CN114218496A - 对象推荐的方法、装置和设备、介质及产品 - Google Patents

Abstract

本公开提供了一种对象推荐的方法及其装置、电子设备、计算机可读存储介质和计算机程序产品，涉及计算机技术领域，尤其涉及智能推荐技术。实现方案为：响应于确定目标用户的针对多个业务场景的用户标签相同，基于目标用户的用户特征以及每个业务场景的候选对象的对象特征，确定目标用户的针对多个业务场景的推荐特征；基于推荐特征，确定目标用户的针对多个业务场景的推荐对象，推荐对象为从多个业务场景的候选对象中确定的。

Description

对象推荐的方法、装置和设备、介质及产品

技术领域

本公开涉及计算机技术领域，尤其涉及智能推荐技术，具体涉及一种对象推荐的方法及其装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

推荐系统可以通过从大量数据中选取用户可能感兴趣的对象，并将该对象推荐给用户。目前，推荐系统可以被应用于商品推荐、广告投放、好友推荐等等诸多业务场景中。随着用户数量的不断增加以及业务场景的不断增多，推荐系统的推荐效果可能受到影响，或推荐成本增高。在一些业务场景中，推荐系统可能不能准确地向用户推荐对象。

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

本公开提供了一种对象推荐的方法及其装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种对象推荐的方法，包括：响应于确定目标用户的针对多个业务场景的用户标签相同，基于目标用户的用户特征以及每个业务场景的候选对象的对象特征，确定目标用户的针对多个业务场景的推荐特征；基于推荐特征，确定目标用户的针对多个业务场景的推荐对象，推荐对象为从多个业务场景的候选对象中确定的。

根据本公开的一方面，提供了一种对象推荐的装置，包括：特征拼接单元，被配置用于响应于确定目标用户的针对多个业务场景的用户标签相同，基于目标用户的用户特征以及每个业务场景的候选对象的对象特征，确定目标用户的针对多个业务场景的推荐特征；以及对象推荐单元，被配置用于基于推荐特征，确定目标用户的针对多个业务场景的推荐对象，推荐对象为从多个业务场景的候选对象中确定的。

根据本公开的一方面，提供了一种电子设备，包括：处理器；以及存储器，所述存储器存储程序，所述程序包括指令，所述指令在由所述处理器执行时使得所述处理器执行上述的对象推荐的方法。

根据本公开的一方面，提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储有计算机程序，所述计算机程序包括指令，所述指令在由计算设备的处理器执行时，使得所述计算设备执行上述的对象推荐的方法。

根据本公开的一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现上述的对象推荐的方法的步骤。

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对象推荐方法的流程图；

图2示出了根据本公开示例性实施例的对象推荐方法的流程图；

图3示出了根据本公开示例性实施例的对象推荐方法的流程图；

图4示出了根据本公开示例性实施例的推荐模型训练的方法的流程图；

图5示出了根据本公开示例性实施例的对象推荐的装置的结构框图；

图6示出了根据本公开示例性实施例的推荐模型训练的装置的结构框图；

图7示出了根据本公开实施例的电子设备的框图。

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。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，对象推荐的实现方式是通过用户特征进行推荐的。这种实现方式的缺点是在涉及多个业务场景的推荐时没有针对性，导致推荐精度不高。还可能引入与业务场景无关的用户特征或损失与业务场景相关的用户特征，影响推荐效果。

为了解决上述问题，本公开提供了一种对象推荐的方法，通过根据不同的业务场景筛选不同类型的用户，有针对性地融合用户特征和不同业务场景的对象特征，同时还通过基于多个目标进行推荐，实现基于全链路的对象推荐，改善了对象推荐效果。

本公开的对象推荐的方法例如可以但不限于应用于物料推荐系统，通过采用本公开实施例中的方法可以在不同业务场景中有针对性地为用户推荐物料(例如，优惠券)，实现整条链路(例如，从领取物料到使用物料购买)的多目标优化，提高了物料推荐系统的针对性并改善了推荐效果。

以下将结合附图，详细描述本公开的实施例。

图1示出了根据本公开示例性实施例的对象推荐方法100的流程图。如图1所示，该对象推荐的方法100包括：步骤S102，响应于确定目标用户的针对多个业务场景的用户标签相同，基于目标用户的用户特征以及每个业务场景的候选对象的对象特征，确定目标用户的针对多个业务场景的推荐特征；步骤S104，基于推荐特征，确定目标用户的针对多个业务场景的推荐对象；其中，推荐对象为从多个业务场景的候选对象中确定的。

由此，能够融合不同业务场景和用户人群，在不同的业务场景中充分学习用户的行为习惯，并且能够有针对性地交叉用户和不同场景的物品/商品的特征进行推荐，以解决多业务场景下的精度不足的问题。

在一些实施例中，候选对象包括至少一个对象，每个对象可以对应于一个或多个业务场景。

根据一些实施例，目标用户的针对每个业务场景的用户标签为基于目标用户在该业务场景中的历史行为信息来确定的。确定后的用户标签可以表征目标用户在该业务场景中的历史行为信息类别。

示例性的，目标用户针对每个业务场景的用户标签可以包括两种：第一用户标签和第二用户标签。可以理解的，目标用户针对每个业务场景的用户标签也可以包括三种及以上，可以根据具体的业务需求来设定，在此不作限定。

示例性的，该历史行为信息可以包括历史购买信息，例如，确定目标用户的针对每个业务场景的用户标签包括：响应于确定目标用户在该业务场景中没有历史购买信息，确定用户标签为招新标签；以及响应于确定目标用户在该业务场景中具有历史购买信息，确定用户标签为复购标签。由此可以将目标用户针对不同的业务场景进行筛选，以有针对性地进行推荐。

在一些实施例中，根据该目标用户的购买行为的频次，还可以将复购标签确定为高频复购标签和低频复购标签。例如，当目标用户在该业务场景中的购买行为的频次大于某一预定阈值时，可以将该目标用户针对该业务场景的用户标签设置为高频复购标签。而当目标用户在该业务场景中的购买行为的频次小于或等于该预定阈值时，可以将该目标用户针对该业务场景的用户标签设置为低频复购标签。

根据一些实施例，对象推荐的方法100还包括：基于目标用户针对每个业务场景的用户标签，确定每个业务场景的候选对象。

由此，基于在不同业务场景下的用户标签的划分可以更加准确地确定目标用户在该业务场景下的候选对象，从而避免无关特征对于推荐的干扰。

示例性地，当目标用户在第一业务场景中的用户标签为第一用户标签(例如招新标签)时，目标用户针对第一业务场景的至少一个候选对象是与第一用户标签相对应的第一候选对象。当另一个目标用户在第一业务场景中的用户标签为第二用户标签(例如复购标签)时，另一个目标用户针对第一业务场景的至少一个候选对象是与第二用户标签相对应的第二候选对象。在一些业务场景中，对应于不同用户标签的候选对象可以不同，例如，上述的第一业务场景中，第一候选对象可以与第二候选对象不同。在一些业务场景中，对应于不同用户标签的候选对象可以至少部分相同，例如，上述的第一业务场景中，第一候选对象中的某些候选对象可以与第二候选对象相同。在某些业务场景中，对应于招新标签的候选对象可以是目标用户没有购买过的商品所对应的对象，以推荐目标用户进行第一次购买；而对应于复购标签的候选对象可以是目标用户已经购买过的商品所对应的对象，以推荐目标用户进行再次购买。

根据一些实施例，基于目标用户针对每个业务场景的用户标签，确定每个业务场景的候选对象，还包括：基于相应的用户标签以及目标用户在该业务场景中的历史行为信息，确定目标用户针对该业务场景的候选对象。

示例性地，历史行为信息可以包括目标用户在过去是否已经领取过该对象，目标用户的针对该业务场景的候选对象为该业务场景中未被目标用户领取过的对象，如果该目标用户在过去已经领取过该对象，则将该对象从至少一个候选对象中移除，使得目标用户的针对该业务场景的至少一个候选对象为该业务场景中未被目标用户领取过的对象。由此保证不会为目标用户多次推荐重复的对象。

在本实施例中，推荐给用户的推荐对象为从至少两个业务场景的至少一个候选对象中确定的。推荐模型可以从至少一个候选对象中选择推荐对象。在一些实施例中，该推荐对象的数量可以由用户标签确定。例如，当目标用户针对多个业务场景均为第一用户标签时，可以从该多个业务场景的候选对象中选择两个推荐对象。当目标用户针对至少两个业务场景的用户标签是第一用户标签，而对其他业务场景的用户标签是第二用户标签时，从该至少两个业务场景的候选对象中选择一个推荐对象，从其他业务场景的候选对象中选择另一个推荐对象。第一用户标签例如可以为招新标签，第二用户标签例如可以为复购标签。

在本实施例中，步骤S104，基于目标用户的用户特征以及至少两个业务场景中每个业务场景的至少一个候选对象的对象特征，确定目标用户的针对至少两个业务场景的推荐特征，包括：将目标用户的用户特征与候选对象的对象特征进行拼接，以得到目标用户的针对至少两个业务场景的推荐特征。在一些实施例中，还可以将目标用户的用户特征、至少两个业务场景的业务场景特征与候选对象的对象特征进行拼接，以得到目标用户的针对至少两个业务场景的推荐特征。

示例性地，在某些业务场景中，目标用户的用户特征可以基于目标用户的基本信息与行为信息，其中，基本信息可以包括年龄、性别、职业等等；行为信息可以包括历史行为信息，例如，购买信息、浏览信息、点击信息等等。候选对象的对象特征可以基于候选对象对应的商品信息、对象信息等等，其中，商品信息可以包括商品的种类、外观、价格、代言人等等，对象信息可以包括对应的任务信息、奖励信息(例如优惠券信息)等等。

根据一些实施例，该对象推荐的方法100还包括：响应于确定在预定时间范围内目标用户在每个业务场景中均不具有历史行为信息，基于预设规则直接确定目标用户的推荐对象。

示例性的，该历史行为信息可以是历史购买信息。即，当目标用户在所有业务场景中都不具有历史购买行为时，直接基于预设规则为目标用户推荐对象。该预设规则可以是直接推荐对应于招新标签的对象，或直接推荐用户购买概率较高的热门对象。

图2示出了根据本公开示例性实施例的对象推荐方法的流程图。如图2所示，并且结合图1，步骤S104包括：步骤S1042，基于推荐特征，获取候选对象相应的多个目标任务的预测执行分数，预测执行分数用于表征相应的目标任务被目标用户执行的概率；步骤S1044，基于候选对象各自相应的多个目标任务的预测执行分数，确定候选对象各自相应的预测推荐分数；以及步骤S1046，基于候选对象各自相应的预测推荐分数，从候选对象中确定目标用户的针对多个业务场景的推荐对象。

在本实施例中，预测执行分数用于表征相应的目标任务被目标用户执行的概率，即，当预测模型基于推荐特征确定目标任务有较高概率被目标用户执行时，预测模型针对该候选对象输出较高的预测执行分数。

在本实施例中，特征对象的确定通过预测模型来完成。通过预测模型可以得到多个目标任务的预测执行分数，并整合得到某一候选对象对应于多个目标任务的预测推荐分数。在一些实施例中，该预测推荐分数可以是多个目标任务的多个预测执行分数的加权求和。基于得到的候选对象的预测推荐分数，可以确定具有最高预测推荐分数的N个候选对象作为推荐对象，从而对应于至少两个业务场景来推荐给目标用户。示例性地，该N值可以被预先确定，也可以基于目标用户的用户标签而被确定。例如，当目标用户针对一些业务场景是第一用户标签而针对另一些业务场景中是第二用户标签时，在对应于第一用户标签的业务场景中确定具有最高预测推荐分数的一个候选对象作为推荐对象，在对应于第二用户标签的业务场景中也确定具有最高预测推荐分数的一个候选对象作为推荐对象。当目标用户仅针对一些业务场景是第一用户标签，而不具有第二用户标签时，在对应于第一用户标签的业务场景中确定具有最高预测推荐分数的两个候选对象作为推荐对象。

根据一些实施例，多个目标任务包括能够依次执行的多个任务，在后的目标任务为响应于在先的目标任务执行完成而能够被执行。

在一些实施例中，该多个目标任务可以对应于实现一整条转化链路中的多个阶段。示例性地，在对应于对象推荐的一些业务场景中，该多个目标任务可以包括：对象的领取、完成对象所指示的内容并领取奖励、使用奖励下单。由此，通过针对多个目标任务可以实现全链路的对象推荐。

图3示出了根据本公开示例性实施例的对象推荐方法300的流程图。如图3所示，该对象推荐的方法300包括如下步骤：

步骤S302，确定目标用户；

步骤S304，确定目标用户是否具有历史行为信息；该历史行为信息可以是如上所描述的历史购买信息，可以仅对应某一时间段，例如，最近一年内是否具有历史购买信息，该历史行为信息可以对应于一个或多个业务场景，也可以对应于全部业务场景；

如果确定目标用户不具有历史行为信息，则执行步骤S306，基于预设规则直接确定目标用户的推荐对象；该预设规则可以是直接推荐对应的招新对象，或直接推荐用户购买概率较高的热门对象；

如果确定目标用户具有历史行为信息，根据本实施例，对应于第一业务场景执行步骤S308，确定目标用户针对第一业务场景的用户标签为第一用户标签(例如招新标签)；对应于第二业务场景执行步骤S310，确定目标用户针对第二业务场景的用户标签为第二用户标签(例如复购标签)；对应于第三业务场景执行步骤S312，确定目标用户针对第三业务场景的用户标签为第二用户标签；

步骤S314，基于第一用户标签，确定第一业务场景中的候选对象；该候选对象是在第一业务场景中与第一用户标签对应的候选对象，例如，当第一用户标签是招新标签时，该候选对象是第一业务场景中的招新候选对象；

步骤S316，基于第二用户标签，确定第二业务场景中的候选对象；该候选对象是在第二业务场景中与第二用户标签对应的候选对象，例如，当第二用户标签是复购标签时，该候选对象是第二业务场景中的复购候选对象；

步骤S318，基于第二用户标签，确定第三业务场景中的候选对象；该候选对象是在第三业务场景中与第二用户标签对应的候选对象，例如，当第二用户标签是复购标签时，该候选对象是第三业务场景中的复购候选对象；

步骤S320，确定目标用户针对第一业务场景的推荐特征；在一些实施例中，可以将目标用户的用户特征、第一业务场景的业务场景特征、以及第一业务场景中的候选对象的对象特征进行拼接，以确定目标用户针对第一业务场景的推荐特征；

步骤S322，确定目标用户针对第二、第三业务场景的推荐特征；在一些实施例中，可以将目标用户的用户特征、第二业务场景和第三业务场景的业务场景特征、以及第二业务场景和第三业务场景中的候选对象的对象特征进行拼接，以确定目标用户针对第二业务场景和第三业务场景的推荐特征；

步骤S324，确定目标用户针对第一业务场景的第一推荐对象；在本实施例中，该第一推荐对象是通过将目标用户针对第一业务场景的推荐特征输入推荐模型而确定的，该推荐模型可以是通过样本数据训练得到的模型；

步骤S326，确定目标用户针对第二、第三业务场景的第二推荐对象；在本实施例中，该第二推荐对象是通过将目标用户针对第二、第三业务场景的推荐特征输入推荐模型而确定的，该推荐模型可以是通过样本数据训练得到的模型，该预测模型可以与步骤S324中使用的预测模型不同，也可以相同。该预测模型可以通过一个、多个、或全部业务场景的样本数据训练得到。

在本实施例中，第一推荐对象是第一业务场景中的候选对象中的至少一个候选对象，第二推荐对象是第二、第三业务场景中的候选对象中的至少一个候选对象。第一推荐对象和第二推荐对象被同时推荐给目标用户。

在一些实施例中，可以包括除了第一、第二、第三业务场景之外的更多的业务场景和除了第一、第二用户标签之外的更多的用户标签，用户标签也可以以其他方式与业务场景组合，例如，目标用户针对第一、第二、第三业务场景的用户标签均为第一用户标签，则通过类似的步骤分别确定第一、第二、第三业务场景中的候选对象，之后确定目标用户针对第一、第二、第三业务场景的推荐特征，将推荐特征输入推荐模型，以获得目标用户针对第一、第二、第三业务场景的推荐对象。

根据一些实施例，推荐对象可以由推荐模型输出，结合图1，步骤S104中，基于推荐特征，确定目标用户的针对多个业务场景的推荐对象，包括：将推荐特征输入推荐模型，并获取推荐模型所输出的多个用户的针对多个业务场景的推荐对象。

图4示出了根据本公开示例性实施例的推荐模型训练的方法400的流程图。如图4所示，该推荐模型训练的方法400包括：步骤S402，获取样本用户的针对多个样本业务场景的样本用户标签，并且样本用户的针对多个样本业务场景的样本用户标签相同；步骤S404，获取每个样本业务场景的样本对象以及每个样本对象的针对样本用户的真实推荐分数；步骤S406，基于样本用户的用户特征以及每个样本业务场景的样本对象的对象特征，确定样本用户的针对多个样本业务场景的样本推荐特征；步骤S408，将样本推荐特征输入推荐模型并获取推荐模型所输出的每个样本对象的针对样本用户的预测推荐分数；步骤S410，基于多个样本业务场景的多个样本对象各自相应的真实推荐分数和预测推荐分数，计算损失值；以及步骤S412，基于损失值调整推荐模型的参数。

在本实施例中，该推荐模型训练的方法400可以以迭代的方式多次进行，直到损失值小于预先确定的阈值。调整后的推荐模型可以被用作上述任何方法中的推荐模型，通过将推荐特征输入推荐模型以获取推荐对象。

根据一些实施例，推荐模型训练的方法400中的每个样本对象的针对样本用户的真实推荐分数包括每个样本对象相应的多个样本任务的真实执行分数，真实执行分数用于表征相应的样本任务被样本用户执行的概率，并且其中，推荐模型可以输出其他中间预测分数，最终预测推荐分数可以基于中间预测分数得到。例如，推荐模型的输出包括每个样本对象相应的多个样本任务的预测执行分数，其中，预测推荐分数为基于每个样本对象相应的多个样本任务的预测执行分数来获得的。在一些实施例中，预测推荐分数可以是预测执行分数的加权求和。

在本实施例中，推荐模型训练的方法400针对多个样本任务执行，该多个样本任务可以是能够依次执行的多个任务，在后的目标任务为响应于在先的样本任务执行完成而能够被执行。在一些实施例中，该多个样本任务可以对应于实现一整条转化链路中的多个阶段。示例性地，在对应于对象推荐的一些业务场景中，该多个样本任务可以包括：对象的领取、完成对象所指示的内容并领取奖励、使用奖励下单。

根据本公开的另一方面，还提供一种对象推荐的装置。图5示出了根据本公开示例性实施例的对象推荐的装置500的结构框图。如图5所示，该对象推荐装置500包括：特征拼接单元501，被配置用于响应于确定目标用户的针对多个业务场景的用户标签相同，基于目标用户的用户特征以及每个业务场景的候选对象的对象特征，确定目标用户的针对多个业务场景的推荐特征；以及对象推荐单元502，被配置用于基于推荐特征，确定目标用户的针对多个业务场景的推荐对象，推荐对象为从多个业务场景的候选对象中确定的。

由此可以实现根据不同的业务场景进行筛选，有针对性地拼接目标用户的用户特征和不同业务场景中的候选对象特征，提高对象推荐的针对性和准确性。

根据一些实施例，对象推荐的装置500还包括：候选对象选择单元，被配置用于基于目标用户针对每个业务场景的用户标签，确定每个业务场景的候选对象。具体确定方法可以与前文所描述的一致，在此不再赘述。

根据一些实施例，候选对象选择单元还被配置用于基于用户标签以及目标用户在该业务场景中的历史行为信息，确定目标用户针对该业务场景的候选对象，其中，目标用户的针对该业务场景的候选对象为该业务场景中未被目标用户领取过的对象。

示例性地，历史行为信息可以包括目标用户在过去是否已经领取过该对象，如果该目标用户在过去已经领取过该对象，则将该对象从至少一个候选对象中移除，使得目标用户的针对该业务场景的至少一个候选对象为该业务场景中未被目标用户领取过的对象。由此保证不会为目标用户多次推荐重复的对象。

根据一些实施例，目标用户的针对每个业务场景的用户标签为基于目标用户在该业务场景中的历史行为信息来确定的。确定后的用户标签可以表示目标用户在该业务场景中的历史行为信息类别。

进一步地，该历史行为信息可以包括历史购买信息，对象推荐的装置500还包括：用户标签生成单元，被配置用于：响应于确定目标用户在该业务场景中没有历史购买信息，确定用户标签为招新标签；以及响应于确定目标用户在该业务场景中具有历史购买信息，确定用户标签为复购标签。在一些实施例中，根据该目标用户的购买行为的频次，还可以将复购标签确定为高频复购标签和低频复购标签。具体确定方法可以与前文所描述的一致，在此不再赘述。

由此可以将目标用户针对不同的业务场景进行筛选，以有针对性地进行推荐。

根据一些实施例，对象推荐的装置500还包括：候选对象筛选单元，被配置用于在确定目标用户的针对每个业务场景的用户标签之前，响应于确定在预定时间范围内目标用户在每个业务场景中均不具有历史行为信息，基于预设规则确定目标用户的推荐对象。具体地，该历史行为信息可以是历史购买信息。该预设规则可以是直接推荐对应于招新标签的对象，或直接推荐用户购买概率较高的热门对象。

根据一些实施例，对象推荐的装置500中的对象推荐单元502还被配置用于：基于推荐特征，确定候选对象相应的多个目标任务的预测执行分数，预测执行分数用于表征相应的目标任务被目标用户执行的概率；基于候选对象各自相应的多个目标任务的预测执行分数，确定候选对象各自相应的预测推荐分数；以及基于至少一个候选对象各自相应的预测推荐分数，从候选对象中确定目标用户的针对多个业务场景的推荐对象。

在本实施例中，预测执行分数用于表征相应的目标任务被目标用户执行的概率。特征对象的确定通过预测模型来完成。通过预测模型可以得到多个目标任务的预测执行分数，并整合得到某一候选对象对应于多个目标任务的预测推荐分数。具体确定方法可以与前文所描述的一致，在此不再赘述。

根据一些实施例，多个目标任务包括能够依次执行的多个任务，在后的目标任务为响应于在先的目标任务执行完成而能够被执行。如前文所描述的，在一些实施例中，该多个目标任务可以对应于实现一整条转化链路中的多个阶段。由此，通过针对多个目标任务可以实现全链路的对象推荐。

根据一些实施例，对象推荐单元还被配置用于：将推荐特征输入推荐模型，并获取推荐模型所输出的目标用户的针对多个业务场景的推荐对象。

根据本公开的另一方面，还提供一种推荐模型的训练装置600。图6示出了根据本公开示例性实施例的推荐模型训练的装置600的结构框图。如图6所示，推荐模型训练的装置600包括：数据获取单元601，被配置用于获取样本用户的针对多个样本业务场景的样本用户标签，并且样本用户的针对多个样本业务场景的样本用户标签相同；分数获取单元602，被配置用于获取每个样本业务场景的样本对象以及每个样本对象的针对样本用户的真实推荐分数；特征确定单元603，被配置用于基于样本用户的用户特征以及每个样本业务场景的样本对象的对象特征，确定样本用户的针对多个样本业务场景的样本推荐特征；预测打分单元604，被配置用于将样本推荐特征输入推荐模型并获取推荐模型所输出的每个样本对象的针对样本用户的预测推荐分数；损失计算单元605，被配置用于基于多个样本业务场景的多个样本对象各自相应的真实推荐分数和预测推荐分数，计算损失值；以及模型调整单元606，被配置用于基于损失值调整推荐模型的参数。

根据一些实施例，其中，每个样本对象的针对样本用户的真实推荐分数包括每个样本对象相应的多个样本任务的真实执行分数，真实执行分数用于表征相应的样本任务被样本用户执行的概率，并且其中，推荐模型的输出包括每个样本对象相应的多个样本任务的预测执行分数，其中，预测推荐分数为基于每个样本对象相应的多个样本任务的预测执行分数来获得的。

在本实施例中，该推荐模型训练的装置600可以以迭代的方式被多次执行，直到损失值小于预先确定的阈值。推荐模型训练的装置600针对多个样本任务执行，该多个样本任务可以是能够依次执行的多个任务，在后的目标任务为响应于在先的样本任务执行完成而能够被执行。

根据本公开的另一方面，还提供一种电子设备，包括：至少一个处理器；以及存储器，所述存储器存储程序，所述程序包括指令，所述指令在由所述处理器执行时使得所述处理器能够执行上述的对象推荐的方法。

根据本公开的另一方面，还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储有计算机程序，所述计算机程序包括指令，所述指令在由计算设备的处理器执行时，使所述计算机执行上述的对象推荐的方法。

根据本公开的另一方面，还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现上述的对象推荐的方法的步骤。

参见图7，现将描述可以作为本公开的电子设备700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。电子设备可以是不同类型的计算机设备，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。

图7示出了根据本公开实施例的电子设备的框图。如图7所示，电子设备700可以包括能够通过系统总线703彼此通信的至少一个处理器701、工作存储器702、I/O设备704、显示设备705、存储装置706和通信接口707。

处理器701可以是单个处理单元或多个处理单元，所有处理单元可以包括单个或多个计算单元或者多个核心。处理器701可以被实施成一个或更多微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令来操纵信号的任何设备。处理器701可以被配置成获取并且执行存储在工作存储器702、存储装置706或者其他计算机可读介质中的计算机可读指令，诸如操作系统702a的程序代码、应用程序702b的程序代码等。

工作存储器702和存储装置706是用于存储指令的计算机可读存储介质的示例，指令由处理器701执行来实施前面所描述的各种功能。工作存储器702可以包括易失性存储器和非易失性存储器二者(例如RAM、ROM等等)。此外，存储装置706可以包括硬盘驱动器、固态驱动器、可移除介质、包括外部和可移除驱动器、存储器卡、闪存、软盘、光盘(例如CD、DVD)、存储阵列、网络附属存储、存储区域网等等。工作存储器702和存储装置706在本文中都可以被统称为存储器或计算机可读存储介质，并且可以是能够把计算机可读、处理器可执行程序指令存储为计算机程序代码的非暂态介质，计算机程序代码可以由处理器701作为被配置成实施在本文的示例中所描述的操作和功能的特定机器来执行。

I/O设备704可以包括输入设备和/或输出设备，输入设备可以是能向电子设备700输入信息的任何类型的设备，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。输出设备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包括视频/音频输出终端、振动器和/或打印机。

通信接口707允许电子设备700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、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

工作寄存器702中的应用程序702b可以被加载执行上文所描述的各个方法和处理，例如图1中的步骤S101-步骤S104。在一些实施例中，计算机程序的部分或者全部可以经由存储装置706和/或通信接口707而被载入和/或安装到电子设备700上。当计算机程序被加载并由处理器701执行时，可以执行上文描述的数据处理方法的一个或多个步骤。

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设备(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 (25)

1.一种对象推荐的方法，包括：

响应于确定目标用户的针对多个业务场景的用户标签相同，基于所述目标用户的用户特征以及每个业务场景的候选对象的对象特征，确定所述目标用户的针对所述多个业务场景的推荐特征；

基于所述推荐特征，确定所述目标用户的针对所述多个业务场景的推荐对象，所述推荐对象为从所述多个业务场景的候选对象中确定的。

2.根据权利要求1所述的方法，其中，基于所述推荐特征，确定所述目标用户的针对所述多个业务场景的推荐对象，包括：

基于所述推荐特征，获取所述候选对象相应的多个目标任务的预测执行分数，所述预测执行分数用于表征相应的目标任务被所述目标用户执行的概率；

基于所述候选对象各自相应的所述多个目标任务的所述预测执行分数，确定所述候选对象各自相应的预测推荐分数；以及

基于所述候选对象各自相应的所述预测推荐分数，从所述候选对象中确定所述目标用户的针对所述多个业务场景的所述推荐对象。

3.根据权利要求2所述的方法，其中，所述多个目标任务包括能够依次执行的多个任务，在后的目标任务为响应于在先的目标任务执行完成而能够被执行。

4.根据权利要求1所述的方法，还包括：

基于所述目标用户针对每个业务场景的用户标签，确定所述每个业务场景的候选对象。

5.根据权利要求4所述的方法，其中，基于所述目标用户针对每个业务场景的用户标签，确定所述每个业务场景的候选对象，还包括：

基于所述用户标签以及所述目标用户在该业务场景中的历史行为信息，确定所述目标用户针对该业务场景的候选对象，其中，所述目标用户的针对该业务场景的候选对象为该业务场景中未被所述目标用户领取过的对象。

6.根据权利要求1所述的方法，其中，所述目标用户的针对每个业务场景的所述用户标签为基于所述目标用户在该业务场景中的历史行为信息来确定的。

7.根据权利要求6所述的方法，所述方法还包括：

响应于确定在预定时间范围内所述目标用户在每个业务场景中均不具有历史行为信息，基于预设规则确定所述目标用户的推荐对象。

8.根据权利要求6所述的方法，其中，所述历史行为信息包括历史购买信息，

其中，确定所述目标用户的针对每个业务场景的所述用户标签包括：

响应于确定所述目标用户在该业务场景中没有历史购买信息，确定所述用户标签为招新标签；以及

响应于确定所述目标用户在该业务场景中具有历史购买信息，确定所述用户标签为复购标签。

9.根据权利要求1所述的方法，其中，基于所述推荐特征，确定所述目标用户的针对所述多个业务场景的推荐对象，包括：

将所述推荐特征输入推荐模型，并获取所述推荐模型所输出的所述目标用户的针对所述多个业务场景的所述推荐对象。

10.根据权利要求9所述的方法，其中，所述推荐模型的训练方法包括：

获取样本用户的针对多个样本业务场景的样本用户标签，并且所述样本用户的针对多个样本业务场景的样本用户标签相同；

获取每个样本业务场景的样本对象以及每个样本对象的针对所述样本用户的真实推荐分数；

基于所述样本用户的用户特征以及每个样本业务场景的样本对象的对象特征，确定所述样本用户的针对所述多个样本业务场景的样本推荐特征；

将所述样本推荐特征输入推荐模型并获取所述推荐模型所输出的每个样本对象的针对所述样本用户的预测推荐分数；

基于所述多个样本业务场景的多个样本对象各自相应的真实推荐分数和预测推荐分数，计算损失值；以及

基于所述损失值调整所述推荐模型的参数。

11.根据权利要求10所述的方法，其中，每个样本对象的针对所述样本用户的真实推荐分数包括每个样本对象相应的多个样本任务的真实执行分数，所述真实执行分数用于表征相应的样本任务被所述样本用户执行的概率，

并且其中，所述推荐模型的输出包括每个样本对象相应的多个样本任务的预测执行分数，

其中，所述预测推荐分数为基于每个样本对象相应的多个样本任务的预测执行分数来获得的。

12.一种对象推荐的装置，包括：

特征拼接单元，被配置用于响应于确定目标用户的针对多个业务场景的用户标签相同，基于所述目标用户的用户特征以及每个业务场景的候选对象的对象特征，确定所述目标用户的针对所述多个业务场景的推荐特征；以及

对象推荐单元，被配置用于基于所述推荐特征，确定所述目标用户的针对所述多个业务场景的推荐对象，所述推荐对象为从所述多个业务场景的候选对象中确定的。

13.根据权利要求12所述的装置，其中，所述对象推荐单元还被配置用于：

基于所述推荐特征，确定所述候选对象相应的多个目标任务的预测执行分数，所述预测执行分数用于表征相应的目标任务被所述目标用户执行的概率；

基于所述候选对象各自相应的所述多个目标任务的所述预测执行分数，确定所述候选对象各自相应的预测推荐分数；以及

基于所述候选对象各自相应的所述预测推荐分数，从所述候选对象中确定所述目标用户的针对所述多个业务场景的所述推荐对象。

14.根据权利要求13所述的装置，其中，所述多个目标任务包括能够依次执行的多个任务，在后的目标任务为响应于在先的目标任务执行完成而能够被执行。

15.根据权利要求12所述的装置，还包括：

候选对象选择单元，被配置用于基于所述目标用户针对每个业务场景的用户标签，确定所述每个业务场景的候选对象。

16.根据权利要求15所述的装置，其中，所述候选对象选择单元还被配置用于：

基于所述用户标签以及所述目标用户在该业务场景中的历史行为信息，确定所述目标用户针对该业务场景的候选对象，其中，所述目标用户的针对该业务场景的候选对象为该业务场景中未被所述目标用户领取过的对象。

17.根据权利要求12所述的装置，其中，所述目标用户的针对每个业务场景的所述用户标签为基于所述目标用户在该业务场景中的历史行为信息来确定的。

18.根据权利要求17所述的装置，还包括：

候选对象筛选单元，被配置用于在确定所述目标用户的针对每个业务场景的用户标签之前，响应于确定在预定时间范围内所述目标用户在每个业务场景中均不具有历史行为信息，基于预设规则确定所述目标用户的推荐对象。

19.根据权利要求17所述的装置，其中，所述历史行为信息包括历史购买信息，所述装置还包括：

用户标签生成单元，被配置用于：

响应于确定所述目标用户在该业务场景中没有历史购买信息，确定所述用户标签为招新标签；以及

响应于确定所述目标用户在该业务场景中具有历史购买信息，确定所述用户标签为复购标签。

20.根据权利要求12所述的装置，其中，所述对象推荐单元还被配置用于：

将所述推荐特征输入推荐模型，并获取所述推荐模型所输出的所述目标用户的针对所述多个业务场景的所述推荐对象。

21.根据权利要求20所述的装置，其中，所述推荐模型的训练装置包括：

数据获取单元，被配置用于获取样本用户的针对多个样本业务场景的样本用户标签，并且所述样本用户的针对多个样本业务场景的样本用户标签相同；

分数获取单元，被配置用于获取每个样本业务场景的样本对象以及每个样本对象的针对所述样本用户的真实推荐分数；

特征确定单元，被配置用于基于所述样本用户的用户特征以及每个样本业务场景的样本对象的对象特征，确定所述样本用户的针对所述多个样本业务场景的样本推荐特征；

预测打分单元，被配置用于将所述样本推荐特征输入推荐模型并获取所述推荐模型所输出的每个样本对象的针对所述样本用户的预测推荐分数；

损失计算单元，被配置用于基于所述多个样本业务场景的多个样本对象各自相应的真实推荐分数和预测推荐分数，计算损失值；以及

模型调整单元，被配置用于基于所述损失值调整所述推荐模型的参数。

22.根据权利要求21所述的装置，其中，每个样本对象的针对所述样本用户的真实推荐分数包括每个样本对象相应的多个样本任务的真实执行分数，所述真实执行分数用于表征相应的样本任务被所述样本用户执行的概率，

并且其中，所述推荐模型的输出包括每个样本对象相应的多个样本任务的预测执行分数，

其中，所述预测推荐分数为基于每个样本对象相应的多个样本任务的预测执行分数来获得的。

23.一种电子设备，包括：

处理器；以及

存储器，所述存储器存储程序，所述程序包括指令，所述指令在由所述处理器执行时使得所述处理器执行根据权利要求1-11中任一项所述的方法。

24.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储有计算机程序，所述计算机程序包括指令，所述指令在由计算设备的处理器执行时，使得所述计算设备执行根据权利要求1-11中任一项所述的方法。

25.一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1-11中任一项所述方法的步骤。

Images