CN115203577B - 对象推荐方法、对象推荐模型的训练方法及装置 - Google Patents

Abstract

本公开涉及对象推荐方法、对象推荐模型的训练方法及装置。对象推荐方法包括：获取待推荐对象和多个账户属性特征；通过对象推荐模型中的对象特征提取子模型，对待推荐对象进行特征提取，得到待推荐对象的对象特征；通过对象推荐模型中的特征匹配子模型，对对象特征和各个账户属性特征进行匹配处理，得到待推荐对象与每个账户属性特征的匹配信息；基于待推荐对象与每个账户属性特征的匹配信息，确定待推荐对象对应的目标账户群体，将待推荐对象推送至目标账户群体。如此，待推荐对象可以准确地被推荐给相应的用户群，从而快速获得用户反馈，为后续阶段的推荐提供依据，可以不断地提升推荐效果。

Description

对象推荐方法、对象推荐模型的训练方法及装置

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荐方法、对象推荐模型的训练方法及装置。

背景技术

随着移动终端的普及和网络技术的发展，人们越来越倾向于通过互联网获取网络信息，由此各类对象浏览平台逐渐兴起。由于对象浏览平台中具有海量对象，如何为用户推荐对象成为提升对象浏览平台体验的重要手段。

目前，对象推荐方法发展的已经比较成熟，大多是利用用户对对象的操作行为特征，比如用户观看量、播放时长、评论量、转发量、点击量，这些特征均可以作为生成为用户推荐其感兴趣的对象列表的依据。但是，对于新发布的对象，由于缺乏上述的特征，从而缺乏为用户推荐的依据，导致部分高质量内容对象无法得到有效地推荐，俗称冷启动，这加剧了对象浏览平台热点内容不新、新内容不热的矛盾，导致其推荐效果不佳，且影响发布者的发布积极性。因此，如何优化目前的推荐方法是亟需解决的问题。

发明内容

本公开提供一种对象推荐方法、对象推荐模型的训练方法及装置，本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种对象推荐方法，包括：

获取待推荐对象和多个账户属性特征；

通过对象推荐模型中的对象特征提取子模型，对待推荐对象进行特征提取，得到待推荐对象的对象特征；

通过对象推荐模型中的特征匹配子模型，对对象特征和各个账户属性特征进行匹配处理，得到待推荐对象与每个账户属性特征的匹配信息；匹配信息表征账户属性特征对应的账户群体对待推荐对象执行交互行为的概率；

基于待推荐对象与每个账户属性特征的匹配信息，确定待推荐对象对应的目标账户群体，将待推荐对象推送至目标账户群体。

在一些可能的实施例中，通过对象推荐模型中的特征匹配子模型，对对象特征和各个账户属性特征进行匹配处理，得到待推荐对象与每个账户属性特征的匹配信息，包括：

通过特征匹配子模型中的注意力单元，对对象特征与各个账户属性特征进行特征融合，得到融合特征；

通过特征匹配子模型中的全连接单元，将融合特征映射到目标特征空间中，得到待分类特征；待分类特征包括每个账户属性特征对应的账户群体对待推荐对象执行交互行为的情况，以及多个账户属性特征对应的所有账户对待推荐对象执行交互行为的情况；

通过特征匹配子模型中的分类单元，根据每个账户属性特征对应的账户群体对待推荐对象执行交互行为的情况，与多个账户属性特征对应的所有账户对对象特征执行交互行为的情况，确定待推荐对象与每个账户属性特征的匹配信息。

在一些可能的实施例中，每个账户属性特征对应的账户群体对待推荐对象执行交互行为的情况包括每个账户属性特征对应的账户群体中对待推荐对象执行长播的账户数量；多个账户属性特征对应的所有账户对待推荐对象执行交互行为的情况包括多个账户属性特征对应的所有账户中对待推荐对象执行长播的账户总数量；

通过特征匹配子模型中的分类单元，根据每个账户属性特征对应的账户群体对待推荐对象执行交互行为的情况，与多个账户属性特征对应的所有账户对待推荐对象执行交互行为的情况，确定待推荐对象与每个账户属性特征的匹配信息，包括：

通过特征匹配子模型中的分类单元，分别确定每个账户属性特征对应的账户群体中对待推荐对象执行长播的账户数量，与多个账户属性特征对应的所有账户中对待推荐对象执行长播的账户总数量之间的比值，得到每个账户属性特征对应的比值；

将每个账户属性特征对应的比值，确定为待推荐对象与每个账户属性特征的匹配信息。

在一些可能的实施例中，通过对象推荐模型中的对象特征提取子模型，对待推荐对象进行特征提取，得到待推荐对象的对象特征，包括：

通过对象特征提取子模型中的图像特征提取器对待推荐对象进行特征提取，得到待推荐对象的图像特征；以及，通过对象特征提取子模型中的文本特征提取器对待推荐对象进行特征提取，得到待推荐对象的文本特征；

通过对象特征提取子模型中的融合单元，对待推荐对象的图像特征和文本特征进行融合处理，得到待推荐对象的对象特征。

在一些可能的实施例中，基于待推荐对象与每个账户属性特征的匹配信息，确定待推荐对象对应的目标账户群体，包括：

基于待推荐对象与每个账户属性特征的匹配信息，从多个账户属性特征中确定出目标账户属性特征；目标账户属性特征对应的匹配信息大于或等于预设值；

将目标账户属性特征对应的账户群体确定为目标账户群体。

根据本公开实施例的第二方面，提供一种对象推荐模型的训练方法，包括：

获取训练数据；训练数据包括历史对象、多个历史账户属性特征，以及每个历史账户属性特征对应的历史账户群体与历史对象的历史交互数据；

通过初始对象推荐模型中的对象特征提取子模型，对历史对象进行特征提取，得到历史对象的对象特征；

通过初始对象推荐模型中的特征匹配子模型，对对象特征和各个历史账户属性特征进行匹配处理，得到历史对象与每个历史账户属性特征的匹配信息；匹配信息表征历史账户属性特征对应的账户群体对历史对象执行交互行为的概率；

基于历史交互数据与匹配信息，对初始对象推荐模型进行训练，得到训练完成的对象推荐模型。

在一些可能的实施例中，历史交互数据包括每个历史账户属性特征对应的历史账户群体中对历史对象执行长播的历史账户数量，以及多个历史账户属性特征对应的所有历史账户对历史对象执行长播的历史账户总数量；

基于历史交互数据与匹配信息，对初始对象推荐模型进行训练，得到训练完成的对象推荐模型，包括：

分别确定将每个历史账户属性特征对应的历史账户群体中对历史对象执行长播的历史账户数量，与所多个历史账户属性特征对应的所有历史账户对历史对象执行长播的历史账户总数量之间的比值，得到每个历史账户属性特征对应的比值；

将每个历史账户属性特征对应的比值，确定为历史对象与每个历史账户群体的目标匹配信息；

根据目标匹配信息与匹配信息，确定损失值；

基于损失值对初始对象推荐模型进行迭代更新，直至满足预设迭代结束条件，得到训练完成的对象推荐模型。

根据本公开实施例的第三方面，提供一种对象推荐装置，包括：

获取模块，被配置为执行获取待推荐对象和多个账户属性特征；

提取模块，被配置为执行通过对象推荐模型中的对象特征提取子模型，对待推荐对象进行特征提取，得到待推荐对象的对象特征；

匹配模块，被配置为执行通过对象推荐模型中的特征匹配子模型，对对象特征和各个账户属性特征进行匹配处理，得到待推荐对象与每个账户属性特征的匹配信息；匹配信息表征账户属性特征对应的账户群体对待推荐对象执行交互行为的概率；

确定模块，被配置为执行基于待推荐对象与每个账户属性特征的匹配信息，确定待推荐对象对应的目标账户群体，将待推荐对象推送至目标账户群体。

根据本公开实施例的第四方面，提供一种对象推荐模型的训练装置，包括：

获取模块，被配置为执行获取训练数据；训练数据包括历史对象、多个历史账户属性特征，以及每个历史账户属性特征对应的历史账户群体与历史对象的历史交互数据；

提取模块，被配置为执行通过初始对象推荐模型中的对象特征提取子模型，对历史对象进行特征提取，得到历史对象的对象特征；

匹配模块，被配置为执行通过初始对象推荐模型中的特征匹配子模型，对对象特征和各个历史账户属性特征进行匹配处理，得到历史对象与每个历史账户属性特征的匹配信息；匹配信息表征历史账户属性特征对应的账户群体对历史对象执行交互行为的概率；

训练模块，被配置为执行基于历史交互数据与匹配信息，对初始对象推荐模型进行训练，得到训练完成的对象推荐模型。

根据本公开实施例的第五方面，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的对象推荐方法或者本公开实施例第二方面的对象推荐模型的训练方法。

根据本公开实施例的第六方面，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的对象推荐方法或者本公开实施例第二方面的对象推荐模型的训练方法。

根据本公开实施例的第七方面，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的对象推荐方法或者本公开实施例第二方面的对象推荐模型的训练方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

通过获取待推荐对象和多个账户属性特征；通过对象推荐模型中的对象特征提取子模型，对待推荐对象进行特征提取，得到待推荐对象的对象特征；通过对象推荐模型中的特征匹配子模型，对对象特征和各个账户属性特征进行匹配处理，得到待推荐对象与每个账户属性特征的匹配信息；匹配信息表征账户属性特征对应的账户群体对待推荐对象执行交互行为的概率；基于待推荐对象与每个账户属性特征的匹配信息，确定待推荐对象对应的目标账户群体，将待推荐对象推送至目标账户群体。本公开通过为待推荐对象匹配合适的目标账户属性特征，从而在进行对象推荐时，可以根据向目标账户属性特征对应的目标账户群体推送该待推荐对象，如此，待推荐对象可以准确地被推荐给相应的用户群，从而快速获得用户反馈，为后续阶段的推荐提供依据，不断地提升推荐效果。

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荐方法的流程图；

图3是根据一示例性实施例示出的一种获取待推荐对象的流程图；

图4是根据一示例性实施例示出的一种对象推荐模型的生成方式的流程图；

图5是根据一示例性实施例示出的一种预设机器学习模型的结构图；

图6是根据一示例性实施例示出的一种模型训练过程的示意图；

图7是根据一示例性实施例示出的一种确定待推荐对象与每个账户属性特征的匹配信息的流程图；

图8是根据一示例性实施例示出的一种确定目标账户的流程图；

图9是根据一示例性实施例示出的一种对象推荐装置的框图；

图10是根据一示例性实施例示出的一种对象推荐模型的训练装置的框图；

图11是根据一示例性实施例示出的一种用于对象推荐或者对象推荐模型的训练的电子设备的框图。

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荐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荐服务，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。

目前，推荐系统的冷启动一直是工业应用中的难点，成为热门的对象一定是很多用户已经浏览或操作过，不再是很新的内容，新发布的对象在得到用户的直接行为反馈前，推荐系统为其预测的内容评分值并不能真正衡量内容的质量。一方面，这导致新发布的对象在发布初期，无法得到有效地推荐，十分影响发布者的创作积极性。另一方面，平台的浏览者无法及时获取新内容，导致其浏览体验降低，这均会对用户留存率造成影响。

本公开实施例提供了一种对象推荐方法，可以应用于新发布的对象，从而解决处于冷启动阶段的对象无法得到有效地推荐的问题。

在一个具体的应用场景中，服务器120首先获取待推荐对象和多个账户属性特征；其次，服务器120通过对象推荐模型中的对象特征提取子模型，确定待推荐对象的对象特征，然后通过对象推荐模型中的特征匹配子模型，对对象特征和各个账户属性特征进行匹配处理，得到待推荐对象与每个账户属性特征的匹配信息；匹配信息表征账户属性特征对应的账户群体对待推荐对象执行交互行为的概率；其次，服务器120基于待推荐对象与每个账户属性特征的匹配信息，确定待推荐对象对应的目标账户群体，将待推荐对象推送至目标账户群体。目标账户群体中任一目标账户对应的终端110可以在相关界面中展示该待推荐对象。

如此，本公开通过对象推荐模型来确定待推荐对象与不同账户属性特征之间的匹配信息，根据不同的账户属性特征对应的账户群体对待推荐对象执行交互行为的概率，来为发布时间较新的待推荐对象匹配合适的目标账户群体，从而在对象的冷启动阶段，新发布对象可以准确地被推荐给对对象感兴趣的目标用户群，从而快速获得用户反馈，为后续阶段的推荐提供依据，进而不断地提升推荐效果。

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荐方法，也可以由终端和服务器配合执行本公开实施例的对象推荐方法，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荐方法的流程图，如图2所示，该对象推荐方法适用于服务器中，包括以下步骤：

在步骤S201中，获取待推荐对象和多个账户属性特征。

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。

在一个具体的实施例中，待推荐对象可以是新发布的对象，即待推荐对象为最近预设时间内发布的对象，也即待推荐对象的发布时间与当前时间之间的时间差小于等于预设时间。

其中，预设时间可以根据实际应用场景中对象的冷启时间确定。举例而言，在短视频应用场景中，对象为短视频，其冷启时间一般为几个小时，比如1小时、3小时或7小时，则上述预设时间可以相应的设置为1小时、3小时或5小时。进一步地，在一些应用场景中，对象的冷启时间与当前时间有关，比如，在短视频应用场景中，当前时间为中午的12点和下午的6点时，此时的冷启时间相比于其他时间的冷启时间会略短，比如1小时，从而，此时的预设时间可以为1小时；相应的，待推荐对象即为最近1小时内发布的短视频。当前时间为早上的7点时，此时的冷启时间相比于其他时间的冷启时间会略长，比如5小时，从而，此时的预设时间可以为5小时；相应的，待推荐对象即为最近5小时内发布的短视频。

在一些可能的实施例中，上述的获取待推荐对象，可以包括如图3所示的以下步骤：

在步骤S301中，获取对象资源池中每个对象的发布时间。

其中，对象资源池包括不同用户账户所发布的对象，服务器在进行对象推荐时，从该对象资源池中选取合适的对象推荐给相应的用户账户。对象资源池中存储有不同用户账户发布对象的时间戳信息，该时间戳信息即对象的发布时间。

在步骤S303中，确定每个对象的发布时间与当前时间之间的时间差。

其中，预设时间可以参照上文的实施例，此处不再赘述。

在步骤S305中，将时间差小于等于预设时间的对象确定为待推荐对象。

具体的，服务器可以定期获取对象资源池中每个对象的发布时间，并计算出每个对象的发布时间与当前时间之间的时间差，根据时间差确定哪些属于新发布对象，新发布对象即为待推荐对象。

本公开实施例中，账户属性特征用于指示账户的属性，多个账户属性特征对应多个不同的属性或属性组合。

实际应用场景中，不同对象由于内容的不同会被不同的用户账户群体所喜欢。比如，在短视频应用场景中，军事、汽车等类别的视频会更容易被男性群体所喜欢，而美妆、穿搭时尚类的更容易被女性群体所青睐。因此，本公开实施例中，利用账户属性特征将不同属性的账户区分开，即账户的属性应具有较好区分性的用户属性特征，比如，账户的属性可以包括性别、年龄、地域、学历等；每个账户属性特征可以包括一种或多种属性；比如，账户属性特征1用于标识18~30年龄段的男性账户，账户属性特征2用于标识31~50年龄段的女性账户，账户属性特征3用于标识北京地区硕博学历的账户。

如此，服务器在进行对象推荐时，通过预估待推荐对象更容易被哪种属性的账户所喜欢，从多个账户属性特征中为待推荐对象匹配合适的账户属性特征，然后将待推荐对象推送给账户属性特征对应的目标账户群体，这样可以提高向目标账户群体推荐的准确度。

上述实施例中，服务器可以基于对象的发布时间，选取处于冷启时间的对象作为待推荐对象，同时获取多个账户属性特征，在后续步骤中，为处于冷启时间的对象匹配合适的账户属性特征，然后将该对象推荐给预估的目标账户群体，如此，可以提高冷启阶段对象的推荐效率，可以为目标账户群体提供其可能感兴趣的最新内容资讯。

在步骤S203中，通过对象推荐模型中的对象特征提取子模型，对待推荐对象进行特征提取，得到待推荐对象的对象特征。

在步骤S205中，通过对象推荐模型中的特征匹配子模型，对对象特征和各个账户属性特征进行匹配处理，得到待推荐对象与每个账户属性特征的匹配信息；匹配信息表征账户属性特征对应的账户群体对待推荐对象执行交互行为的概率。

本公开实施例中，预先训练得到对象推荐模型，通过对象推荐模型来确定待推荐对象与多个账户属性特征中每个账户属性特征的匹配信息，匹配信息表征账户属性特征对应的账户群体对待推荐对象执行交互行为的概率；概率越大，待推荐对象越可能被对应的账户属性特征对应的账户群体所喜欢。

在一些可能的实施例中，上述对象推荐模型的生成方式可以包括如图4所示的以下步骤：

在步骤S401中，获取训练数据；训练数据包括历史对象、多个历史账户属性特征，以及每个历史账户属性特征对应的历史账户群体与历史对象的历史交互数据。

上述的历史对象可以包括历史预设时间内被操作过的对象，该历史预设时间可以是1天、5天或7天等任意时间；该操作可以是与实际应用场景对象相匹配的操作，比如在短视频应用场景中，操作可以是播放操作。历史对象可以携带有描述信息，描述信息可以包括用于描述历史对象所包含内容的文字和/或图像。此外，不同历史账户属性特征对应的历史账户群体中账户数量相同或相近。

上述每个历史账户属性特征对应的历史账户群体与历史对象的历史交互数据包括，每个历史账户属性特征对应的历史账户群体中对历史对象执行交互行为的历史账户数量，以及多个历史账户属性特征对应的所有历史账户对历史对象执行交互行为的历史账户总数量。这里，交互行为可以是与实际应用场景中对象相匹配的操作；比如，在短视频应用场景中，交互行为可以包括长播、点击、点赞、评论、关注等。

在一个具体的实施例中，以交互行为是长播为例。此时，历史交互数据包括，每个历史账户属性特征对应的历史账户群体中对历史对象执行长播的历史账户数量，以及多个历史账户属性特征对应的所有历史账户对历史对象执行长播的历史账户总数量。

举例而言，历史对象包括在过去1天内播放过的短视频A。假设多个账户属性特征为账户属性特征1、账户属性特征2、账户属性特征3，每个账户属性特征对应的账户群体均包含100个账户；则多个账户属性特征对应的多个历史账户数量为300。历史交互数据包括每个账户属性特征对应的账户群体中对短视频A执行长播的账户数量，以及300个历史账户中对短视频A执行长播的账户数量；具体的，账户属性特征1对应的100个账户中有90个账户对短视频A进行了长播，短视频A在300个账户中的200个账户进行了长播，则短视频A在账户属性特征1上的长播率为90/200；同理，若账户属性特征2对应的100个账户中有50个账户对短视频A进行了长播，则短视频A在账户属性特征2上的长播率为50/200。

在步骤S403中，通过初始对象推荐模型中的对象特征提取子模型，对历史对象进行特征提取，得到历史对象的对象特征。

该步骤中，首先搭建初始对象推荐模型，然后以历史交互数据为监督信号，对初始对象推荐模型进行有监督学习。训练时，将历史交互数据与每次模型预测的输出进行比较，根据比较结果不断地优化模型参数，最终得到训练好的对象推荐模型。

需要注意的是，在选择监督信号时，需要兼顾监督信号的稠密性以及准确率两方面，监督信号的选取对于最终的推荐效果的提升也起到至关重要的作用，因此，为达到良好的推荐效果，本公开实施例中选取长播率作为监督信号。

在一个具体的实施例中，如图5所示，初始对象推荐模型包括对象特征提取子模型51；相应的，该步骤S403中，可以将历史对象的描述信息输入对象特征提取子模型51，得到历史对象的对象特征。

其中，历史对象的描述信息可以包括文字形式的描述信息和图像形式的描述信息；如图5所示，对象特征提取子模型51可以采用双流模型，即对象特征提取子模型51中设有图像特征提取器511、文字特征提取器512和融合单元513，融合单元513的输入端分别与图像特征提取器511、文字特征提取器512的输出端连接；通过图像特征提取器511对图像形式的描述信息进行特征提取得到历史对象的图像特征，通过文字特征提取器512对文字形式的描述信息进行特征提取得到历史对象的文字特征，然后通过融合单元513将图像特征和文字特征进行融合，得到历史对象的综合特征，该综合特征即为历史对象的对象特征。

具体的，上述的文字形式的描述信息可以包括历史对象的标题和/或文案等；图像形式的描述信息可以包括历史对象的封面图像。上述的图像特征提取器511可以采用ResNet50网络结构。上述的文字特征提取器512可以采用Bert-Small网络结构；融合单元513采用多注意力机制的特征融合网络结构。

在一个具体的实施例中，如图5所示，初始对象推荐模型还包括账户属性特征提取子模型52；账户属性特征提取子模型52包括多个账户属性特征提取单元521，多个账户属性特征提取单元521与多个账户属性特征一一对应，每个账户属性特征提取单元521用于将输入的账户属性标签转换为对应的账户属性特征。具体的，账户属性特征提取单元521将账户属性标签进行映射（embedding），将其转换为预设维度的账户属性特征，该预设维度与历史对象的对象特征的维度保持一致。

在步骤S405中，通过初始对象推荐模型中的特征匹配子模型，对对象特征和各个历史账户属性特征进行匹配处理，得到历史对象与每个历史账户属性特征的匹配信息；匹配信息表征历史账户属性特征对应的账户群体对历史对象执行交互行为的概率。

如图5所示，初始对象推荐模型还包括特征匹配子模型53，特征匹配子模型53中包括依次连接的注意力单元531、全连接单元532和分类单元533，注意力单元531的输入端分别与对象特征提取子模型51、账户属性特征提取子模型52的输出端连接。

该步骤中，通过特征匹配子模型53中的注意力单元531将历史对象的对象特征和每个历史账户属性特征进行融合，将融合后的特征输入全连接单元532，通过全连接单元532将融合后的特征映射到目标特征空间中，最后经过分类单元533即可得到历史对象与每个历史账户属性特征的匹配信息，即每个历史账户属性特征对应的账户群体对历史对象执行交互行为的概率，概率范围为[0,1]。

在步骤S407中，基于历史交互数据与匹配信息，对初始对象推荐模型进行训练，得到训练完成的对象推荐模型。

该步骤中，在训练时，通过交叉熵损失函数，确定历史对象与每个账户属性特征的匹配信息和历史交互数据之间的损失值，基于损失值对模型参数进行优化，直至达到预设训练结束条件时，得到训练好的对象推荐模型。

在一个具体的实施例中，上述基于历史交互数据与匹配信息，对初始对象推荐模型进行训练，得到训练完成的对象推荐模型，具体可以包括如图6所示的以下步骤：

在步骤S601中，分别确定将每个历史账户属性特征对应的历史账户群体中对历史对象执行长播的历史账户数量，与所多个历史账户属性特征对应的所有历史账户对历史对象执行长播的历史账户总数量之间的比值，得到每个历史账户属性特征对应的比值。

在步骤S603中，将每个历史账户属性特征对应的比值，确定为历史对象与每个历史账户群体的目标匹配信息。

在步骤S605中，根据目标匹配信息与匹配信息，确定损失值。

在步骤S607中，基于损失值对初始对象推荐模型进行迭代更新，直至满足预设迭代结束条件，得到训练完成的对象推荐模型。

其中，预设训练结束条件可以包括在迭代次数达到预设次数时结束训练，或者，在模型参数达到优化目标时结束训练。

此外，在一些可能的实施例中，可以预先对训练数据进行筛选，剔除噪声较大的样本。比如，由于泛娱乐、泛资讯类对象的受众群体非常的广，因此剔除此部分数据；同时，剔除掉曝光量过于低的历史对象，以消除此部分数据引入的噪声。

上述实施例中，将历史对象的对象特征与历史账户属性特征进行融合，对于对象和账户进行联合建模，训练出对象推荐模型。

在训练得到对象推荐模型后，在一些可能的实施例中，上述的通过对象推荐模型中的特征匹配子模型，对对象特征和各个账户属性特征进行匹配处理，得到待推荐对象与每个账户属性特征的匹配信息，可以包括如图7所示的以下步骤：

在步骤S701中，通过特征匹配子模型中的注意力单元，对对象特征与各个账户属性特征进行特征融合，得到融合特征。

其中，特征匹配子模型中的各单元结构和作用可以参考上文实施例中模型的训练过程的解释说明，此处不再赘述。

在步骤S703中，通过特征匹配子模型中的全连接单元，将融合特征映射到目标特征空间中，得到待分类特征。

其中，待分类特征包括每个账户属性特征对应的账户群体对待推荐对象执行交互行为的情况，以及多个账户属性特征对应的所有账户对待推荐对象执行交互行为的情况。

在步骤S705中，通过特征匹配子模型中的分类单元，根据每个账户属性特征对应的账户群体对待推荐对象执行交互行为的情况，与多个账户属性特征对应的所有账户对对象特征执行交互行为的情况，确定待推荐对象与每个账户属性特征的匹配信息。

具体的，每个账户属性特征对应的账户群体对待推荐对象执行交互行为的情况可以包括，每个账户属性特征对应的账户群体中对待推荐对象进行长播的账户数量，多个账户属性特征对应的所有账户对对象特征执行交互行为的情况可以包括，所有账户中对对象特征进行长播的账户总数量，将每个账户属性特征对应的账户群体中对待推荐对象进行长播的账户数量分别除以账户总数量，得到每个账户属性特征对应的账户群体对待推荐对象进行长播的概率，即匹配信息。

上述实施例中，通过训练好的对象推荐模型，为待推荐对象匹配目标账户属性特征，即预测其会被何种属性的账户所喜爱，从而可以直接将待推荐对象推荐给合适的目标账户群体，使得待推荐对象可以准确地被推荐给对其感兴趣的账户群，可以解决该待推荐对象的冷启阶段无法得到有效推荐的问题，且对于该待推荐对象的后续推荐阶段都是有非常积极的作用。

在步骤S207中，基于待推荐对象与每个账户属性特征的匹配信息，确定待推荐对象对应的目标账户群体，将待推荐对象推送至目标账户群体。

本公开实施例中，通过对象推荐模型确定了待推荐对象与每个账户属性特征的匹配信息之后，基于多个账户属性特征对应的多个匹配信息，从多个账户属性特征中确定目标账户属性特征。

在一些可能的实施例中，上述的基于待推荐对象与每个账户属性特征的匹配信息，确定待推荐对象对应的目标账户群体，可以包括以下步骤：

基于待推荐对象与每个账户属性特征的匹配信息，从多个账户属性特征中确定出目标账户属性特征；目标账户属性特征对应的匹配信息大于或等于预设值；将目标账户属性特征对应的账户群体确定为目标账户群体。

其中，预设值可以根据实际需求确定；具体的，预设值可以是根据经验总结的固定值；或者，预设值可以是基于多个匹配信息确定的，比如，将多个匹配信息中最大的匹配信息作为预设值，那么该步骤即选取最大的匹配信息对应的账户属性特征作为目标账户属性特征，此时目标账户属性特征的数量为1个，在推荐该待推荐对象时，向最有可能对其感兴趣的账户进行推荐，可以提升推荐准确度；又比如，将多个匹配信息进行排序，将排序第N位的匹配信息作为预设值，N≥2，那么，目标账户属性特征的数量可以为多个，这样，可以扩大相应目标账户的数量，增加待推荐对象被执行交互行为的可能性。

本公开实施例中，在确定目标账户群体后，服务器可以将该待推荐对象推送至目标账户群体。服务器还可以获取目标账户对待推荐对象执行交互行为的数据，该数据可以作为后续推荐阶段中该待推荐对象的推荐依据，从而不断地提升推荐效果。

在一些可能的实施例中，本公开实施例的方法还可以包括如图8所示的以下步骤：

在步骤S801中，获取待推荐账户的账户特征。

在推荐时，需要确定哪些账户为目标账户；因此，首先需要获取待推荐账户的账户特征。其中，账户特征可以包括性别、年龄、地域、学历等。

具体的，可以直接获取待推荐账户预先填写的性别、年龄、地域、学历等信息，得到账户特征；或者，对待推荐账户过去的行为数据进行识别，根据识别结果判断其性别、年龄、地域、学历等信息，得到账户特征。

在步骤S803中，根据账户特征确定待推荐账户的账户属性特征。

具体的，根据待推荐账户实际性别、年龄、地域、学历，判断其符合多个账户属性特征中具体哪一个账户属性特征。

在步骤S805中，若待推荐账户的账户属性特征与目标账户属性特征相匹配，将待推荐账户确定为目标账户。

具体的，若待推荐账户的账户属性特征与目标账户属性特征一致，表示该待推荐账户可能对待推荐对象有兴趣，即该待推荐账户对待推荐对象执行预设操作的概率较大，则，将该待推荐账户确定为目标账户，以在后续步骤中，为其推送待推荐对象。

上述实施例中，服务器在推送时，根据待推荐账户的账户特征，确定其是否是与目标账户属性特征匹配的目标账户，在确定其为目标账户时，向其推送待推荐对象，如此，可以为待推荐账户进行精准地推荐，可以提高待推荐对象被执行交互行为的可能性，不仅保证了待推荐对象可以快速获取用户反馈，还可以保证浏览者可以及时获取新内容，提升其浏览体验。

综上，本公开实施例通过为待推荐对象匹配合适的目标账户属性特征，从而在进行对象推荐时，可以根据向目标账户属性特征对应的目标账户群体推送该待推荐对象，如此，待推荐对象可以准确地被推荐给相应的用户群，从而快速获得用户反馈，为后续阶段的推荐提供依据，不断地提升推荐效果。

图9是根据一示例性实施例示出的一种对象推荐装置框图。参照图9，该装置包括获取模块901、提取模块902、匹配模块903和确定模块904；

获取模块901，被配置为执行获取待推荐对象和多个账户属性特征；

提取模块902，被配置为执行通过对象推荐模型中的对象特征提取子模型，对待推荐对象进行特征提取，得到待推荐对象的对象特征；

匹配模块903，被配置为执行通过对象推荐模型中的特征匹配子模型，对对象特征和各个账户属性特征进行匹配处理，得到待推荐对象与每个账户属性特征的匹配信息；匹配信息表征账户属性特征对应的账户群体对待推荐对象执行交互行为的概率；

确定模块904，被配置为执行基于待推荐对象与每个账户属性特征的匹配信息，确定待推荐对象对应的目标账户群体，将待推荐对象推送至目标账户群体。

在一些可能的实施例中，匹配模块903，还被配置为执行通过特征匹配子模型中的注意力单元，对对象特征与各个账户属性特征进行特征融合，得到融合特征；通过特征匹配子模型中的全连接单元，将融合特征映射到目标特征空间中，得到待分类特征；待分类特征包括每个账户属性特征对应的账户群体对待推荐对象执行交互行为的情况，以及多个账户属性特征对应的所有账户对待推荐对象执行交互行为的情况；通过特征匹配子模型中的分类单元，根据每个账户属性特征对应的账户群体对待推荐对象执行交互行为的情况，与多个账户属性特征对应的所有账户对对象特征执行交互行为的情况，确定待推荐对象与每个账户属性特征的匹配信息。

在一些可能的实施例中，每个账户属性特征对应的账户群体对待推荐对象执行交互行为的情况包括每个账户属性特征对应的账户群体中对待推荐对象执行长播的账户数量；多个账户属性特征对应的所有账户对待推荐对象执行交互行为的情况包括多个账户属性特征对应的所有账户中对待推荐对象执行长播的账户总数量；匹配模块903，还被配置为执行通过特征匹配子模型中的分类单元，分别确定每个账户属性特征对应的账户群体中对待推荐对象执行长播的账户数量，与多个账户属性特征对应的所有账户中对待推荐对象执行长播的账户总数量之间的比值，得到每个账户属性特征对应的比值；将每个账户属性特征对应的比值，确定为待推荐对象与每个账户属性特征的匹配信息。

在一些可能的实施例中，提取模块902，还被配置为执行通过对象特征提取子模型中的图像特征提取器对待推荐对象进行特征提取，得到待推荐对象的图像特征；以及，通过对象特征提取子模型中的文本特征提取器对待推荐对象进行特征提取，得到待推荐对象的文本特征；通过对象特征提取子模型中的融合单元，对待推荐对象的图像特征和文本特征进行融合处理，得到待推荐对象的对象特征。

在一些可能的实施例中，确定模块904，还被配置为执行基于待推荐对象与每个账户属性特征的匹配信息，从多个账户属性特征中确定出目标账户属性特征；目标账户属性特征对应的匹配信息大于或等于预设值；将目标账户属性特征对应的账户群体确定为目标账户群体。

图10是根据一示例性实施例示出的一种对象推荐模型的训练装置框图。参照图10，该装置包括获取模块1001、提取模块1002、匹配模块1003和训练模块1004；

获取模块1001，被配置为执行获取训练数据；训练数据包括历史对象、多个历史账户属性特征，以及每个历史账户属性特征对应的历史账户群体与历史对象的历史交互数据；

提取模块1002，被配置为执行通过初始对象推荐模型中的对象特征提取子模型，对历史对象进行特征提取，得到历史对象的对象特征；

匹配模块1003，被配置为执行通过初始对象推荐模型中的特征匹配子模型，对对象特征和各个历史账户属性特征进行匹配处理，得到历史对象与每个历史账户属性特征的匹配信息；匹配信息表征历史账户属性特征对应的账户群体对历史对象执行交互行为的概率；

训练模块1004，被配置为执行基于历史交互数据与匹配信息，对初始对象推荐模型进行训练，得到训练完成的对象推荐模型。

在一些可能的实施例中，历史交互数据包括每个历史账户属性特征对应的历史账户群体中对历史对象执行长播的历史账户数量，以及多个历史账户属性特征对应的所有历史账户对历史对象执行长播的历史账户总数量；

训练模块1004，还被配置为执行分别确定将每个历史账户属性特征对应的历史账户群体中对历史对象执行长播的历史账户数量，与多个历史账户属性特征对应的所有历史账户对历史对象执行长播的历史账户总数量之间的比值，得到每个历史账户属性特征对应的比值；将每个历史账户属性特征对应的比值，确定为历史对象与每个历史账户群体的目标匹配信息；根据目标匹配信息与匹配信息，确定损失值；基于损失值对初始对象推荐模型进行迭代更新，直至满足预设迭代结束条件，得到训练完成的对象推荐模型。

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11是根据一示例性实施例示出的一种用于对象推荐或者对象推荐模型的训练的电子设备的框图，该电子设备可以是终端，其内部结构图可以如图11所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。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荐或者对象推荐模型的训练方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图11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荐或者对象推荐模型的训练方法。

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荐或者对象推荐模型的训练方法。

在示例性实施例中，还提供了一种包含指令的计算机程序产品，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荐或者对象推荐模型的训练方法。

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 (11)

1.一种对象推荐方法，其特征在于，包括：

获取待推荐对象和多个账户属性特征；所述账户属性特征用于指示账户的属性，所述多个账户属性特征对应多个不同的属性或属性组合；

通过对象推荐模型中的对象特征提取子模型，对所述待推荐对象进行特征提取，得到所述待推荐对象的对象特征；所述对象特征根据所述待推荐对象的文本特征和图像特征融合得到；

通过所述对象推荐模型中的特征匹配子模型，基于所述对象特征和每个账户属性特征，确定所述每个账户属性特征对应的账户群体中对所述待推荐对象执行交互行为的账户数量，以及所述多个账户属性特征对应的所有账户中对所述待推荐对象执行所述交互行为的账户总数量；将所述每个账户属性特征对应的账户群体中对所述待推荐对象执行交互行为的账户数量与所述多个账户属性特征对应的所有账户中对所述待推荐对象执行所述交互行为的账户总数量之间的比值，确定为所述每个账户属性特征对应的账户群体对所述待推荐对象执行交互行为的概率；

基于所述每个账户属性特征对应的账户群体对所述待推荐对象执行交互行为的概率，确定所述待推荐对象对应的目标账户群体，将所述待推荐对象推送至所述目标账户群体。

2.根据权利要求1所述的对象推荐方法，其特征在于，所述方法还包括：

通过所述特征匹配子模型中的注意力单元，对所述对象特征与所述每个账户属性特征进行特征融合，得到融合特征；

通过所述特征匹配子模型中的全连接单元，将所述融合特征映射到目标特征空间中，得到待分类特征；所述待分类特征包括所述每个账户属性特征对应的账户群体中对所述待推荐对象执行所述交互行为的账户数量，以及所述多个账户属性特征对应的所有账户中对所述待推荐对象执行所述交互行为的账户总数量；

通过所述特征匹配子模型中的分类单元，分别确定所述每个账户属性特征对应的账户群体中对所述待推荐对象执行所述交互行为的账户数量，与所述多个账户属性特征对应的所有账户中对所述待推荐对象执行所述交互行为的账户总数量之间的比值，得到所述每个账户属性特征对应的比值。

3.根据权利要求2所述的对象推荐方法，其特征在于， 所述交互行为包括长播、点击、点赞、评论、关注中的任一种。

4.根据权利要求1所述的对象推荐方法，其特征在于，所述通过对象推荐模型中的对象特征提取子模型，对所述待推荐对象进行特征提取，得到所述待推荐对象的对象特征，包括：

通过所述对象特征提取子模型中的图像特征提取器对所述待推荐对象进行特征提取，得到所述待推荐对象的图像特征；以及，通过所述对象特征提取子模型中的文本特征提取器对所述待推荐对象进行特征提取，得到所述待推荐对象的文本特征；

通过所述对象特征提取子模型中的融合单元，对所述待推荐对象的所述图像特征和所述文本特征进行融合处理，得到所述待推荐对象的对象特征。

5.根据权利要求1所述的对象推荐方法，其特征在于，所述基于所述待推荐对象与所述每个账户属性特征的匹配信息，确定所述待推荐对象对应的目标账户群体，包括：

基于所述待推荐对象与所述每个账户属性特征的匹配信息，从所述多个账户属性特征中确定出目标账户属性特征；所述目标账户属性特征对应的匹配信息大于或等于预设值；

将所述目标账户属性特征对应的账户群体确定为所述目标账户群体。

6.一种对象推荐模型的训练方法，其特征在于，包括：

获取训练数据；所述训练数据包括历史对象、多个历史账户属性特征，以及每个历史账户属性特征对应的历史账户群体与所述历史对象的历史交互数据；所述历史账户属性特征用于指示历史账户的属性，所述多个历史账户属性特征对应多个不同的属性或属性组合；所述历史交互数据包括所述每个历史账户属性特征对应的历史账户群体中对所述历史对象执行长播的历史账户数量，以及所述多个历史账户属性特征对应的所有历史账户对所述历史对象执行长播的历史账户总数量；

通过初始对象推荐模型中的对象特征提取子模型，对所述历史对象进行特征提取，得到所述历史对象的对象特征；所述对象特征根据所述历史对象的文本特征和图像特征融合得到；

通过所述初始对象推荐模型中的特征匹配子模型，基于所述对象特征和每个历史账户属性特征，预测所述每个历史账户属性特征对应的历史账户群体中对所述历史对象执行交互行为的历史账户数量，以及所述多个历史账户属性特征对应的所有历史账户中对所述历史对象执行所述交互行为的历史账户总数量；将预测的所述每个历史账户属性特征对应的账户群体中对所述历史对象执行交互行为的历史账户数量与预测的所述多个历史账户属性特征对应的所有历史账户中对所述历史对象执行所述交互行为的历史账户总数量之间的比值，确定为所述每个历史账户属性特征对应的历史账户群体对所述历史对象执行交互行为的预测概率；

基于所述历史交互数据与所述每个历史账户属性特征对应的历史账户群体对所述历史对象执行交互行为的预测概率，对所述初始对象推荐模型进行训练，得到训练完成的对象推荐模型。

7.根据权利要求6所述的对象推荐模型的训练方法，其特征在于，

所述基于所述历史交互数据与所述每个历史账户属性特征对应的历史账户群体对所述历史对象执行交互行为的预测概率，对所述初始对象推荐模型进行训练，得到训练完成的对象推荐模型，包括：

分别确定将所述每个历史账户属性特征对应的历史账户群体中对所述历史对象执行长播的历史账户数量，与所述多个历史账户属性特征对应的所有历史账户对所述历史对象执行长播的历史账户总数量之间的比值，得到所述每个历史账户属性特征对应的比值；

将所述每个历史账户属性特征对应的比值，确定为所述每个历史账户属性特征对应的历史账户群体对所述历史对象执行所述交互行为的实际概率；

根据所述每个历史账户属性特征对应的历史账户群体对所述历史对象执行所述交互行为的实际概率与所述每个历史账户属性特征对应的历史账户群体对所述历史对象执行交互行为的预测概率，确定损失值；

基于所述损失值对所述初始对象推荐模型进行迭代更新，直至满足预设迭代结束条件，得到训练完成的对象推荐模型。

8.一种对象推荐装置，其特征在于，包括：

获取模块，被配置为执行获取待推荐对象和多个账户属性特征；所述账户属性特征用于指示账户的属性，所述多个账户属性特征对应多个不同的属性或属性组合；

提取模块，被配置为执行通过对象推荐模型中的对象特征提取子模型，对所述待推荐对象进行特征提取，得到所述待推荐对象的对象特征；所述对象特征根据所述待推荐对象的文本特征和图像特征融合得到；

匹配模块，被配置为执行通过所述对象推荐模型中的特征匹配子模型，基于所述对象特征和每个账户属性特征，确定所述每个账户属性特征对应的账户群体中对所述待推荐对象执行交互行为的账户数量，以及所述多个账户属性特征对应的所有账户中对所述待推荐对象执行所述交互行为的账户总数量；将所述每个账户属性特征对应的账户群体中对所述待推荐对象执行交互行为的账户数量与所述多个账户属性特征对应的所有账户中对所述待推荐对象执行所述交互行为的账户总数量之间的比值，确定为所述每个账户属性特征对应的账户群体对所述待推荐对象执行交互行为的概率；

确定模块，被配置为执行基于所述每个账户属性特征对应的账户群体对所述待推荐对象执行交互行为的概率，确定所述待推荐对象对应的目标账户群体，将所述待推荐对象推送至所述目标账户群体。

9.一种对象推荐模型的训练装置，其特征在于，包括：

获取模块，被配置为执行获取训练数据；所述训练数据包括历史对象、多个历史账户属性特征，以及每个历史账户属性特征对应的历史账户群体与所述历史对象的历史交互数据；所述历史账户属性特征用于指示历史账户的属性，所述多个历史账户属性特征对应多个不同的属性或属性组合；所述历史交互数据包括所述每个历史账户属性特征对应的历史账户群体中对所述历史对象执行长播的历史账户数量，以及所述多个历史账户属性特征对应的所有历史账户对所述历史对象执行长播的历史账户总数量；

提取模块，被配置为执行通过初始对象推荐模型中的对象特征提取子模型，对所述历史对象进行特征提取，得到所述历史对象的对象特征；所述对象特征根据所述历史对象的文本特征和图像特征融合得到；

匹配模块，被配置为执行通过所述初始对象推荐模型中的特征匹配子模型，基于所述对象特征和每个历史账户属性特征，预测所述每个历史账户属性特征对应的历史账户群体中对所述历史对象执行交互行为的历史账户数量，以及所述多个历史账户属性特征对应的所有历史账户中对所述历史对象执行所述交互行为的历史账户总数量；将预测的所述每个历史账户属性特征对应的账户群体中对所述历史对象执行交互行为的历史账户数量与预测的所述多个历史账户属性特征对应的所有历史账户中对所述历史对象执行所述交互行为的历史账户总数量之间的比值，确定为所述每个历史账户属性特征对应的历史账户群体对所述历史对象执行交互行为的预测概率；

训练模块，被配置为执行基于所述历史交互数据与所述每个历史账户属性特征对应的历史账户群体对所述历史对象执行交互行为的预测概率，对所述初始对象推荐模型进行训练，得到训练完成的对象推荐模型。

10.一种电子设备，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1-5中任一项所述的对象推荐方法，或者权利要求6-7中任一项所述的对象推荐模型的训练方法。

11.一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1-5中任一项所述的对象推荐方法，或者权利要求6-7中任一项所述的对象推荐模型的训练方法。

Images