CN114510627A - 对象推送方法、装置、电子设备及存储介质 - Google Patents

对象推送方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114510627A
CN114510627A CN202111534200.1A CN202111534200A CN114510627A CN 114510627 A CN114510627 A CN 114510627A CN 202111534200 A CN202111534200 A CN 202111534200A CN 114510627 A CN114510627 A CN 114510627A
Authority
CN
China
Prior art keywords
account
data
determining
objects
chain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111534200.1A
Other languages
English (en)
Inventor
袁欣
郭子博
乔方正
耿啸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN202111534200.1A priority Critical patent/CN114510627A/zh
Publication of CN114510627A publication Critical patent/CN114510627A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种对象推送方法、装置、电子设备及存储介质，该方法包括：根据第一账户的关系链数据，从获取的待推送的多个对象中确定多个关系链对象；从多个关系链对象中确定至少一个目标对象；至少一个目标对象对应至少一种对象类型，至少一个目标对象中每个目标对象的对象类型不同；确定第一账户对至少一种对象类型中每种对象类型的偏好指标数据；确定第一账户对待推送的多个对象中的非关系链对象的偏好指标数据；基于每种对象类型的偏好指标数据和非关系链对象的偏好指标数据，向第一账户进行对象推送。本公开可以满足不同用户的个性化需求，可以提高推送准确度，可以提高用户的留存。

Description

对象推送方法、装置、电子设备及存储介质
技术领域
本公开涉及互联网技术领域，尤其涉及一种对象推送方法、装置、电子设备及存储介质。
背景技术
推送系统是一种信息过滤系统，通过召回、排序等过程从海量的物料中逐级过滤，选取用户感兴趣的对象进行推送。
相关技术中，主要是利用消费型正向反馈，如预测对象的点击率、点赞率、关注率、长播率等对对象进行召回与排序，这导致排序结果偏向消费性，不能满足用户的个性化需求，导致推送准确度低、效果差。
发明内容
本公开提供一种对象推送方法、装置、电子设备及存储介质，本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种对象推送方法，包括：
根据第一账户的关系链数据，从获取的待推送的多个对象中确定多个关系链对象；多个关系链对象中每个关系链对象的对象类型根据关系链对象的发布账户与第一账户之间的关系确定；
从多个关系链对象中确定至少一个目标对象；至少一个目标对象对应至少一种对象类型，至少一个目标对象中每个目标对象的对象类型不同；
确定第一账户对至少一种对象类型中每种对象类型的偏好指标数据；
确定第一账户对待推送的多个对象中的非关系链对象的偏好指标数据；
基于每种对象类型的偏好指标数据和非关系链对象的偏好指标数据，向第一账户进行对象推送。
在一些可能的实施例中，关系链数据包括第一账户的关联账户；第一账户的关联账户包括被第一账户所关注的账户、关注第一账户的账户、与第一账户互相关注的账户，以及与第一账户之间存在至少一个共同好友的账户中的至少一种账户；
从获取的待推送的多个对象中确定多个关系链对象，包括：
获取待推送的多个对象中每个对象的发布账户；
当确定发布账户为关联账户时，确定发布账户对应的对象为关系链对象。
在一些可能的实施例中，当确定发布账户为关联账户时，确定发布账户对应的对象为关系链对象之后，还包括：
当发布账户为被第一账户所关注的账户时，确定发布账户对应的对象为第一对象类型的关系链对象；
或者；
当发布账户为关注第一账户的账户时，确定发布账户对应的对象为第二对象类型的关系链对象；
或者；
当发布账户为与第一账户互相关注的账户时，确定发布账户对应的对象为第三对象类型的关系链对象；
或者；
当发布账户为与第一账户之间存在至少一个共同好友的账户时，确定发布账户对应的对象为第四对象类型的关系链对象。
在一些可能的实施例中，从多个关系链对象中确定至少一个目标对象，包括：
获取多个关系链对象中每个关系链对象的排序指标；每个关系链对象的排序指标根据每个关系链对象对应的操作预估数据确定；
对多个关系链对象进行分类，得到至少一种对象类型对应的关系链对象集合；关系链对象集合中每个关系链对象的对象类型相同；
将每种对象类型对应的关系链对象集合中排序指标大于或等于预设指标的关系链对象确定为目标对象，得到至少一个目标对象。
在一些可能的实施例中，获取多个关系链对象中每个关系链对象的排序指标，包括：
通过操作预估模型对每个关系链对象进行操作行为的预估，得到每个关系链对象对应的操作预估数据；操作预估模型是根据第二账户的特征数据、第二账户的关联账户的特征数据、第二账户与第二账户的关联账户之间的互动特征数据、第二账户的关联账户所发布的历史对象的特征数据训练得到；
根据每个关系链对象对应的操作预估数据，确定每个关系链对象的排序指标。
在一些可能的实施例中，操作预估模型的生成方式，包括：
获取第一训练样本集合；第一训练样本集合中的每个第一训练样本包括第二账户的特征数据、第二账户的关联账户的特征数据、第二账户与第二账户的关联账户之间的互动特征数据、第二账户的关联账户所发布的历史对象的特征数据，以及第二账户对历史对象的实际操作数据；第二账户为访问推送系统的任一用户账户；第二账户的关联账户包括被第二账户所关注的账户、关注第二账户的账户、与第二账户互相关注的账户，以及与第二账户之间存在至少一个共同好友的账户中的至少一种账户；
获取第一预设机器学习模型；
将第二账户的特征数据、第二账户的关联账户的特征数据、第二账户与第二账户的关联账户之间的互动特征数据、第二账户的关联账户所发布的历史对象的特征数据，输入第一预设机器学习模型，得到第二账户对应的预估操作数据；
基于预估操作数据和实际操作数据，对第一预设机器学习模型进行训练，得到训练后的操作预估模型。
在一些可能的实施例中，操作预估数据包括多个操作行为对应的多个预估数据；将第二账户的特征数据、第二账户的关联账户的特征数据、第二账户与第二账户的关联账户之间的互动特征数据、第二账户的关联账户所发布的历史对象的特征数据，输入第一预设机器学习模型，得到第二账户对应的预估操作数据，包括：
根据第一预设机器学习模型中的第一空间向量表征模块，确定第二账户的特征数据对应的第一特征向量；
根据第一预设机器学习模型中的第二空间向量表征模块，确定第二账户的关联账户的特征数据对应的第二特征向量；
根据第一预设机器学习模型中的第三空间向量表征模块，确定第二账户与第二账户的关联账户之间的互动特征数据对应的第三特征向量；
根据第一预设机器学习模型中的第四空间向量表征模块，确定第二账户的关联账户所发布的历史对象的特征数据对应的第四特征向量；
将第一特征向量、第二特征向量、第三特征向量和第四特征向量分别输入到对应的预处理神经网络中，输出经过预处理的第一特征向量、第二特征向量、第三特征向量和第四特征向量；
将第一特征向量和第二特征向量融合后的融合特征向量，与预处理之后的第一特征向量、第二特征向量、第三特征向量和第四特征向量进行连接，输入至第一预设机器学习模型中的多个操作行为预估子模块，得到每个操作行为预估子模块输出的预估数据。
在一些可能的实施例中，确定第一账户对至少一种对象类型中每种对象类型的偏好指标数据，包括：
根据偏好预估模型，确定至少一个目标对象中每个目标对象对应的偏好指标数据；偏好预估模型是根据第三账户的特征数据、第三账户的关联账户的特征数据、第三账户的历史行为数据、第三账户的关联账户所发布的历史对象的特征数据和第三账户对应的多个历史推送对象中非关系链对象的特征数据进行训练得到；
基于每个目标对象的对象类型，将每个目标对象对应的偏好指标数据，作为第一账户对对象类型的偏好指标数据。
在一些可能的实施例中，根据偏好预估模型，确定至少一个目标对象中每个目标对象对应的偏好指标数据，包括：
将获取的第一账户的特征数据、目标对象的发布账户的特征数据、目标对象的特征数据、第一账户的历史操作数据和待推送的多个对象中的非关系链对象的特征数据，输入偏好预估模型中，得到目标对象对应的偏好指标数据。
在一些可能的实施例中，确定第一账户对待推送的多个对象中的非关系链对象的偏好指标数据，包括：
将获取的第一账户的特征数据、目标对象的发布账户的特征数据、第一账户的历史操作数据和待推送的多个对象中的非关系链对象的特征数据，输入偏好预估模型中，得到非关系链对象的偏好指标数据。
在一些可能的实施例中，偏好预估模型的生成方式，包括：
获取第二训练样本集合；第二训练样本集合中的每个第二训练样本包括第三账户的特征数据、第三账户的关联账户的特征数据、第三账户的历史行为数据、第三账户的关联账户所发布的历史对象的特征数据、第三账户对应的多个历史推送对象中非关系链对象的特征数据，以及第三账户对历史对象的实际行为数据；第三账户为访问推送系统的任一用户账户；第三账户的关联账户包括被第三账户所关注的账户、关注第三账户的账户、与第三账户互相关注的账户，以及与第三账户之间存在至少一个共同好友的账户中的至少一种账户；
获取第二预设机器学习模型；
将第三账户的特征数据、第三账户的关联账户的特征数据、第三账户的历史行为数据、第三账户的关联账户所发布的历史对象的特征数据、第三账户对应的多个历史推送对象中非关系链对象的特征数据，输入第二预设机器学习模型，得到历史对象的偏好预估指标数据；历史对象的偏好预估指标数据表征第三账户对历史对象的对象类型的偏好程度；
根据第三账户对历史对象的实际行为数据，确定历史对象的实际偏好指标数据；
基于实际偏好指标数据和偏好预估指标数据，对第二预设机器学习模型进行训练，得到训练后的偏好预估模型。
在一些可能的实施例中，将第三账户的特征数据、第三账户的关联账户的特征数据、第三账户的历史行为数据、第三账户的关联账户所发布的历史对象的特征数据、第三账户对应的多个历史推送对象中非关系链对象的特征数据，输入第二预设机器学习模型，得到历史对象的偏好预估指标数据，包括：
根据第二预设机器学习模型中的第一空间向量表征模块，确定第三账户的特征数据对应的第一特征向量；
根据第二预设机器学习模型中的第二空间向量表征模块，确定第三账户的关联账户的特征数据对应的第二特征向量；
根据第二预设机器学习模型中的第三空间向量表征模块，确定第三账户的历史行为数据对应的第三特征向量；
根据第二预设机器学习模型中的第四空间向量表征模块，确定第三账户的关联账户所发布的历史对象的特征数据对应的第四特征向量；
根据第二预设机器学习模型中的第五空间向量表征模块，确定第三账户对应的多个历史推送对象中非关系链对象的特征数据对应的第五特征向量；
将第一特征向量、第二特征向量、第三特征向量、第四特征向量和第五特征向量连接后输入第二预设机器学习模型中的行为预估模块，得到多个行为预估数据；
根据多个行为预估数据和多个行为预估数据中每个行为预估数据的权重信息，确定偏好预估指标数据。
在一些可能的实施例中，基于每种对象类型的偏好指标数据和非关系链对象的偏好指标数据，向第一账户进行对象推送，包括：
当非关系链对象的偏好指标数据大于每种对象类型的偏好指标数据，将待推送的多个对象中的非关系链对象作为目标推送对象；或者；当存在一种对象类型的偏好指标数据大于非关系链对象的偏好指标数据，将偏好指标数据大于或等于预设指标数据的对象类型作为目标对象类型，将待推送的多个对象中对象类型为目标对象类型的对象作为目标推送对象；
向第一账户对应的终端发送对象推送反馈；对象推送反馈包括目标推送对象的标识信息。
根据本公开实施例的第二方面，提供一种对象推送装置，包括：
第一确定模块，被配置为执行根据第一账户的关系链数据，从获取的待推送的多个对象中确定多个关系链对象；多个关系链对象中每个关系链对象的对象类型根据关系链对象的发布账户与第一账户之间的关系确定；
第二确定模块，被配置为执行从多个关系链对象中确定至少一个目标对象；至少一个目标对象对应至少一种对象类型，至少一个目标对象中每个目标对象的对象类型不同；
第三确定模块，被配置为执行确定第一账户对至少一种对象类型中每种对象类型的偏好指标数据；
第四确定模块，被配置为执行确定第一账户对待推送的多个对象中的非关系链对象的偏好指标数据；
推送模块，被配置为执行基于每种对象类型的偏好指标数据和非关系链对象的偏好指标数据，向第一账户进行对象推送。
在一些可能的实施例中，关系链数据包括第一账户的关联账户；第一账户的关联账户包括被第一账户所关注的账户、关注第一账户的账户、与第一账户互相关注的账户，以及与第一账户之间存在至少一个共同好友的账户中的至少一种账户；
第一确定模块，还被配置为执行获取待推送的多个对象中每个对象的发布账户；当确定发布账户为关联账户时，确定发布账户对应的对象为关系链对象。
在一些可能的实施例中，第一确定模块，还被配置为执行当发布账户为被第一账户所关注的账户时，确定发布账户对应的对象为第一对象类型的关系链对象；或者；当发布账户为关注第一账户的账户时，确定发布账户对应的对象为第二对象类型的关系链对象；或者；当发布账户为与第一账户互相关注的账户时，确定发布账户对应的对象为第三对象类型的关系链对象或者；当发布账户为与第一账户之间存在至少一个共同好友的账户时，确定发布账户对应的对象为第四对象类型的关系链对象。
在一些可能的实施例中，第二确定模块，包括：
获取子模块，被配置为执行获取多个关系链对象中每个关系链对象的排序指标；每个关系链对象的排序指标根据每个关系链对象对应的操作预估数据确定；
分类子模块，被配置为执行对多个关系链对象进行分类，得到至少一种对象类型对应的关系链对象集合；关系链对象集合中每个关系链对象的对象类型相同；
确定子模块，被配置为执行将每种对象类型对应的关系链对象集合中排序指标大于或等于预设指标的关系链对象确定为目标对象，得到至少一个目标对象。
在一些可能的实施例中，获取子模块，还被配置为执行通过操作预估模型对每个关系链对象进行操作行为的预估，得到每个关系链对象对应的操作预估数据；操作预估模型是根据第二账户的特征数据、第二账户的关联账户的特征数据、第二账户与第二账户的关联账户之间的互动特征数据、第二账户的关联账户所发布的历史对象的特征数据训练得到；根据每个关系链对象对应的操作预估数据，确定每个关系链对象的排序指标。
在一些可能的实施例中，还包括操作预估模型的生成模块；
操作预估模型的生成模块，包括：
第一获取子模块，被配置为执行获取第一训练样本集合；第一训练样本集合中的每个第一训练样本包括第二账户的特征数据、第二账户的关联账户的特征数据、第二账户与第二账户的关联账户之间的互动特征数据、第二账户的关联账户所发布的历史对象的特征数据，以及第二账户对历史对象的实际操作数据；第二账户为访问推送系统的任一用户账户；第二账户的关联账户包括被第二账户所关注的账户、关注第二账户的账户、与第二账户互相关注的账户，以及与第二账户之间存在至少一个共同好友的账户中的至少一种账户；
第二获取子模块，被配置为执行获取第一预设机器学习模型；
输入子模块，被配置为执行将第二账户的特征数据、第二账户的关联账户的特征数据、第二账户与第二账户的关联账户之间的互动特征数据、第二账户的关联账户所发布的历史对象的特征数据，输入第一预设机器学习模型，得到第二账户对应的预估操作数据；
训练子模块，被配置为执行基于预估操作数据和实际操作数据，对第一预设机器学习模型进行训练，得到训练后的操作预估模型。
在一些可能的实施例中，输入子模块，被配置为执行：
根据第一预设机器学习模型中的第一空间向量表征模块，确定第二账户的特征数据对应的第一特征向量；
根据第一预设机器学习模型中的第二空间向量表征模块，确定第二账户的关联账户的特征数据对应的第二特征向量；
根据第一预设机器学习模型中的第三空间向量表征模块，确定第二账户与第二账户的关联账户之间的互动特征数据对应的第三特征向量；
根据第一预设机器学习模型中的第四空间向量表征模块，确定第二账户的关联账户所发布的历史对象的特征数据对应的第四特征向量；
将第一特征向量、第二特征向量、第三特征向量和第四特征向量分别输入到对应的预处理神经网络中，输出经过预处理的第一特征向量、第二特征向量、第三特征向量和第四特征向量；
将第一特征向量和第二特征向量融合后的融合特征向量，与预处理之后的第一特征向量、第二特征向量、第三特征向量和第四特征向量进行连接，输入至第一预设机器学习模型中的多个操作行为预估子模块，得到每个操作行为预估子模块输出的预估数据。
在一些可能的实施例中，第三确定模块，包括：
第一确定子模块，被配置为执行根据偏好预估模型，确定至少一个目标对象中每个目标对象对应的偏好指标数据；偏好预估模型是根据第三账户的特征数据、第三账户的关联账户的特征数据、第三账户的历史行为数据、第三账户的关联账户所发布的历史对象的特征数据和第三账户对应的多个历史推送对象中非关系链对象的特征数据进行训练得到；
第二确定子模块，被配置为执行基于每个目标对象的对象类型，将每个目标对象对应的偏好指标数据，作为第一账户对对象类型的偏好指标数据。
在一些可能的实施例中，第一确定子模块，还被配置为执行将获取的第一账户的特征数据、目标对象的发布账户的特征数据、目标对象的特征数据、第一账户的历史操作数据和待推送的多个对象中的非关系链对象的特征数据，输入偏好预估模型中，得到目标对象对应的偏好指标数据。
在一些可能的实施例中，第四确定模块，被配置为执行将获取的第一账户的特征数据、目标对象的发布账户的特征数据、第一账户的历史操作数据和待推送的多个对象中的非关系链对象的特征数据，输入偏好预估模型中，得到非关系链对象的偏好指标数据。
在一些可能的实施例中，还包括偏好预估模型的生成模块；
偏好预估模型的生成模块，包括：
第一获取子模块，被配置为执行获取第二训练样本集合；第二训练样本集合中的每个第二训练样本包括第三账户的特征数据、第三账户的关联账户的特征数据、第三账户的历史行为数据、第三账户的关联账户所发布的历史对象的特征数据、第三账户对应的多个历史推送对象中非关系链对象的特征数据，以及第三账户对历史对象的实际行为数据；第三账户为访问推送系统的任一用户账户；第三账户的关联账户包括被第三账户所关注的账户、关注第三账户的账户、与第三账户互相关注的账户，以及与第三账户之间存在至少一个共同好友的账户中的至少一种账户；
第二获取子模块，被配置为执行获取第二预设机器学习模型；
输入子模块，被配置为执行将第三账户的特征数据、第三账户的关联账户的特征数据、第三账户的历史行为数据、第三账户的关联账户所发布的历史对象的特征数据、第三账户对应的多个历史推送对象中非关系链对象的特征数据，输入第二预设机器学习模型，得到历史对象的偏好预估指标数据；历史对象的偏好预估指标数据表征第三账户对历史对象的对象类型的偏好程度；
确定子模块，被配置为执行根据第三账户对历史对象的实际行为数据，确定历史对象的实际偏好指标数据；
训练子模块，被配置为执行基于实际偏好指标数据和偏好预估指标数据，对第二预设机器学习模型进行训练，得到训练后的偏好预估模型。
在一些可能的实施例中，输入子模块，还被配置为执行：
根据第二预设机器学习模型中的第一空间向量表征模块，确定第三账户的特征数据对应的第一特征向量；
根据第二预设机器学习模型中的第二空间向量表征模块，确定第三账户的关联账户的特征数据对应的第二特征向量；
根据第二预设机器学习模型中的第三空间向量表征模块，确定第三账户的历史行为数据对应的第三特征向量；
根据第二预设机器学习模型中的第四空间向量表征模块，确定第三账户的关联账户所发布的历史对象的特征数据对应的第四特征向量；
根据第二预设机器学习模型中的第五空间向量表征模块，确定第三账户对应的多个历史推送对象中非关系链对象的特征数据对应的第五特征向量；
将第一特征向量、第二特征向量、第三特征向量、第四特征向量和第五特征向量连接后输入第二预设机器学习模型中的行为预估模块，得到多个行为预估数据；
根据多个行为预估数据和多个行为预估数据中每个行为预估数据的权重信息，确定偏好预估指标数据。
在一些可能的实施例中，推送模块，包括：
确定子模块，被配置为执行当非关系链对象的偏好指标数据大于每种对象类型的偏好指标数据，将待推送的多个对象中的非关系链对象作为目标推送对象；或者；当存在一种对象类型的偏好指标数据大于非关系链对象的偏好指标数据，将偏好指标数据大于或等于预设指标数据的对象类型作为目标对象类型，将待推送的多个对象中对象类型为目标对象类型的对象作为目标推送对象；
发送子模块，被配置为执行向第一账户对应的终端发送对象推送反馈；对象推送反馈包括目标推送对象的标识信息。
根据本公开实施例的第三方面，提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行指令，以实现本公开实施例第一方面提供的对象推送方法。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，当计算机可读存储介质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本公开实施例第一方面提供的对象推送方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序存储在可读存储介质中，计算机设备的至少一个处理器从可读存储介质读取并执行计算机程序，使得计算机设备执行本公开实施例第一方面提供的对象推送方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
在向第一账户推送对象的过程中，基于第一账户的关系链数据，从获取的待推送的多个对象中确定多个关系链对象，进一步筛选出在社交性上表现更好的关系链对象，以实现向第一账户推送其更感兴趣的对象，从而可以解决传统推送方式容易忽略关系链对象而导致的推送效果不佳的问题；且通过确定不同用户对不同类型的关系链对象以及非关系链对象的偏好，满足不同用户的个性化需求，可以提高推送准确度，可以提高用户的留存。
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一种应用环境的示意图；
图2是根据一示例性实施例示出的一种对象推送方法的流程图；
图3是根据一示例性实施例示出的一种从获取的待推送的多个对象中确定多个关系链对象的流程图；
图4是根据一示例性实施例示出的一种从多个关系链对象中确定至少一个目标对象的流程图；
图5是根据一示例性实施例示出的一种获取多个关系链对象中每个关系链对象的排序指标的流程图；
图6是根据一示例性实施例示出的一种操作预估模型的生成方式的流程图；
图7是根据一示例性实施例示出的一种第一预设机器学习模型的结构图；
图8是根据一示例性实施例示出的一种确定第一账户对至少一种对象类型中每种对象类型的偏好指标数据的流程图；
图9是根据一示例性实施例示出的一种偏好预估模型的生成方式的流程图；
图10是根据一示例性实施例示出的一种第二预设机器学习模型的结构图；
图11是根据一示例性实施例示出的一种对象推送装置的框图；
图12是根据一示例性实施例示出的一种用于对象推送的电子设备的框图。
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第一对象，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。
需要说明的是，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)，均为经用户授权或者经过各方充分授权的信息。
请参阅图1，其所示为根据一示例性实施例示出的一种对象推送方法的应用环境示意图，该应用环境可以包括终端110和服务器120，该终端110和服务器120之间可以通过有线网络或者无线网络连接。
终端110可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。终端110中可以安装有提供人机交互功能的客户端软件如应用程序(Application，简称为App)，该应用程序可以是独立的应用程序，也可以是应用程序中的子程序。示例性的，该应用程序可以是新闻类应用程序、直播类应用程序或者视频类应用程序等。终端110的用户可以通过预先注册的用户信息登录应用程序，该用户信息可以包括账号和密码。
服务器120可以是为终端110中的应用程序提供后台服务的服务器，具体的，服务器120提供的服务可以是对象推送服务，该对象可以根据具体的应用场景确定，例如可以包括但不限于短视频、新闻资讯、广告等等。服务器120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、CDN、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。
在一些可能的实施例中，终端110的用户预先注册的用户信息包括第一账户，该用户可以通过第一账户登录应用程序，以使用服务器120提供对象推送服务；终端110可以基于用户操作生成对象推送请求，并将该对象推送请求发送至服务器120；
服务器120响应于第一账户的对象推送请求，根据第一账户的关系链数据，从获取的待推送的多个对象中确定多个关系链对象；多个关系链对象中每个关系链对象的对象类型根据关系链对象的发布账户与第一账户之间的关系确定；然后，服务器120从多个关系链对象中确定至少一个目标对象；至少一个目标对象对应至少一种对象类型，至少一个目标对象中每个目标对象的对象类型不同；然后，服务器120确定第一账户对至少一种对象类型中每种对象类型的偏好指标数据，以及确定第一账户对待推送的多个对象中的非关系链对象的偏好指标数据；然后，服务器120基于每种对象类型的偏好指标数据和非关系链对象的偏好指标数据，向第一账户进行对象推送。
本公开实施例中，利用用户的关系链数据，探索出待推送对象与用户之间的更深层次的隐含联系，在对象推送过程中，考虑用户对关系链对象的偏好，可以解决传统推送方式容易忽略关系链对象而导致的推送效果不佳的问题，可以提高推送准确度，可以增强用户的关系链网络，可以提高用户的留存。
应理解的，图1所示的应用环境仅为示例，在实际应用中，可以由终端或者服务器独立执行本公开实施例的对象推送方法，也可以由终端和服务器配合执行本公开实施例的对象推送方法，本公开实施例对具体的应用环境不作限定。
图2是根据一示例性实施例示出的一种对象推送方法的流程图，如图2所示，以对象推送方法用于图1的服务器中为例，包括以下步骤：
在步骤S201中，根据第一账户的关系链数据，从获取的待推送的多个对象中确定多个关系链对象；多个关系链对象中每个关系链对象的对象类型根据关系链对象的发布账户与第一账户之间的关系确定。
本公开实施例中，对象是与实际应用场景相匹配的内容；在一些可能的应用场景中，对象可以包括音乐、视频、商品、新闻资讯、广告等。服务器响应于第一账户的对象推送请求，从预设存储区域中获取第一账户的关系链数据；其中，预设存储区域是受安全措施保护的。服务器通过安全获取通道，从该预设存储区域中获取到第一账户的关系链数据。
其中，关系链的定义是，若把每个人当作整个社会群体中的一个节点，则每两点之间的连线称为一个关系链；关系链数据包括每个节点的自身属性信息，以及每两点之间的信息流动。
在一个具体的应用场景中，比如带有社交功能的应用程序中，每个用户账户可以与其他用户账户建立联系，从而每个用户账户可以是其他用户账户的关联账户；服务器可以是该应用程序的后台服务器，提供相应的计算服务；
相应的，在一些可能的实施例中，上述关系链数据包括第一账户的关联账户；第一账户的关联账户包括被第一账户所关注的账户、关注第一账户的账户、与第一账户互相关注的账户，以及与第一账户之间存在至少一个共同好友的账户中的至少一种账户；
则，上述从获取的待推送的多个对象中确定多个关系链对象，可以包括如图3所示的以下步骤：
在步骤S301中，获取待推送的多个对象中每个对象的发布账户。
在步骤S303中，当确定发布账户为关联账户时，确定发布账户对应的对象为关系链对象。
本公开实施例中，待推送的多个对象是服务器从海量的对象资源池中召回的第一账户可能会消费的对象；相关技术中，服务器将该待推送的多个对象按照一定的规则进行排序后，将排名前N个对象推送给用户。比如，在视频推送场景中，服务器针对召回的所有视频，进行点击率、点赞率、关注率等行为进行预估，根据预估结果对所有待推送的视频进行排序；但是，这种利用消费型正向反馈，如点击率、点赞率、关注率等指标对视频进行召回与排序的，会导致最终的视频排序结果偏向消费性，且没有考虑到用户与视频发布者之间的关系与行为，也没有考虑到用户对于关系链内容的偏好行为，导致排序结果缺乏个性化，造成推送效果不佳的问题。
因而，本公开实施例中，在获取待推送的多个对象之后，获取多个对象中每个对象的发布账户，发布账户即发布该对象的作者的账户；然后，服务器对每个对象的发布账户进行判断，在确定对象的发布账户为第一账户的关联账户时，将对应的对象作为关系链对象；即，关系链对象指的是第一账户的关联账户所发布的对象。如此，通过第一账户的关系链数据，确定出待推送的多个对象中的关系链对象，该关系链对象与第一账户之间具有较深层次的隐含联系，能够对实现个性化推送起到积极的作用，可以提升推送效果。
在一些可能的实施例中，每个关系链对象的对象类型根据所述关系链对象的发布账户与所述第一账户之间的关系确定；第一账户与发布账户之间的关系不同，该发布账户对应的对象的对象类型不同；比如上文实施例中提及的，第一账户与发布账户之间可以是双向关注的关系，也可以是单向关注的关系，包括第一账户单向关注发布账户，或者发布账户单向关注第一账户；第一账户与发布账户之间不存在关注关系，但第一账户与发布账户之间存在至少一个共同好友；
从而，上述当确定发布账户为关联账户时，确定发布账户对应的对象为关系链对象之后，可以包括以下步骤：
当发布账户为被第一账户所关注的账户时，确定发布账户对应的对象为第一对象类型的关系链对象；
或者；当发布账户为关注第一账户的账户时，确定发布账户对应的对象为第二对象类型的关系链对象；
或者；当发布账户为与第一账户互相关注的账户时，确定发布账户对应的对象为第三对象类型的关系链对象；
或者；当发布账户为与第一账户之间存在至少一个共同好友的账户时，确定发布账户对应的对象为第四对象类型的关系链对象。
在一个具体的应用场景中，服务器向用户账户A提供视频推送服务；首先，服务器召回的待推送视频集包括待推送视频1、待推送视频2、待推送视频3和待推送视频4；服务器获取到上述4个待推送视频的发布账户分别为用户账户B、用户账户C、用户账户D和用户账户E，然后服务器基于用户账户A的关系链数据，确定出上述用户账户B、用户账户C、用户账户D是用户账户A的关联账户，其中用户账户B是用户账户A所关注的账户，用户账户C是关注用户账户A的账户，用户账户D是与用户账户A互相关注的账户，用户账户E与用户账户A之间没有任何联系；则，服务器可以确定上述待推送视频1、待推送视频2、待推送视频3为关系链视频。
上述实施例中，考虑到不同用户对不同的关系链对象的偏向性不同，因而根据发布账户与第一账户之间的关系，对关系链对象的对象类型进行了划分，再通过后续步骤，可以确定出第一账户对不同类型的关系链对象的偏好，从而在向第一账户进行推送时，结合第一账户对特定类型的关系链对象的偏好，使得推送结果更加符合第一账户的个性化需求，从而可以提高用户的留存。
在步骤S203中，从多个关系链对象中确定至少一个目标对象；至少一个目标对象对应至少一种对象类型，至少一个目标对象中每个目标对象的对象类型不同。
本公开实施例中，在从待推送的多个对象中确定出多个关系链对象，以及确定每个关系链对象的对象类型之后，同一对象类型下可能存在多个关系链对象，此时，服务器针对多个相同对象类型的关系链对象，从该多个相同对象类型的关系链对象中选取一个关系链对象作为目标对象，从而在后续步骤中，通过确定第一账户对该目标对象的偏好指标数据，来确定第一账户对该目标对象的对象类型的偏好指标数据。
在一些可能的实施例中，上述从多个关系链对象中确定至少一个目标对象，具体可以包括如图4所示的以下步骤：
在步骤S401中，获取多个关系链对象中每个关系链对象的排序指标。
其中，每个关系链对象的排序指标根据每个关系链对象对应的操作预估数据确定。
本公开实施例中，通过对每个关系链对象进行多个操作行为的预估，得到每个关系链对象的操作预估数据，操作预估数据包括第一账户执行各操作行为的概率；比如，在视频推送场景中，操作预估数据包括点击率、点赞率、关注率、评论率和长播率等；每个关系链对象的排序指标可以通过对操作预估数据进行计算得到。
在一些可能的实施例中，上述获取多个关系链对象中每个关系链对象的排序指标，具体可以包括如图5所示的以下步骤：
在步骤S501中，通过操作预估模型对每个关系链对象进行操作行为的预估，得到每个关系链对象对应的操作预估数据。
其中，操作预估模型是根据第二账户的特征数据、第二账户的关联账户的特征数据、第二账户与第二账户的关联账户之间的互动特征数据、第二账户的关联账户所发布的历史对象的特征数据训练得到。
本公开实施例中，通过训练好的操作预估模型，对个关系链对象进行操作行为的预估，得到每个关系链对象对应的操作预估数据。
在一些可能的实施例中，操作预估模型的生成方式，具体可以包括如图6所示的以下步骤：
在步骤S601中，获取第一训练样本集合。
其中，第一训练样本集合中的每个第一训练样本包括第二账户的特征数据、第二账户的关联账户的特征数据、第二账户与第二账户的关联账户之间的互动特征数据、第二账户的关联账户所发布的历史对象的特征数据，以及第二账户对历史对象的实际操作数据；第二账户的关联账户包括被第二账户所关注的账户、关注第二账户的账户、与第二账户互相关注的账户，以及与第二账户之间存在至少一个共同好友的账户中的至少一种账户。
本公开实施例中，第二账户为访问推送系统的任一用户账户；上述第二账户与第二账户的关联账户之间的互动特征数据可以包括第二账户对其关联账户发布的历史对象所执行过的操作行为数据；在视频推送场景中，互动特征数据可以包括第二账户对其关联账户所发布的历史视频的观看数据，比如观看时长，以及对该视频的评论行为、点赞行为、转发行为等；相应的，第二账户对历史对象的实际操作数据可以包括实际观看数据、实际评论行为、实际点赞行为等。
在步骤S603中，获取第一预设机器学习模型。
在步骤S605中，将第二账户的特征数据、第二账户的关联账户的特征数据、第二账户与第二账户的关联账户之间的互动特征数据、第二账户的关联账户所发布的历史对象的特征数据，输入第一预设机器学习模型，得到第二账户对应的预估操作数据。
在步骤S607中，基于预估操作数据和实际操作数据，对第一预设机器学习模型进行训练，得到训练后的操作预估模型。
上述实施例中，通过第一预设机器学习模型，学习多个不同的维度下的特征，得到第二账户对于历史对象的预估操作数据，再将预估操作数据与第二账户的实际操作数据进行比较，进行损失值的计算，经过多次迭代后损失值收敛，得到训练好的操作预估模型；在实际应用中，将每个关系链对象相应的特征输入到该操作预估模型中，可以得到第一账户对每个关系链对象对应的操作预估数据。
在一些可能的实施例中，操作预估数据包括多个操作行为对应的多个预估数据；其中，多个操作行为可以包括点击行为、点赞行为、评论行为、关注行为、转发行为、长播行为等；每个操作行为对应的预估数据可以由对应的任务子模型预估得到，即第一预设机器学习模型包括多个任务子模型，每个任务子模型用于对一种操作行为进行预估；每个任务子模型输出的预估数据均为一个零到一之间的值，表征用户发生对应的操作行为的概率。相应的，单个任务子模型中使用的损失函数可以是交叉损失函数，交叉损失函数如下公式(1)：
Lossi＝-(y*log(y′)+(1-y)*log(1-y′)) (1)
其中，Lossi表示预估操作行为i的误差；y′表示预估操作行为i发生的概率，即操作行为i对应的预估数据；y是样本标签，正样本取值为1，负样本取值为0。
相应的，第一预设机器学习模型的损失值为各任务子模型的误差之和。
在一些可能的实施例中，如图7所示，第一预设机器学习模型包括第一空间向量表征模块(embedding1)、第二空间向量表征模块(embedding2)、第三空间向量表征模块(embedding3)、第四空间向量表征模块(embedding4)，与各空间向量表征模块连接的各预处理神经网络，特征融合模块，特征连接模块，以及多个操作行为预估子模块；
相应的，上述将第二账户的特征数据、第二账户的关联账户的特征数据、第二账户与第二账户的关联账户之间的互动特征数据、第二账户的关联账户所发布的历史对象的特征数据，输入第一预设机器学习模型，得到第二账户对应的预估操作数据，可以具体包括以下步骤：
首先，根据第一预设机器学习模型中的第一空间向量表征模块，确定第二账户的特征数据对应的第一特征向量；根据第一预设机器学习模型中的第二空间向量表征模块，确定第二账户的关联账户的特征数据对应的第二特征向量；根据第一预设机器学习模型中的第三空间向量表征模块，确定第二账户与第二账户的关联账户之间的互动特征数据对应的第三特征向量；根据第一预设机器学习模型中的第四空间向量表征模块，确定第二账户的关联账户所发布的历史对象的特征数据对应的第四特征向量；将第一特征向量、第二特征向量、第三特征向量和第四特征向量分别输入到对应的预处理神经网络中，输出经过预处理的第一特征向量、第二特征向量、第三特征向量和第四特征向量；
其次，将第一特征向量和第二特征向量融合后的融合特征向量，与预处理之后的第一特征向量、第二特征向量、第三特征向量和第四特征向量进行连接，输入至第一预设机器学习模型中的多个操作行为预估子模块，得到每个操作行为预估子模块输出的预估数据。
上述实施例中，除了考虑到对象以及用户自身特征之外，还考虑到用户之间的互动特征，通过多维度特征的学习，使得模型输出的预估数据更加准确、全面；且上述第一预设机器学习模型采用多任务模型，共享底层特征，如此，可以简化模型结构，可以减少参数存储，进而可以提高线上预估性能，提高整体推送效率。
在步骤S503中，根据每个关系链对象对应的操作预估数据，确定每个关系链对象的排序指标。
本公开实施例中，当操作预估数据包括多个操作行为对应的多个预估数据时，可以对各操作行为赋予不同的权重，然后再基于每个操作行为对应的权重，对多个预估数据进行加权求和，得到每个关系链对象对应的加权求和的结果，该加权求和的结果即为该关系链对象的排序指标。
在步骤S403中，对多个关系链对象进行分类，得到至少一种对象类型对应的关系链对象集合；关系链对象集合中每个关系链对象的对象类型相同。
该步骤中，根据每个关系链对象的对象类型，对多个关系链对象进行分类，得到至少一个关系链对象集合，该关系链对象集合中的关系链对象的对象类型相同。
在步骤S405中，将每种对象类型对应的关系链对象集合中排序指标大于或等于预设指标的关系链对象确定为目标对象，得到至少一个目标对象。
本公开实施例中，每一种对象类型可以对应的选取一个目标对象，因此，服务器从每个关系链对象集合中仅需确定出一个目标对象，从而，服务器可以将每个关系链对象集合中排序指标最大的关系链对象作为目标对象；即，每个关系链对象集合对应的预设指标在数值上与目标对象的排序指标相等。
上述实施例中，通过确定每个关系链对象的排序指标，排序指标一定程度上反映了第一账户对该关系链对象的感兴趣程度，通过对多个关系链对象进行分类，针对每种对象类型，选取较具备代表性即在排序指标上表现良好的关系链对象作为目标对象，以在后续步骤中，通过确定第一账户对该目标对象的偏好指标数据，来确定第一账户对特定对象类型的偏好指标数据。
在步骤S205中，确定第一账户对至少一种对象类型中每种对象类型的偏好指标数据。
在步骤S207中，确定第一账户对待推送的多个对象中的非关系链对象的偏好指标数据。
本公开实施例中，考虑到不同用户在不同时期可能对不同类型的关系链对象有不同的偏好，因此，通过确定第一账户对每种对象类型的偏好指标数据，以及对非关系链对象的偏好指标数据，来确定最终向其推送的目标对象。其中，非关系链对象指的是，与第一账户之间不存在任何关注以及共同好友等联系的账户所发布的对象。
在一些可能的实施例中，上述确定第一账户对至少一种对象类型中每种对象类型的偏好指标数据，可以包括如图8所示的以下步骤：
在步骤S801中，根据偏好预估模型，确定至少一个目标对象中每个目标对象对应的偏好指标数据。
其中，偏好预估模型是根据第三账户的特征数据、第三账户的关联账户的特征数据、第三账户的历史行为数据、第三账户的关联账户所发布的历史对象的特征数据和第三账户对应的多个历史推送对象中非关系链对象的特征数据进行训练得到。
在一个具体的实施例中，根据偏好预估模型，确定至少一个目标对象中每个目标对象对应的偏好指标数据，可以包括：将获取的第一账户的特征数据、目标对象的发布账户的特征数据、目标对象的特征数据、第一账户的历史操作数据和待推送的多个对象中的非关系链对象的特征数据，输入偏好预估模型中，得到目标对象对应的偏好指标数据。
其中，第一账户的历史操作数据可以包括第一账户在最近预设时间段内所操作过的对象的数据，包括被操作对象的特征数据和对该对象执行的具体操作行为；待推送的多个对象中的非关系链对象，指的是当前推送过程中，与第一账户不存在任何关联的账户发布的对象，比如上文例子中的待推送视频4。
在步骤S803中，基于每个目标对象的对象类型，将每个目标对象对应的偏好指标数据，作为第一账户对对象类型的偏好指标数据。
相应的，在一些可能的实施例中，上述确定第一账户对待推送的多个对象中的非关系链对象的偏好指标数据，可以包括：将获取的第一账户的特征数据、目标对象的发布账户的特征数据、第一账户的历史操作数据和待推送的多个对象中的非关系链对象的特征数据，输入偏好预估模型中，得到非关系链对象的偏好指标数据。
上述实施例中，通过偏好预估模型学习与目标对象相关的多个不同维度的特征，预测第一账户对该目标对象的偏好指标数据；目标对象的偏好指标数据可以表征第一账户对该目标对象的感兴趣程度，也可以表征第一账户对该目标对象的对象类型的感兴趣程度；此外，若不向偏好预估模型输入任何关系链对象的特征数据，即可得到第一账户对非关系链对象的偏好指标数据。如此，通过偏好预估模型对多个不同类型的目标对象以及非关系链对象进行偏好预估，可以得到第一账户对不同对象类型以及非关系链对象的感兴趣程度，可以准确识别出用户的需求，以实现个性化推送。
在一些可能的实施例中，偏好预估模型的生成方式，可以包括如图9所示的以下步骤：
在步骤S901中，获取第二训练样本集合。
其中，第二训练样本集合中的每个第二训练样本包括第三账户的特征数据、第三账户的关联账户的特征数据、第三账户的历史行为数据、第三账户的关联账户所发布的历史对象的特征数据、第三账户对应的多个历史推送对象中非关系链对象的特征数据，以及第三账户对历史对象的实际行为数据；第三账户的关联账户包括被第三账户所关注的账户、关注第三账户的账户、与第三账户互相关注的账户，以及与第三账户之间存在至少一个共同好友的账户中的至少一种账户。
本公开实施例中，第三账户为访问推送系统的任一用户账户；上述第三账户的历史行为数据可以包括第三账户在过去预设时间段内对被操作对象所执行的操作行为，比如观看行为、点赞行为、评论行为等；第三账户对应的多个历史推送对象中非关系链对象指的是，服务器在向第三账户的历史推送过程中，最终向其发送的多个历史推送对象中与第三账户不存在任何联系的账户所发布的对象。
在步骤S903中，获取第二预设机器学习模型。
在步骤S905中，将第三账户的特征数据、第三账户的关联账户的特征数据、第三账户的历史行为数据、第三账户的关联账户所发布的历史对象的特征数据、第三账户对应的多个历史推送对象中非关系链对象的特征数据，输入第二预设机器学习模型，得到历史对象的偏好预估指标数据。
其中，历史对象的偏好预估指标数据表征第三账户对历史对象的对象类型的偏好程度。
本公开实施例中，通过第二预设机器学习模型，学习多个不同的维度下的特征，得到第三账户对于历史对象的预估行为数据，并基于预估行为数据确定出第三账户对历史对象的偏好预估指标数据，也即第三账户对历史对象的对象类型的偏好程度。
在一个具体的实施例中，预估行为数据可以包括点击、关注、评论等正向行为，也可以包括短播、不赞同等负向行为，也可以包括反映用户长期行为的数据，比如观看时长、倾向继续浏览等行为；当预估行为数据包括上述任意多种行为时，可以根据实际需求对不同的预估行为赋予不同的权重，适应不同的应用场景，提高对象推送效果。
在步骤S907中，根据第三账户对历史对象的实际行为数据，确定历史对象的实际偏好指标数据。
相应的，实际行为数据与上述预估行为数据相对应，根据第三账户实际所执行的正向行为或负向行为或长期行为，确定对应的实际偏好指标数据。
在步骤S909中，基于实际偏好指标数据和偏好预估指标数据，对第二预设机器学习模型进行训练，得到训练后的偏好预估模型。
上述实施例中，通过构建第二预设机器学习模型，学习多个不同的维度下的特征，得到第三账户对于历史对象的偏好预估指标数据，将该偏好预估指标数据与实际偏好指标数据进行比较，进行损失值的计算，经过多次迭代后损失值收敛，得到训练好的偏好预估模型；在实际应用中，将每个目标对象相应的特征输入到该偏好预估模型中，可以得到第一账户对每个目标对象的偏好指标数据。
在一些可能的实施例中，如图10所示，第二预设机器学习模型包括第一空间向量表征模块(embedding1)、第二空间向量表征模块(embedding2)、第三空间向量表征模块(embedding3)、第四空间向量表征模块(embedding4)和第五空间向量表征模块(embedding5)，特征连接模块，以及行为预估模块；
相应的，上述将第三账户的特征数据、第三账户的关联账户的特征数据、第三账户的历史行为数据、第三账户的关联账户所发布的历史对象的特征数据、第三账户对应的多个历史推送对象中非关系链对象的特征数据，输入第二预设机器学习模型，得到历史对象的偏好预估指标数据，可以包括以下步骤：
首先，根据第二预设机器学习模型中的第一空间向量表征模块，确定第三账户的特征数据对应的第一特征向量；根据第二预设机器学习模型中的第二空间向量表征模块，确定第三账户的关联账户的特征数据对应的第二特征向量；根据第二预设机器学习模型中的第三空间向量表征模块，确定第三账户的历史行为数据对应的第三特征向量；根据第二预设机器学习模型中的第四空间向量表征模块，确定第三账户的关联账户所发布的历史对象的特征数据对应的第四特征向量；根据第二预设机器学习模型中的第五空间向量表征模块，确定第三账户对应的多个历史推送对象中非关系链对象的特征数据对应的第五特征向量；
其次，将第一特征向量、第二特征向量、第三特征向量、第四特征向量和第五特征向量连接后输入第二预设机器学习模型中的行为预估模块，得到多个行为预估数据；
其中，多个行为预估数据可以包括上文实施例中提到的任一种正向行为或负向行为或长期行为对应的预估数据。
其次，根据多个行为预估数据和多个行为预估数据中每个行为预估数据的权重信息，确定偏好预估指标数据。
在一个具体的实施例中，可以使用下述公式(2)来确定偏好预估指标数据：
R＝Σaction*weightaction (2)
其中，R表示偏好预估指标数据；action表示行为预估数据；weightaction表示行为预估数据对应的权重信息。
上述实施例中，通过特定模型结构，使用不同的空间向量表征模块来学习历史对象的各维度特征，通过大量不同类型的历史对象的样本进行训练，使得训练好的偏好预估模型输出的偏好指标数据更加符合用户实际偏好，以达到个性化控制关系链对象在推送中的曝光频率，可以提高关系链对象的分发，可以增强用户与平台的粘性，提高用户的留存。
在步骤S209中，基于每种对象类型的偏好指标数据和非关系链对象的偏好指标数据，向第一账户进行对象推送。
本公开实施例中，从每种对象类型的偏好指标数据和非关系链对象的偏好指标数据中选取表现较好的偏好指标数据，比如，将偏好指标数据满足一定数值条件的对象类型或非关系链对象，均向第一账户进行推送；可以理解的，每种对象类型下可能存在多个关系链对象，在实际向第一账户进行推送时，可以将偏好指标数据满足条件的对象类型下的所有关系链对象均向第一账户进行推送，或者，根据上文实施例中计算的每个关系链对象的排序指标，将排序前N位的关系链对象向第一账户进行推送；其中，N的大小可以根据实际需求进行确定。
在一些可能的实施例中，上述基于每种对象类型的偏好指标数据和非关系链对象的偏好指标数据，向第一账户进行对象推送，可以包括以下步骤：
首先，当非关系链对象的偏好指标数据大于每种对象类型的偏好指标数据，将待推送的多个对象中的非关系链对象作为目标推送对象；或者；当存在一种对象类型的偏好指标数据大于非关系链对象的偏好指标数据，将偏好指标数据大于或等于预设指标数据的对象类型作为目标对象类型，将待推送的多个对象中对象类型为目标对象类型的对象作为目标推送对象；
其中，预设指标数据可以是一根据经验确定的固定值，或者，也可以是在每次推送过程中动态调整的；即，预设指标数据可以根据实际应用中，每种对象类型的偏好指标数据以及非关系链对象的偏好指标数据，动态变化的；比如，预设指标数据可以等于每种对象类型的偏好指标数据以及非关系链对象的偏好指标数据中数值最大的偏好指标数据。
在一个具体的实施例中，如上文实施例中提到的，非关系链对象-待推送视频4的偏好指标数据大于其余三个关系链对象的偏好指标数据，则将该待推送视频4作为目标推送对象，在后续的推送过程中，服务器向用户账户A推送该视频4，而待推送视频1～3均不向第一账户进行推送；或者，当待推送视频1的偏好指标数据为最大时，将该待推送视频1的视频类型作为目标视频类型，由于视频1的发布账户B是用户A所关注的用户账户，因此，若待推送视频集中还包括一待推送视频5，该待推送视频5的发布账户是用户账户F，同时用户账户F也是用户账户A所关注的账户，则此时，服务器向用户账户A推送视频1和视频5。
其次，向第一账户对应的终端发送对象推送反馈；对象推送反馈包括目标推送对象的标识信息。
在一个具体的实施例中，服务器的推送系统向第一账户对应的终端发送对象推送反馈，该对象推送反馈包括目标推送对象的标识信息，第一账户对应的终端可以根据该目标推送对象的标识信息从服务器的对象资源池中获取目标推送对象，以在终端界面中展示。
综上，本公开实施例中，在向第一账户推送对象的过程中，基于第一账户的关系链数据，从待推送的多个对象中筛选出在社交性上表现更好的关系链对象，以向第一账户推送其更感兴趣的对象，可以解决传统推送方式容易忽略关系链对象而导致的推送效果不佳的问题；且通过确定不同用户对不同类型的关系链对象或非关系链对象的偏好，满足不同用户的个性化需求，可以提高推送准确度，可以提高用户的留存。
图11是根据一示例性实施例示出的一种对象推送装置框图，对象推送装置。参照图11，该装置包括第一确定模块1101、第二确定模块1102、第三确定模块1103、第四确定模块1104和推送模块1105；
第一确定模块1101，被配置为执行根据第一账户的关系链数据，从获取的待推送的多个对象中确定多个关系链对象；多个关系链对象中每个关系链对象的对象类型根据关系链对象的发布账户与第一账户之间的关系确定；
第二确定模块1102，被配置为执行从多个关系链对象中确定至少一个目标对象；至少一个目标对象对应至少一种对象类型，至少一个目标对象中每个目标对象的对象类型不同；
第三确定模块1103，被配置为执行确定第一账户对至少一种对象类型中每种对象类型的偏好指标数据；
第四确定模块1104，被配置为执行确定第一账户对待推送的多个对象中的非关系链对象的偏好指标数据；
推送模块1105，被配置为执行基于每种对象类型的偏好指标数据和非关系链对象的偏好指标数据，向第一账户进行对象推送。
在一些可能的实施例中，关系链数据包括第一账户的关联账户；第一账户的关联账户包括被第一账户所关注的账户、关注第一账户的账户、与第一账户互相关注的账户，以及与第一账户之间存在至少一个共同好友的账户中的至少一种账户；
第一确定模块1101，还被配置为执行获取待推送的多个对象中每个对象的发布账户；当确定发布账户为关联账户时，确定发布账户对应的对象为关系链对象。
在一些可能的实施例中，第一确定模块1101，还被配置为执行当发布账户为被第一账户所关注的账户时，确定发布账户对应的对象为第一对象类型的关系链对象；或者；当发布账户为关注第一账户的账户时，确定发布账户对应的对象为第二对象类型的关系链对象；或者；当发布账户为与第一账户互相关注的账户时，确定发布账户对应的对象为第三对象类型的关系链对象或者；当发布账户为与第一账户之间存在至少一个共同好友的账户时，确定发布账户对应的对象为第四对象类型的关系链对象。
在一些可能的实施例中，第二确定模块1102，包括：
获取子模块，被配置为执行获取多个关系链对象中每个关系链对象的排序指标；每个关系链对象的排序指标根据每个关系链对象对应的操作预估数据确定；
分类子模块，被配置为执行对多个关系链对象进行分类，得到至少一种对象类型对应的关系链对象集合；关系链对象集合中每个关系链对象的对象类型相同；
确定子模块，被配置为执行将每种对象类型对应的关系链对象集合中排序指标大于或等于预设指标的关系链对象确定为目标对象，得到至少一个目标对象。
在一些可能的实施例中，获取子模块，还被配置为执行通过操作预估模型对每个关系链对象进行操作行为的预估，得到每个关系链对象对应的操作预估数据；操作预估模型是根据第二账户的特征数据、第二账户的关联账户的特征数据、第二账户与第二账户的关联账户之间的互动特征数据、第二账户的关联账户所发布的历史对象的特征数据训练得到；根据每个关系链对象对应的操作预估数据，确定每个关系链对象的排序指标。
在一些可能的实施例中，还包括操作预估模型的生成模块；
操作预估模型的生成模块，包括：
第一获取子模块，被配置为执行获取第一训练样本集合；第一训练样本集合中的每个第一训练样本包括第二账户的特征数据、第二账户的关联账户的特征数据、第二账户与第二账户的关联账户之间的互动特征数据、第二账户的关联账户所发布的历史对象的特征数据，以及第二账户对历史对象的实际操作数据；第二账户为访问推送系统的任一用户账户；第二账户的关联账户包括被第二账户所关注的账户、关注第二账户的账户、与第二账户互相关注的账户，以及与第二账户之间存在至少一个共同好友的账户中的至少一种账户；
第二获取子模块，被配置为执行获取第一预设机器学习模型；
输入子模块，被配置为执行将第二账户的特征数据、第二账户的关联账户的特征数据、第二账户与第二账户的关联账户之间的互动特征数据、第二账户的关联账户所发布的历史对象的特征数据，输入第一预设机器学习模型，得到第二账户对应的预估操作数据；
训练子模块，被配置为执行基于预估操作数据和实际操作数据，对第一预设机器学习模型进行训练，得到训练后的操作预估模型。
在一些可能的实施例中，输入子模块，被配置为执行：
根据第一预设机器学习模型中的第一空间向量表征模块，确定第二账户的特征数据对应的第一特征向量；
根据第一预设机器学习模型中的第二空间向量表征模块，确定第二账户的关联账户的特征数据对应的第二特征向量；
根据第一预设机器学习模型中的第三空间向量表征模块，确定第二账户与第二账户的关联账户之间的互动特征数据对应的第三特征向量；
根据第一预设机器学习模型中的第四空间向量表征模块，确定第二账户的关联账户所发布的历史对象的特征数据对应的第四特征向量；
将第一特征向量、第二特征向量、第三特征向量和第四特征向量分别输入到对应的预处理神经网络中，输出经过预处理的第一特征向量、第二特征向量、第三特征向量和第四特征向量；
将第一特征向量和第二特征向量融合后的融合特征向量，与预处理之后的第一特征向量、第二特征向量、第三特征向量和第四特征向量进行连接，输入至第一预设机器学习模型中的多个操作行为预估子模块，得到每个操作行为预估子模块输出的预估数据。
在一些可能的实施例中，第三确定模块1103，包括：
第一确定子模块，被配置为执行根据偏好预估模型，确定至少一个目标对象中每个目标对象对应的偏好指标数据；偏好预估模型是根据第三账户的特征数据、第三账户的关联账户的特征数据、第三账户的历史行为数据、第三账户的关联账户所发布的历史对象的特征数据和第三账户对应的多个历史推送对象中非关系链对象的特征数据进行训练得到；
第二确定子模块，被配置为执行基于每个目标对象的对象类型，将每个目标对象对应的偏好指标数据，作为第一账户对对象类型的偏好指标数据。
在一些可能的实施例中，第一确定子模块，还被配置为执行将获取的第一账户的特征数据、目标对象的发布账户的特征数据、目标对象的特征数据、第一账户的历史操作数据和待推送的多个对象中的非关系链对象的特征数据，输入偏好预估模型中，得到目标对象对应的偏好指标数据。
在一些可能的实施例中，第四确定模块1104，被配置为执行将获取的第一账户的特征数据、目标对象的发布账户的特征数据、第一账户的历史操作数据和待推送的多个对象中的非关系链对象的特征数据，输入偏好预估模型中，得到非关系链对象的偏好指标数据。
在一些可能的实施例中，还包括偏好预估模型的生成模块；
偏好预估模型的生成模块，包括：
第一获取子模块，被配置为执行获取第二训练样本集合；第二训练样本集合中的每个第二训练样本包括第三账户的特征数据、第三账户的关联账户的特征数据、第三账户的历史行为数据、第三账户的关联账户所发布的历史对象的特征数据、第三账户对应的多个历史推送对象中非关系链对象的特征数据，以及第三账户对历史对象的实际行为数据；第三账户为访问推送系统的任一用户账户；第三账户的关联账户包括被第三账户所关注的账户、关注第三账户的账户、与第三账户互相关注的账户，以及与第三账户之间存在至少一个共同好友的账户中的至少一种账户；
第二获取子模块，被配置为执行获取第二预设机器学习模型；
输入子模块，被配置为执行将第三账户的特征数据、第三账户的关联账户的特征数据、第三账户的历史行为数据、第三账户的关联账户所发布的历史对象的特征数据、第三账户对应的多个历史推送对象中非关系链对象的特征数据，输入第二预设机器学习模型，得到历史对象的偏好预估指标数据；历史对象的偏好预估指标数据表征第三账户对历史对象的对象类型的偏好程度；
确定子模块，被配置为执行根据第三账户对历史对象的实际行为数据，确定历史对象的实际偏好指标数据；
训练子模块，被配置为执行基于实际偏好指标数据和偏好预估指标数据，对第二预设机器学习模型进行训练，得到训练后的偏好预估模型。
在一些可能的实施例中，输入子模块，还被配置为执行：
根据第二预设机器学习模型中的第一空间向量表征模块，确定第三账户的特征数据对应的第一特征向量；
根据第二预设机器学习模型中的第二空间向量表征模块，确定第三账户的关联账户的特征数据对应的第二特征向量；
根据第二预设机器学习模型中的第三空间向量表征模块，确定第三账户的历史行为数据对应的第三特征向量；
根据第二预设机器学习模型中的第四空间向量表征模块，确定第三账户的关联账户所发布的历史对象的特征数据对应的第四特征向量；
根据第二预设机器学习模型中的第五空间向量表征模块，确定第三账户对应的多个历史推送对象中非关系链对象的特征数据对应的第五特征向量；
将第一特征向量、第二特征向量、第三特征向量、第四特征向量和第五特征向量连接后输入第二预设机器学习模型中的行为预估模块，得到多个行为预估数据；
根据多个行为预估数据和多个行为预估数据中每个行为预估数据的权重信息，确定偏好预估指标数据。
在一些可能的实施例中，推送模块1105，包括：
确定子模块，被配置为执行当非关系链对象的偏好指标数据大于每种对象类型的偏好指标数据，将待推送的多个对象中的非关系链对象作为目标推送对象；或者；当存在一种对象类型的偏好指标数据大于非关系链对象的偏好指标数据，将偏好指标数据大于或等于预设指标数据的对象类型作为目标对象类型，将待推送的多个对象中对象类型为目标对象类型的对象作为目标推送对象；
发送子模块，被配置为执行向第一账户对应的终端发送对象推送反馈；对象推送反馈包括目标推送对象的标识信息。
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。
图12是根据一示例性实施例示出的一种用于对象推送的电子设备的框图。
该电子设备可以是服务器，还可以是终端设备，其内部结构图可以如图12所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种对象推送方法。
本领域技术人员可以理解，图12中示出的结构，仅仅是与本公开方案相关的部分结构的框图，并不构成对本公开方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在示例性实施例中，还提供了一种电子设备，包括：处理器；用于存储该处理器可执行指令的存储器；其中，该处理器被配置为执行该指令，以实现如本公开实施例中的对象推送方法。
在示例性实施例中，还提供了一种计算机可读存储介质，当该计算机可读存储介质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本公开实施例中的对象推送方法。
在示例性实施例中，还提供了一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序存储在可读存储介质中，计算机设备的至少一个处理器从可读存储介质读取并执行计算机程序，使得计算机设备执行本公开实施例的对象推送方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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。本申请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 (10)

1.一种对象推送方法，其特征在于，包括：
根据第一账户的关系链数据，从获取的待推送的多个对象中确定多个关系链对象；所述多个关系链对象中每个关系链对象的对象类型根据所述关系链对象的发布账户与所述第一账户之间的关系确定；
从所述多个关系链对象中确定至少一个目标对象；所述至少一个目标对象对应至少一种对象类型，所述至少一个目标对象中每个目标对象的对象类型不同；
确定所述第一账户对所述至少一种对象类型中每种对象类型的偏好指标数据；
确定所述第一账户对所述待推送的多个对象中的非关系链对象的偏好指标数据；
基于所述每种对象类型的偏好指标数据和所述非关系链对象的偏好指标数据，向所述第一账户进行对象推送。
2.根据权利要求1所述的对象推送方法，其特征在于，所述关系链数据包括所述第一账户的关联账户；所述第一账户的关联账户包括被所述第一账户所关注的账户、关注所述第一账户的账户、与所述第一账户互相关注的账户，以及与所述第一账户之间存在至少一个共同好友的账户中的至少一种账户；
所述从获取的待推送的多个对象中确定多个关系链对象，包括：
获取所述待推送的多个对象中每个对象的发布账户；
当确定所述发布账户为所述关联账户时，确定所述发布账户对应的对象为所述关系链对象。
3.根据权利要求2所述的对象推送方法，其特征在于，所述当确定所述发布账户为所述关联账户时，确定所述发布账户对应的对象为所述关系链对象之后，还包括：
当所述发布账户为所述被所述第一账户所关注的账户时，确定所述发布账户对应的对象为第一对象类型的关系链对象；
或者；
当所述发布账户为所述关注所述第一账户的账户时，确定所述发布账户对应的对象为第二对象类型的关系链对象；
或者；
当所述发布账户为所述与所述第一账户互相关注的账户时，确定所述发布账户对应的对象为第三对象类型的关系链对象；
或者；
当所述发布账户为所述与所述第一账户之间存在至少一个共同好友的账户时，确定所述发布账户对应的对象为第四对象类型的关系链对象。
4.根据权利要求1所述的对象推送方法，其特征在于，所述从所述多个关系链对象中确定至少一个目标对象，包括：
获取所述多个关系链对象中每个关系链对象的排序指标；所述每个关系链对象的排序指标根据所述每个关系链对象对应的操作预估数据确定；
对所述多个关系链对象进行分类，得到至少一种对象类型对应的关系链对象集合；所述关系链对象集合中每个关系链对象的对象类型相同；
将每种对象类型对应的关系链对象集合中排序指标大于或等于预设指标的关系链对象确定为所述目标对象，得到所述至少一个目标对象。
5.根据权利要求4所述的对象推送方法，其特征在于，所述获取所述多个关系链对象中每个关系链对象的排序指标，包括：
通过操作预估模型对所述每个关系链对象进行操作行为的预估，得到所述每个关系链对象对应的操作预估数据；所述操作预估模型是根据第二账户的特征数据、所述第二账户的关联账户的特征数据、所述第二账户与所述第二账户的关联账户之间的互动特征数据、所述第二账户的关联账户所发布的历史对象的特征数据训练得到；
根据所述每个关系链对象对应的操作预估数据，确定所述每个关系链对象的排序指标。
6.根据权利要求5所述的对象推送方法，其特征在于，所述操作预估模型的生成方式，包括：
获取第一训练样本集合；所述第一训练样本集合中的每个第一训练样本包括第二账户的特征数据、所述第二账户的关联账户的特征数据、所述第二账户与所述第二账户的关联账户之间的互动特征数据、所述第二账户的关联账户所发布的历史对象的特征数据，以及所述第二账户对所述历史对象的实际操作数据；所述第二账户为访问推送系统的任一用户账户；所述第二账户的关联账户包括被所述第二账户所关注的账户、关注所述第二账户的账户、与所述第二账户互相关注的账户，以及与所述第二账户之间存在至少一个共同好友的账户中的至少一种账户；
获取第一预设机器学习模型；
将所述第二账户的特征数据、所述第二账户的关联账户的特征数据、所述第二账户与所述第二账户的关联账户之间的互动特征数据、所述第二账户的关联账户所发布的历史对象的特征数据，输入所述第一预设机器学习模型，得到所述第二账户对应的预估操作数据；
基于所述预估操作数据和所述实际操作数据，对所述第一预设机器学习模型进行训练，得到训练后的操作预估模型。
7.一种对象推送装置，其特征在于，包括：
第一确定模块，被配置为执行根据第一账户的关系链数据，从获取的待推送的多个对象中确定多个关系链对象；所述多个关系链对象中每个关系链对象的对象类型根据所述关系链对象的发布账户与所述第一账户之间的关系确定；
第二确定模块，被配置为执行从所述多个关系链对象中确定至少一个目标对象；所述至少一个目标对象对应至少一种对象类型，所述至少一个目标对象中每个目标对象的对象类型不同；
第三确定模块，被配置为执行确定所述第一账户对所述至少一种对象类型中每种对象类型的偏好指标数据；
第四确定模块，被配置为执行确定所述第一账户对所述待推送的多个对象中的非关系链对象的偏好指标数据；
推送模块，被配置为执行基于所述每种对象类型的偏好指标数据和所述非关系链对象的偏好指标数据，向所述第一账户进行对象推送。
8.一种电子设备，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6中任一项所述的对象推送方法。
9.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至6中任一项所述的对象推送方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，计算机设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序，使得所述计算机设备执行如权利要求1至6中任一项所述的对象推送方法。
CN202111534200.1A 2021-12-15 2021-12-15 对象推送方法、装置、电子设备及存储介质 Pending CN114510627A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111534200.1A CN114510627A (zh) 2021-12-15 2021-12-15 对象推送方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111534200.1A CN114510627A (zh) 2021-12-15 2021-12-15 对象推送方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114510627A true CN114510627A (zh) 2022-05-17

Family

ID=81547644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111534200.1A Pending CN114510627A (zh) 2021-12-15 2021-12-15 对象推送方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114510627A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018477A (zh) * 2022-08-09 2022-09-06 大白熊大数据科技(常熟)有限公司 基于企业oa系统的大数据分析方法及设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018477A (zh) * 2022-08-09 2022-09-06 大白熊大数据科技(常熟)有限公司 基于企业oa系统的大数据分析方法及设备

Similar Documents

Publication Publication Date Title
WO2020135535A1 (zh) 一种推荐模型训练方法及相关装置
AU2017101862A4 (en) Collaborative filtering method, apparatus, server and storage medium in combination with time factor
CN112883257B (zh) 行为序列数据处理方法、装置、电子设备及存储介质
CN109376237A (zh) 客户稳定性的预测方法、装置、计算机设备和存储介质
CN112905876B (zh) 基于深度学习的信息推送方法、装置和计算机设备
CN113254679B (zh) 多媒体资源推荐方法、装置、电子设备以及存储介质
CN113641835B (zh) 多媒体资源推荐方法、装置、电子设备及介质
CN113157898B (zh) 候选问题的推荐方法、装置、计算机设备及存储介质
CN114510627A (zh) 对象推送方法、装置、电子设备及存储介质
WO2024051707A1 (zh) 训练推荐模型的方法、推荐资源的方法及其装置
CN114491093B (zh) 多媒体资源推荐、对象表征网络的生成方法及装置
CN113935251B (zh) 用户行为预测模型的生成方法、用户行为预测方法及装置
CN114049161B (zh) 基于电商大数据反馈的推送优化方法及电商大数据系统
CN114139046B (zh) 对象推荐方法、装置、电子设备及存储介质
CN112116393B (zh) 用于实现事件用户维护的方法、装置和设备
CN115858911A (zh) 信息推荐方法、装置、电子设备及计算机可读存储介质
CN115482019A (zh) 一种活动关注度预测方法、装置、电子设备和存储介质
Lee et al. An enhanced memory-based collaborative filtering approach for context-aware recommendation
CN116881575B (zh) 内容推送方法、装置、计算机设备和存储介质
CN112861026B (zh) 用户偏好挖掘方法、装置、介质和电子设备
CN114330866B (zh) 数据处理方法、装置、电子设备及计算机可读存储介质
CN114186126A (zh) 一种对象推荐方法、装置、电子设备及存储介质
CN117893279A (zh) 一种对象推荐的方法和装置
CN117112889A (zh) 资源推荐方法、装置、电子设备及存储介质
CN114528472A (zh) 资源推荐模型训练方法、资源信息推荐方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination