CN113360770B - 内容推荐的方法、装置、设备以及存储介质 - Google Patents

Abstract

本公开提供了内容推荐的方法、装置、设备以及存储介质，涉及数据处理技术领域，尤其涉及人工智能、智能搜索、深度学习等领域。具体实现方案为：获取预先确定的待推荐物料的第一特征；确定待推荐对象的第二特征；根据待推荐物料的第一特征和待推荐对象的第二特征，利用预先训练的物料推荐模型进行点击率预测，根据点击率预测的结果，向待推荐对象进行物料推荐。上述方案可以预先确定物料库中的各待推荐物料的第一特征。从而在进行物料推荐时，可以根据待推荐对象的第二特征和预先确定的各待推荐物料的第一特征进行待推荐对象的筛选，最终可以实现高效地向待推荐对象推荐内容。

Description

内容推荐的方法、装置、设备以及存储介质

技术领域

本公开涉及数据处理技术领域，尤其涉及人工智能、智能搜索、深度学习等领域。

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。

由于作为待推荐内容的物料更新速度较快，传统方式中需要利用推荐模型对更新的物料进行解析，由此导致推荐效率较低。

发明内容

本公开提供了一种内容推荐的方法、装置、设备以及存储介质。

根据本公开的一方面，提供了一种内容推荐的方法，该方法可以包括以下步骤：

获取预先确定的待推荐物料的第一特征；

确定待推荐对象的第二特征；

根据待推荐物料的第一特征和待推荐对象的第二特征，利用预先训练的物料推荐模型进行点击率预测，根据点击率预测的结果，向待推荐对象进行物料推荐。

根据本公开的另一方面，提供了一种内容推荐的装置，该装置可以包括：

第一特征获取模块，用于获取预先确定的待推荐物料的第一特征；

第二特征确定模块，用于确定待推荐对象的第二特征；

推荐内容确定模块，用于根据待推荐物料的第一特征和待推荐对象的第二特征，利用预先训练的物料推荐模型进行点击率预测，根据点击率预测的结果，向待推荐对象进行物料推荐。

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

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。

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，该计算机指令用于使计算机执行本公开任一实施例中的方法。

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，该计算机程序被处理器执行时实现本公开任一实施例中的方法。

根据本公开的技术可以预先确定物料库中的各待推荐物料的第一特征。从而在进行物料推荐时，可以根据待推荐对象的第二特征和预先确定的各待推荐物料的第一特征进行待推荐对象的筛选，最终可以实现高效地向待推荐对象推荐内容。

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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开的内容推荐的方法的流程图；

图2是根据本公开的第一特征的预先确定过程的流程图；

图3是根据本公开的第一特征的确定方式的流程图；

图4是根据本公开的图像信息的特征的确定方式的流程图；

图5是根据本公开的其他信息的特征的确定方式；

图6是根据本公开的物料推荐模型的训练方式的流程图；

图7是根据本公开的内容推荐的装置的示意图；

图8是用来实现本公开实施例的内容推荐的方法的电子设备的框图。

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和精神。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。

如图1所示，本公开涉及一种内容推荐的方法，该方法可以包括以下步骤：

S101：获取预先确定的待推荐物料的第一特征；

S102：确定待推荐对象的第二特征；

S103：根据待推荐物料的第一特征和待推荐对象的第二特征，利用预先训练的物料推荐模型进行点击率预测，根据点击率预测的结果，向待推荐对象进行物料推荐。

本公开的上述方法的执行主体可以是执行内容推荐的服务器或云端等设备。

其中，上述方法可以进一步细分为线上执行的部分和线下执行的部分。

例如，可以将确定待推荐物料的第一特征的过程作为线下执行的部分。可以将确定待推荐对象的第二特征，以及根据待推荐物料的第一特征和待推荐对象的第二特征得到点击率预测的结果，并向待推荐对象进行物料推荐的过程作为线上执行的部分。

待推荐物料可以包括乐曲、视频、新闻、旅游目的地或者物品等不同内容。进一步的，每个待推荐物料可以包括图像信息和文字信息。其中，图像信息可以作为待推荐物料的封面，文字信息可以作为待推荐物料的描述信息。对应的，待推荐物料的第一特征可以包括图像信息的特征和文字内容的信息中的至少一种。另外，还可以包括声音信息等。

可以预先对物料库中的待推荐物料进行第一特征的确定。将确定出的第一特征进行存储，并将待推荐物料与该待推荐物料的第一特征进行关联。

通过上述线下执行的部分，可以获取到物料库中每个待推荐物料的第一特征，从而在执行线上执行的部分时，可以提高推荐效率。

待推荐对象可以包括用户。对应的，待推荐对象的特征可以用于表征用户的年龄、性别以及爱好等。其中，用户的年龄、性别以及爱好等可以通过接收用户输入的内容进行获取。待推荐对象的特征的确定可以利用深度神经网络(DNN，Deep Neural Networks)实现，利用深度神经网络得到的待推荐对象的特征可以是离散特征。或者，也可以利用卷积神经网络(CNN，Convolutional Neural Network)、循环神经网络(RNN，Recurrent NeuralNetwork)等实现。

线上执行部分在获取到待推荐物料的第一特征和待推荐对象的第二特征的情况下，可以将上述特征输入至预先训练的物料推荐模型。物料推荐模型可以得出待推荐对象点击待推荐物料的可能性预测，即物料推荐模型可以进行点击率预测。

根据待推荐对象与每个待推荐物料的点击率预测结果，可以确定出向该待推荐对象进行推荐的物料。被推荐的物料即可作为向待推荐对象推荐的内容。

通过上述过程，可以预先确定物料库中的各待推荐物料的第一特征。从而在进行物料推荐时，可以根据待推荐对象的第二特征和预先确定的各待推荐物料的第一特征进行待推荐对象的筛选，最终可以实现高效地向待推荐对象推荐内容。

如图2所示，在一种实施方式中，待推荐物料的第一特征的预先确定过程，包括：

S201：响应触发指令，将物料库中未确定第一特征的待推荐物料进行分组；

S202：对拷贝至缓存区域的第N组待推荐物料进行第一特征确定处理，将确定出第一特征的第N组待推荐物料从缓存区域删除；

S203：在对第N组待推荐物料进行第一特征确定处理的过程中，将第N+1组待推荐物料拷贝至缓存区域；N为正整数。

物料库中的待推荐物料可以是随时变化的。例如某位歌手发行了新唱片，则新唱片中的歌曲以及新唱片的封面图像可以作为更新的待推荐物料。或者，某个厂家新产品上市，则新产品的介绍信息(文字、音频或视频)以及新产品的图像也可以作为更新的待推荐物料。

触发指令可以是检测到物料库中的待推荐物料发生变化时生成的指令。例如，在物料库中，新存入超过预定数量的待推荐物料的情况下，可以生成触发指令。

响应于触发指令，可以将物料库中尚未确定第一特征的待推荐物料进行分组。例如，可以分成M个分组。较佳的，每个分组中的待推荐物料的数量可以相同。其中，M为正整数。

依次将每个组的待推荐物料拷贝至缓存中，以执行第一特征确定处理。具体处理方式将在后文进行详述。其中，第一特征确定处理可以利用C++语言作为底层代码，采用动态库(so)的方式执行第一特征的确定。相比于利用python语言作为底层代码，利用C++语言作为底层代码可以节省信息传输过程，从而提高整体效率。

拷贝至缓存中的分组为第N个分组为例。其中，1＜N＜M，且N为正整数。在确定出第N个分组中每个待推荐物料的第一特征的情况下，可以将第N个分组中每个待推荐物料从缓存中删除。而第N个分组中每个待推荐物料的第一特征由于数据量较小，可以存储在缓存中。

另一方面，在对第N组待推荐物料进行第一特征确定处理的过程中，可以将第N+1组待推荐物料拷贝至缓存区域。对应的，在对第N+1组待推荐物料进行第一特征确定处理的过程中，可以将第N+2组待推荐物料拷贝至缓存区域。

通过上述过程，利用动态的方式加快待推荐物料的解析速度。从而在物料更新的情况下，可以实现物料的快速解析。

在一种实施方式中，触发指令的生成方式，包括：

在检测到物料库中的待推荐物料发生变化的情况下，生成触发指令；或

在达到预定时间间隔的情况下，生成触发指令。

物料库中的待推荐物料发生变化可以是数量变化达到对应阈值。例如，对应阈值可以设置为100。即，新增加的待推荐物料的数量达到100的情况下，即可生成触发指令。

或者，物料库中的待推荐物料发生变化的数量与物料库中原有待推荐物料数量的比例超过对应阈值。例如，对应阈值可以设置为5％。

再或者，可以设置预定时间间隔，例如，预定时间间隔可以是1小时，1天等。在达到预定时间间隔的情况下，即可生成触发指令。

通过上述过程，可以及时对物料库中的待推荐物料的第一特征进行确定。从而在进行推荐时，可以兼顾待推荐物料的时效性以及推荐结果的准确性。

如图3所示，在一种实施方式中，步骤S101中涉及的第一特征的确定方式，可以包括以下步骤：

S301：获取每个待推荐物料的图像信息，以及图像信息以外的其他信息；

S302：分别确定图像信息的特征，以及其他信息的特征，将图像信息的特征和/或其他信息的特征作为待推荐物料的第一特征。

可以对待推荐物料进行解析，以区分出待推荐物料的图像信息以及图像信息以外的其他信息。如前所述，图像信息可以是物料的封面图像。例如，在待推荐物料为视频的情况下，封面图像可以是从视频中截取的帧图像。又例如，在待推荐物料为旅游目的地的情况下，封面图像可以是旅游目的地标志性建筑的照片等。在此不再对其他类别待推荐物料的封面图像进行一一举例赘述。其中，图像信息可以剪裁为分辨率为100*100的图像。

图像信息以外的其他信息可以是对待推荐物料的描述信息。例如，其他信息可以是文字信息或者声音信息等。

通过特征提取网络，可以确定图像信息的特征，以及其他信息的特征。可以将二类特征中的至少一种作为待推荐物料的第一特征。

通过上述过程，可以获取不同维度的用于反应待推荐物料的特征。

如图4所示，在一种实施方式中，图像信息的特征的确定方式可以包括以下步骤：

S401：利用第一神经网络，确定图像信息的特征，并对图像信息的特征建立标识；

S402：利用标识，对物料库的待推荐物料进行去重处理；

S403：将去重处理后保留的待推荐物料与对应的标识建立对应关系。

第一神经网络可以是卷积神经网络。将图像信息输入至第一神经网络，可以得到图像信息的特征。

在确定出图像信息的特征的情况下，可以为该图像信息的特征建立标识。利用标识，可以构建偏移向量结构(Offset Vector)。即，标识可以作为索引，以指向物料库中对应的物料。利用标识，可以快速查询物料库中对应的物料。相比于利用哈希查找的方式，利用偏移向量结构进行查找可以提高物料获取的效率。

另外，利用标识，还可以实现对物料库中的待推荐物料进行去重处理。

例如，物料库中可能存在多个待推荐物料的图像信息相同的情况。基于此，若在物料库中存储多个相同的图像信息，显然会造成物料库存储区域的浪费。因此，可以利用标识，将具有相同标识的待推荐物料中的图像信息进行去重处理。将相同标识作为索引，指向同一个待推荐物料的图像信息。即，将去重处理后保留的待推荐物料与对应的标识建立对应关系。

通过上述过程，利用标识进行待推荐物料的去重处理，可以节省物料库的存储空间。

如图5所示，在一种实施方式中，其他信息的特征的确定方式，可以包括以下步骤：

S501：利用第二神经网络，确定图像信息以外的其他信息的特征；

S502：将其他信息的特征与对应待推荐物料的图像信息的特征进行关联。

第二神经网络可以是深度神经网络。将图像信息以外的其他信息输入至第二神经网络，可以得到其他信息的特征。利用第二神经网络得到的待推荐对象的特征可以是离散特征。

对于同一待推荐物料，在得到该待推荐物料的其他信息的特征的情况下，可以将该其他信息的特征与图像信息的特征进行关联。以便在进行物料推荐过程中，可以快速实现点击概率的计算。

如图6所示，在一种实施方式中，物料推荐模型的训练方式可以包括以下步骤：

S601：确定待推荐物料样本的第一特征；

S602：确定待推荐对象样本的第二特征；

S603：根据待推荐物料样本的第一特征和待推荐对象样本的第二特征，利用待训练的物料推荐模型进行点击率预测，得到预测结果；

S604：利用点击率真值与预测结果的差异，对待训练的物料推荐模型中的参数进行调整，直至差异在允许范围内。

待推荐物料样本的第一特征的确定方式可以与前述待推荐物料第一特征的确定方式相同。同理，待推荐对象样本的第二特征的确定方式可以与前述待推荐对象第二特征的确定方式相同。在此不再赘述。

可以将待推荐物料样本和待推荐对象样本进行分组，以利用小批次梯度下降法(mini-batch)对待训练的物料推荐模型进行训练。相比于用全部物料对物料推荐模型进行迭代，小批次梯度下降法可以将样本拆分成多个组。利用每组样本对待训练的物料推荐模型进行迭代，以调整待训练的物料推荐模型中的参数。

每组样本的训练过程可以相同。以第M组样本为例进行说明。例如，第M组样本中包括a个待推荐对象样本和b个待推荐物料样本。对于每个待推荐对象样本，可以利用历史数据，获取该待推荐对象样本的点击率真值。将第i(1＜i＜a)个待推荐对象样本的第二特征，和b个待推荐物料样本中的每个待推荐物料样本的第一特征分别输入至待训练的物料推荐模型，得到预测结果。利用点击率真值与预测结果的差异，对待训练的物料推荐模型中的参数进行调整。其中，参数M、a、b和i均为正整数。

循环遍历M组样本对待训练的物料推荐模型中的参数进行调整，直至点击率真值与预测结果的差异在允许范围内，表示物料推荐模型训练结束。

通过上述过程，可以实现对物料推荐模型的高效训练。

如图7所示，本公开涉及一种内容推荐的装置，该装置可以包括：

第一特征获取模块701，用于获取预先确定的待推荐物料的第一特征；

第二特征确定模块702，用于确定待推荐对象的第二特征；

推荐内容确定模块703，用于根据待推荐物料的第一特征和待推荐对象的第二特征，利用预先训练的物料推荐模型进行点击率预测，根据点击率预测的结果，向待推荐对象进行物料推荐。

在一种实施方式中，还包括第一特征的预先确定模块，该第一特征的预先确定模块可以包括：

物料分组子模块，用于响应触发指令，将物料库中未确定第一特征的待推荐物料进行分组；

第一特征确定执行子模块，用于对拷贝至缓存区域的第N组待推荐物料进行第一特征确定处理，将确定出第一特征的第N组待推荐物料从缓存区域删除；

物料拷贝子模块，用于在对第N组待推荐物料进行第一特征确定处理的过程中，将第N+1组待推荐物料拷贝至缓存区域；N为正整数。

在一种实施方式中，第一特征的预先确定模块包括触发指令生成子模块，触发指令生成子模块具体用于：

在检测到物料库中的待推荐物料发生变化的情况下，生成触发指令；或

在达到预定时间间隔的情况下，生成触发指令。

在一种实施方式中，还包括第一特征确定执行模块，第一特征确定执行模块可以和前述第一特征确定执行子模块为相同装置。

该第一特征确定执行模块可以包括：

物料信息获取子模块，用于获取每个待推荐物料的图像信息，以及图像信息以外的其他信息；

物料信息特征确定执行子模块，用于分别确定图像信息的特征，以及其他信息的特征，将图像信息的特征和/或其他信息的特征作为待推荐物料的第一特征。

在一种实施方式中，物料信息特征确定执行子模块可以包括：

特征标识建立单元，用于利用第一神经网络，确定图像信息的特征，并对图像信息的特征建立标识；

去重处理单元，用于利用标识，对物料库的待推荐物料进行去重处理；

对应关系建立单元，用于将去重处理后保留的待推荐物料与对应的标识建立对应关系。

在一种实施方式中，物料信息特征确定执行子模块可以包括：

其他信息的特征确定单元，用于利用第二神经网络，确定图像信息以外的其他信息的特征；

特征关联单元，用于将其他信息的特征与对应待推荐物料的图像信息的特征进行关联。

在一种实施方式中，还包括模型训练模块，该模型训练模块可以包括：

待推荐物料样本特征确定子模块，用于确定待推荐物料样本的第一特征；

待推荐对象样本特征确定子模块，用于确定待推荐对象样本的第二特征；

预测结果生成子模块，用于根据待推荐物料样本的第一特征和待推荐对象样本的第二特征，利用待训练的物料推荐模型进行点击率预测，得到预测结果；

模型参数调整子模块，用于利用点击率真值与预测结果的差异，对待训练的物料推荐模型中的参数进行调整，直至差异在允许范围内。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开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。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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。

计算单元801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801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801执行上文所描述的各个方法和处理，例如内容推荐的方法。例如，在一些实施例中，内容推荐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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的内容推荐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801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行内容推荐的方法。

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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

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，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，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。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种内容推荐的方法，包括：

获取预先确定的待推荐物料的第一特征；所述待推荐物料的第一特征包括图像信息的特征，以及其他信息的特征；所述图像信息的特征是基于第一神经网络确定的，所述其他信息的特征是基于第二神经网络确定的；

确定待推荐对象的第二特征；

将所述待推荐物料的第一特征和所述待推荐对象的第二特征，输入预先训练的物料推荐模型进行点击率预测，根据所述点击率预测的结果，向所述待推荐对象进行物料推荐。

2.根据权利要求1所述的方法，其中，所述待推荐物料的第一特征的预先确定过程，包括：

响应触发指令，将物料库中未确定第一特征的待推荐物料进行分组；

对拷贝至缓存区域的第N组待推荐物料进行第一特征确定处理，将确定出第一特征的第N组待推荐物料从所述缓存区域删除；

在对第N组待推荐物料进行第一特征确定处理的过程中，将第N+1组待推荐物料拷贝至所述缓存区域；所述N为正整数。

3.根据权利要求2所述的方法，其中，所述触发指令的生成方式，包括：

在检测到所述物料库中的待推荐物料发生变化的情况下，生成所述触发指令；或

在达到预定时间间隔的情况下，生成所述触发指令。

4.根据权利要求1或2所述的方法，其中，所述第一特征的确定方式，包括：

获取每个待推荐物料的图像信息，以及所述图像信息以外的其他信息；

分别确定所述图像信息的特征，以及所述其他信息的特征，将所述图像信息的特征和/或所述其他信息的特征作为所述待推荐物料的第一特征。

5.根据权利要求4所述的方法，其中，所述图像信息的特征的确定方式，包括：

利用第一神经网络，确定所述图像信息的特征，并对所述图像信息的特征建立标识；

利用所述标识，对物料库的所述待推荐物料进行去重处理；

将所述去重处理后保留的待推荐物料与对应的标识建立对应关系。

6.根据权利要求4所述的方法，其中，所述其他信息的特征的确定方式，包括：

利用第二神经网络，确定所述图像信息以外的其他信息的特征；

将所述其他信息的特征与对应待推荐物料的图像信息的特征进行关联。

7.根据权利要求1所述的方法，其中，所述物料推荐模型的训练方式，包括：

确定待推荐物料样本的第一特征；

确定待推荐对象样本的第二特征；

根据所述待推荐物料样本的第一特征和所述待推荐对象样本的第二特征，利用待训练的物料推荐模型进行点击率预测，得到预测结果；

利用点击率真值与所述预测结果的差异，对所述待训练的物料推荐模型中的参数进行调整，直至所述差异在允许范围内。

8.一种内容推荐的装置，包括：

第一特征获取模块，用于获取预先确定的待推荐物料的第一特征；所述待推荐物料的第一特征包括图像信息的特征，以及其他信息的特征；所述图像信息的特征是基于第一神经网络确定的，所述其他信息的特征是基于第二神经网络确定的；

第二特征确定模块，用于确定待推荐对象的第二特征；

推荐内容确定模块，用于将所述待推荐物料的第一特征和所述待推荐对象的第二特征，输入预先训练的物料推荐模型进行点击率预测，根据所述点击率预测的结果，向所述待推荐对象进行物料推荐。

9.根据权利要求8所述的装置，还包括第一特征的预先确定模块，所述第一特征的预先确定模块，包括：

物料分组子模块，用于响应触发指令，将物料库中未确定第一特征的待推荐物料进行分组；

第一特征确定执行子模块，用于对拷贝至缓存区域的第N组待推荐物料进行第一特征确定处理，将确定出第一特征的第N组待推荐物料从所述缓存区域删除；

物料拷贝子模块，用于在对第N组待推荐物料进行第一特征确定处理的过程中，将第N+1组待推荐物料拷贝至所述缓存区域；所述N为正整数。

10.根据权利要求9所述的装置，所述第一特征的预先确定模块包括触发指令生成子模块，所述触发指令生成子模块具体用于：

在检测到所述物料库中的待推荐物料发生变化的情况下，生成所述触发指令；或

在达到预定时间间隔的情况下，生成所述触发指令。

11.根据权利要求8或9所述的装置，还包括第一特征确定执行模块，所述第一特征确定执行模块，包括：

物料信息获取子模块，用于获取每个待推荐物料的图像信息，以及所述图像信息以外的其他信息；

物料信息特征确定执行子模块，用于分别确定所述图像信息的特征，以及所述其他信息的特征，将所述图像信息的特征和/或所述其他信息的特征作为所述待推荐物料的第一特征。

12.根据权利要求11所述的装置，其中，所述物料信息特征确定执行子模块，包括：

特征标识建立单元，用于利用第一神经网络，确定所述图像信息的特征，并对所述图像信息的特征建立标识；

去重处理单元，用于利用所述标识，对物料库的所述待推荐物料进行去重处理；

对应关系建立单元，用于将所述去重处理后保留的待推荐物料与对应的标识建立对应关系。

13.根据权利要求11所述的装置，其中，所述物料信息特征确定执行子模块，包括：

其他信息的特征确定单元，用于利用第二神经网络，确定所述图像信息以外的其他信息的特征；

特征关联单元，用于将所述其他信息的特征与对应待推荐物料的图像信息的特征进行关联。

14.根据权利要求8所述的装置，其中，还包括模型训练模块，所述模型训练模块包括：

待推荐物料样本特征确定子模块，用于确定待推荐物料样本的第一特征；

待推荐对象样本特征确定子模块，用于确定待推荐对象样本的第二特征；

预测结果生成子模块，用于根据所述待推荐物料样本的第一特征和所述待推荐对象样本的第二特征，利用待训练的物料推荐模型进行点击率预测，得到预测结果；

模型参数调整子模块，用于利用点击率真值与所述预测结果的差异，对所述待训练的物料推荐模型中的参数进行调整，直至所述差异在允许范围内。

15.一种电子设备，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1-7中任一项所述的方法。

16.一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1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。