下步骤。

在步骤S11中，确定对象库中待推荐账号进行过负反馈行为的负反馈对象，该负反馈行为包括反馈不感兴趣的行为和/或未进行反馈的行为。

服务器可以将对象库中的对象发送给终端，终端可以显示接收到的对象，用户通过终端观看到对象时，可以进行表示对该对象感兴趣的操作或进行表示对该对象不感兴趣的操作，终端可以据此，生成待推荐账户的行为信息，并发送给服务器。其中，对象包括但不限于视频、商品和新闻。

本公开实施例中，服务器可以基于待推荐账户的行为信息，将对象库中待推荐账户反馈不感兴趣的行为和/或未进行反馈的行为所对应的对象确定为负反馈对象。

例如，如果待推荐账户未查看该对象或待推荐账户点击了类似于“讨厌”、“不在推荐”的按钮，则表示待推荐账户对该对象不感兴趣，也就是待推荐账户对该对象进行过负反馈行为。服务器可以将该对象确定为负反馈对象。

在步骤S12中，从除负反馈对象外的其他对象中，选择待推荐对象。

本公开实施例中，根据确定出的负反馈对象，服务器可以从对象库中选取除负反馈对象以外的其他对象，作为待推荐对象。关于待推荐对象的选取方法可参见下文描述，在此不作具体说明。

在步骤S13中，将待推荐对象推荐给待推荐账户。

本公开实施例中，服务器可以将待推荐对象发送给终端，以使终端将待推荐对象显示给待推荐账户。

本公开的实施例提供的技术方案至少带来以下有益效果：由于本公开的实施例中向待推荐账户推荐的待推荐对象是从对象库的除负反馈对象外的其他对象中选取出来的，也就是从对象库中除待推荐账号进行过反馈不感兴趣的行为和/或未进行反馈的行为以外的其他对象中选取出来的，相比于相关技术中仅根据待推荐账户的正反馈行为，从待推荐账户感兴趣的对象中所选取出的待推荐对象，本公开的实施例所选取出的待推荐对象除了包括待推荐账户感兴趣的对象，还可以包括除待推荐账户感兴趣的对象以外的对象，使得向待推荐账户推荐的待推荐对象的种类更加丰富，解决了相关技术中推荐的对象的种类较为单一的问题。

一个可选的实施例中，针对上述步骤S12，从除负反馈对象外的其他对象中，选择待推荐对象，可以包括以下方式。

方式一，从对象库中选择除负反馈对象外的所有其他对象，作为待推荐对象。

方式二，从对象库中选择除负反馈对象外的第一预设数目个对象，作为待推荐对象。例如，按照对象库中除负反馈对象外的其他对象与负反馈对象间相似度从低到高的顺序，从其他对象中选择第一预设数目个待推荐对象。

在本公开实施例中，服务器可以采用多种方式从对象库中选取待推荐对象，在此，对待推荐对象的选取方式不作具体限定。

可选的，参见图2，本公开实施例还提供了一种待推荐对象确定方法的示例，具体的上述按照对象库中除负反馈对象外的其他对象与负反馈对象间相似度从低到高的顺序，从其他对象中选择第一预设数目个待推荐对象的步骤如下：

在步骤S21中，采用预设的协同过滤模型对对象库中对象的用户反馈信息进行处理，得到对象库中各个对象的向量，任一两个对象的向量之间的距离与该两个对象之间的相似度呈反比关系。

其中，协同过滤模型为基于深度学习的协同过滤模型或基于矩阵分解的协同过滤模型。

对象的向量可以为嵌入(embedding)向量。

用户反馈信息可以包括多个用户的负反馈信息和正反馈信息，正反馈信息包括用户对展示的对象执行的点击和/或点赞和/或购买的操作信息，负反馈信息包括用户对展示的对象未执行点击操作和/或触发讨厌的指令和/或触发不在推荐的指令的信息。

本公开实施例中，在协同过滤模型为基于矩阵分解的协同过滤模型时，服务器采用预设的协同过滤模型对对象库中对象的用户反馈信息进行处理，得到对象库中各个对象的向量的具体过程可以为：

根据对象库中对象的用户反馈信息建立用户对对象的评分矩阵，例如，用户对对象的评分矩阵如下：

其中，P_NM为用户N对对象M的感兴趣程度，评分矩阵是一个稀疏矩阵。

将评分矩阵分解成用户矩阵和对象矩阵，其中，评分矩阵、用户矩阵和对象矩阵的关系如下：

其中，用户矩阵为：

对象矩阵为：

其中，k为预设的类别数目。

根据对象矩阵，确定各个对象的向量，例如，将对象矩阵中[y_1M，...，y_kM]作为对象M的向量，将对象矩阵中[y₁₁，...，y_k1]作为对象1的向量。

在协同过滤模型为基于深度学习的协同过滤模型时，服务器采用预设的协同过滤模型对对象库中对象的用户反馈信息进行处理，得到对象库中各个对象的向量的具体过程可以为：将对象库中对象的用户反馈信息输入基于深度学习的协同过滤模型，得到对象库中各个对象的向量。

上述任一两个对象的向量之间的距离与该两个对象之间的相似度呈反比关系，具体表示为任一两个对象的向量之间的距离越大，这两个对象之间的相似度越小。任一两个对象的向量之间的距离越小，这两个对象之间的相似度越大。

在步骤S22中，按照对象库中除负反馈对象外的其他对象的向量与负反馈对象的向量间距离从远到近的顺序，从其他对象中选择第一预设数目个待推荐对象。

本公开实施例中，服务器可以计算对象库中除负反馈对象以外的对象中，每个对象的向量与负反馈对象的向量间的距离，并可以按照向量与负反馈对象的向量的距离，对对象库中除负反馈对象以外的对象进行排序。然后，服务器可以按照向量与负反馈对象的向量的距离从远到近的顺序，从对象库中选择第一预设数目个对象作为待推荐对象，比如，从对象库中确定向量与负反馈对象的向量距离最远的第一预设数目个对象，作为负反馈对象，或者从对象库中确定向量与负反馈对象的向量的距离大于预设阈值的第一预设数目个对象，作为负反馈对象。

其中，向量之间的距离可以为余弦距离或者欧式距离。例如，负反馈对象的向量为a＝[a1，a2，a3，a4，a5，a6，a7，a8]，对象库中除负反馈对象以外的对象中某一对象的向量为b＝[b1，b2，b3，b4，b5，b6，b7，b8]，则两个向量的余弦距离为：

其中，a·b＝a1*b1+a2*b2+a3*b3+a4*b4+a5*b5+a6*b6+a7*b7+a8*b8。

两个向量的欧式距离为：

可选的，参见图3，本公开的实施例还提供了一种待推荐对象确定方法的示例，具体的上述按照对象库中除负反馈对象外的其他对象的向量与负反馈对象的向量间距离从远到近的顺序，从其他对象中选择第一预设数目个待推荐对象的步骤如下：

在步骤S31中，根据k均值聚类算法对对象库中除负反馈对象以外的其他对象的向量进行聚类，得到多个簇。

本公开的实施例中，服务器可以根据k均值聚类算法对多个对象中除负反馈对象以外的其他对象的向量进行聚类，可以将邻近的向量分到一个簇中，得到多个簇。

在步骤S32中，从多个簇中，确定聚类中心与负反馈对象的向量的距离最远的第二预设数目个待筛选簇。

本公开的实施例中，针对每个簇，服务器可以计算该簇的聚类中心与负反馈对象的向量的距离，然后，从多个簇中，按照聚类中心与负反馈对象的向量的距离从近到远的顺序，确定第二预设数目个簇，作为待筛选簇。

在步骤S33中，针对每一待筛选簇，确定该待筛选簇中与负反馈对象的向量距离最远的第三预设数目个向量所对应的对象，作为待推荐对象。

本公开的实施例中，针对每一待筛选簇，服务器可以计算该待筛选簇中的各个向量分别与负反馈对象的向量的距离，然后，从该待筛选簇中，按照与负反馈对象的向量的距离从近到远的顺序，确定第三预设数目个向量，并将确定出的向量所对应的对象作为待推荐对象。

上述第一预设数目大于或等于上述第二预设数据和第三预设数据。

本公开的实施例提供的技术方案还可以带来以下有益效果：由于是从待筛选簇中确定与负反馈对象的向量距离最远的第三预设数目个向量所对应的对象，作为待推荐对象，也就是仅需计算待筛选簇中各个向量分别与负反馈对象的向量的距离，无需计算所有对象的向量分别与负反馈对象的向量的距离，减少了计算量。

参照图4，本公开的实施例还提供了一种推荐方法示例，具体步骤如下：

在步骤S41中，确定对象库中待推荐账号进行过负反馈行为的负反馈对象负反馈行为包括反馈不感兴趣的行为和/或未进行反馈的行为。

上述步骤S41与上述步骤S11相同。

在步骤S42中，采用预设的协同过滤模型对对象库中对象的用户反馈信息进行处理，得到对象库中各个对象的向量，任一两个对象的向量之间的距离与该两个对象之间的相似度呈反比关系。

上述步骤S42与上述步骤S21相同

在步骤S43中，根据k均值聚类算法对对象库中除负反馈对象以外的其他对象的向量进行聚类，得到多个簇。

在步骤S44中，从多个簇中，确定聚类中心与负反馈对象的向量的距离最远的第二预设数目个待筛选簇。

在步骤S45中，针对每一待筛选簇，确定该待筛选簇中与负反馈对象的向量距离最远的第三预设数目个向量所对应的对象，作为待推荐对象。

上述步骤S43-步骤S45与上述步骤S31-步骤S33相同。

图5是根据一示例性实施例示出的一种推荐装置框图。参照图5，该装置包括第一确定模块501，选择模块502和推荐模块503。

第一确定模块501，被配置为执行确定对象库中待推荐账号进行过负反馈行为的负反馈对象，负反馈行为包括反馈不感兴趣的行为和/或未进行反馈的行为；

选择模块502，被配置为执行从除负反馈对象外的其他对象中，选择待推荐对象；

推荐模块503，被配置为执行将待推荐对象推荐给待推荐账户。

可选的，上述选择模块502可以包括：

第一选择单元，被配置为执行从对象库中选择除负反馈对象外的所有其他对象，作为待推荐对象；或

第二选择单元，被配置为执行从对象库中选择除负反馈对象外的第一预设数目个对象，作为待推荐对象。

可选的，上述第二选择单元，具体可以被配置为执行：

按照对象库中除负反馈对象外的其他对象与负反馈对象间相似度从低到高的顺序，从其他对象中选择第一预设数目个待推荐对象。

可选的，上述第二选择单元可以包括：

第一确定子单元，被配置为执行采用预设的协同过滤模型对对象库中对象的用户反馈信息进行处理，得到对象库中各个对象的向量，任一两个对象的向量之间的距离与该两个对象之间的相似度呈反比关系；

第二选择子单元，被配置为执行按照对象库中除负反馈对象外的其他对象的向量与负反馈对象的向量间距离从远到近的顺序，从其他对象中选择第一预设数目个待推荐对象。

可选的，上述第二选择子单元，具体可以被配置为执行：

根据k均值聚类算法对对象库中除负反馈对象以外的其他对象的向量进行聚类，得到多个簇；

从多个簇中，确定聚类中心与负反馈对象的向量的距离最远的第二预设数目个待筛选簇；

针对每一待筛选簇，确定该待筛选簇中与负反馈对象的向量距离最远的第三预设数目个向量所对应的对象，作为待推荐对象。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开的实施例提供的装置至少带来以下有益效果：由于本公开的实施例中向待推荐账户推荐的待推荐对象是从对象库的除负反馈对象外的其他对象中选取出来的，也就是从对象库中除待推荐账号进行过反馈不感兴趣的行为和/或未进行反馈的行为以外的其他对象中选取出来的，相比于相关技术中仅根据待推荐账户的正反馈行为，从待推荐账户感兴趣的对象中所选取出的待推荐对象，本公开的实施例所选取出的待推荐对象除了包括待推荐账户感兴趣的对象，还可以包括除待推荐账户感兴趣的对象以外的对象，使得向待推荐账户推荐的待推荐对象的种类更加丰富，解决了相关技术中推荐的对象的种类较为单一的问题。

图6是根据一示例性实施例示出的一种用于推荐的服务器600的框图。

例如，参照图6，服务器600包括处理组件622，其进一步包括一个或多个处理器，以及由存储器632所代表的存储器资源，用于存储可由处理组件622的执行的指令，例如应用程序。存储器632中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件622被配置为执行指令，以执行上述推荐方法步骤。

服务器600还可以包括一个电源组件626被配置为执行服务器600的电源管理，一个有线或无线网络接口650被配置为将服务器600连接到网络，和一个输入输出(I/O)接口658。服务器600可以操作基于存储在存储器632的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM，LinuxTM，FreeBSDTM。

本公开实施例还提供了一种存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行上述推荐方法。

本公开实施例还提供一种计算机程序产品，当所述计算机程序产品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上述推荐方法。

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 (6)

1.一种推荐方法，其特征在于，包括：

确定对象库中待推荐账号进行过负反馈行为的负反馈对象，所述负反馈行为包括反馈不感兴趣的行为和/或未进行反馈的行为；

从除所述负反馈对象外的其他对象中，选择待推荐对象；

将所述待推荐对象推荐给所述待推荐账户；

所述从除所述负反馈对象外的其他对象中，选择待推荐对象步骤包括：

从所述对象库中选择除所述负反馈对象外的第一预设数目个对象，作为待推荐对象；

所述从所述对象库中选择除所述负反馈对象外的第一预设数目个对象，作为待推荐对象步骤包括：

按照所述对象库中除所述负反馈对象外的其他对象与所述负反馈对象间相似度从低到高的顺序，从所述其他对象中选择第一预设数目个待推荐对象；

所述按照所述对象库中除所述负反馈对象外的其他对象与所述负反馈对象间相似度从低到高的顺序，从所述其他对象中选择第一预设数目个待推荐对象步骤包括：

采用预设的协同过滤模型对所述对象库中对象的用户反馈信息进行处理，得到所述对象库中各个对象的向量，任一两个对象的向量之间的距离与该两个对象之间的相似度呈反比关系；其中，每一对象的向量为对象矩阵中的一列；所述对象矩阵为评分矩阵分解得到的；所述评分矩阵为根据所述对象库中对象的用户反馈信息建立的；所述评分矩阵中的每一元素表征一用户对一对象的感兴趣程度；

按照所述对象库中除所述负反馈对象外的其他对象的向量与所述负反馈对象的向量间距离从远到近的顺序，从所述其他对象中选择第一预设数目个待推荐对象。

2.根据权利要求1所述的推荐方法，其特征在于，所述按照所述对象库中除所述负反馈对象外的其他对象的向量与所述负反馈对象的向量间距离从远到近的顺序，从所述其他对象中选择第一预设数目个待推荐对象步骤包括：

根据k均值聚类算法对所述对象库中除所述负反馈对象以外的其他对象的向量进行聚类，得到多个簇；

从所述多个簇中，确定聚类中心与所述负反馈对象的向量的距离最远的第二预设数目个待筛选簇；

针对每一待筛选簇，确定该待筛选簇中与所述负反馈对象的向量距离最远的第三预设数目个向量所对应的对象，作为待推荐对象。

3.一种推荐装置，其特征在于，包括：

第一确定模块，被配置为执行确定对象库中待推荐账号进行过负反馈行为的负反馈对象，所述负反馈行为包括反馈不感兴趣的行为和/或未进行反馈的行为；

选择模块，被配置为执行从除所述负反馈对象外的其他对象中，选择待推荐对象；

推荐模块，被配置为执行将所述待推荐对象推荐给所述待推荐账户；

所述选择模块包括：

第二选择单元，被配置为执行从所述对象库中选择除所述负反馈对象外的第一预设数目个对象，作为待推荐对象；

所述第二选择单元，具体被配置为执行：

按照所述对象库中除所述负反馈对象外的其他对象与所述负反馈对象间相似度从低到高的顺序，从所述其他对象中选择第一预设数目个待推荐对象；

所述第二选择单元包括：

第一确定子单元，被配置为执行采用预设的协同过滤模型对所述对象库中对象的用户反馈信息进行处理，得到所述对象库中各个对象的向量，任一两个对象的向量之间的距离与该两个对象之间的相似度呈反比关系；其中，每一对象的向量为对象矩阵中的一列；所述对象矩阵为将评分矩阵分解得到的；所述评分矩阵为根据所述对象库中对象的用户反馈信息建立的；所述评分矩阵中的每一元素表征一用户对一对象的感兴趣程度；

第二选择子单元，被配置为执行按照所述对象库中除所述负反馈对象外的其他对象的向量与所述负反馈对象的向量间距离从远到近的顺序，从所述其他对象中选择第一预设数目个待推荐对象。

4.根据权利要求3所述的推荐装置，其特征在于，所述第二选择子单元，具体被配置为执行：

根据k均值聚类算法对所述对象库中除所述负反馈对象以外的其他对象的向量进行聚类，得到多个簇；

从所述多个簇中，确定聚类中心与所述负反馈对象的向量的距离最远的第二预设数目个待筛选簇；

针对每一待筛选簇，确定该待筛选簇中与所述负反馈对象的向量距离最远的第三预设数目个向量所对应的对象，作为待推荐对象。

5.一种服务器，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2中任一项所述的推荐方法。

6.一种存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如权利要求1至2中任一项所述的推荐方法。