CN115221397A - 媒体信息的推荐方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供了一种媒体信息的推荐方法、装置、电子设备及存储介质；方法包括：获取目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征；其中，该媒体信息序列包括至少两个类型的媒体信息，该组合特征包括：媒体信息的类型偏好特征及位置偏好特征；基于第一对象特征、各媒体信息序列的内容特征以及组合特征，确定各媒体信息序列的推荐分数；基于各媒体信息序列的推荐分数，从至少两个媒体信息序列中选取目标媒体信息序列，并将目标媒体信息序列推荐至目标对象对应的终端；通过本申请，能够提高媒体信息的推荐精确度和推荐效率。

Description

媒体信息的推荐方法、装置、电子设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种媒体信息的推荐方法、装置、电子设备及存储介质。

背景技术

人工智能(AI，Artificial Intelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

推荐系统是人工智能的重要应用分支，在基于推荐系统进行媒体信息的推荐时，相关技术中，通常是基于用户基本特征、媒体信息基本特征，按照推荐位逐个预测出每个推荐位对应的最优的媒体信息以进行信息推荐。但是，媒体信息的种类非常多，不同场景下用户的需求是不同的，仅基于用户基本特征、媒体信息基本特征进行推荐并不能达到相应的效果，而且媒体信息的展示位置，也可能对推荐效果产生影响。

发明内容

本申请实施例提供一种媒体信息的推荐方法、装置、电子设备及存储介质，能够提高媒体信息的推荐精确度和推荐效率。

本申请实施例的技术方案是这样实现的：

本申请实施例提供一种媒体信息的推荐方法，包括：

获取目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征；

其中，所述媒体信息序列包括至少两个类型的媒体信息，所述组合特征包括：所述媒体信息的类型偏好特征及位置偏好特征；

其中，所述类型偏好特征，用于指示所述目标对象在不同场景下，针对所述媒体信息的类型的偏好，所述位置偏好特征，用于指示所述目标对象针对所述媒体信息的展示位置的偏好；

基于所述第一对象特征、各所述媒体信息序列的内容特征以及组合特征，确定各所述媒体信息序列的推荐分数；

基于各所述媒体信息序列的推荐分数，从所述至少两个媒体信息序列中选取目标媒体信息序列，并将所述目标媒体信息序列推荐至所述目标对象对应的终端。

本申请实施例还提供一种媒体信息的推荐装置，包括：

获取模块，用于获取目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征；

其中，所述媒体信息序列包括至少两个类型的媒体信息，所述组合特征包括：所述媒体信息的类型偏好特征及位置偏好特征；

其中，所述类型偏好特征，用于指示所述目标对象在不同场景下，针对所述媒体信息的类型的偏好，所述位置偏好特征，用于指示所述目标对象针对所述媒体信息的展示位置的偏好；

确定模块，用于基于所述第一对象特征、各所述媒体信息序列的内容特征以及组合特征，确定各所述媒体信息序列的推荐分数；

推荐模块，用于基于各所述媒体信息序列的推荐分数，从所述至少两个媒体信息序列中选取目标媒体信息序列，并将所述目标媒体信息序列推荐至所述目标对象对应的终端。

上述方案中，所述获取模块，还用于获取所述目标对象的第一群体特征，以及至少两个预先设置的对象群的第二群体特征，每个所述对象群包括至少两个对象；

将所述目标对象的第一群体特征，与各所述对象群的第二群体特征分别进行特征匹配，以确定所述第一群体特征与各所述第二群体特征的匹配度，并将与所述第一群体特征的匹配度最高的第二群体特征所对应的对象群，作为目标对象群；

获取所述待推荐的至少两个媒体信息序列的内容特征，并获取所述目标对象群的群第一对象特征、以及所述目标对象群对应所述至少两个媒体信息序列的群组合特征；

将所述群第一对象特征作为所述目标对象的第一对象特征，并将所述群组合特征作为所述目标对象对应所述至少两个媒体信息序列的组合特征。

上述方案中，所述获取模块，还用于获取所述目标对象的用户数据、待推荐的至少两个媒体信息序列的内容数据以及组合数据；其中，所述组合数据包括：所述媒体信息的类型偏好数据及位置偏好数据；

通过第一推荐模型的特征提取层，对所述用户数据、待推荐的至少两个媒体信息序列的内容数据以及组合数据分别进行特征提取，得到所述目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征；

所述基于所述第一对象特征、各所述媒体信息序列的内容特征以及组合特征，确定各所述媒体信息序列的推荐分数，包括：

通过所述第一推荐模型的特征预测层，结合所述第一对象特征、各所述媒体信息序列的内容特征以及组合特征进行预测，得到各所述媒体信息序列的推荐分数。

上述方案中，所述装置还包括：

第一训练模块，用于获取训练样本对应的样本第一对象特征、样本内容特征以及样本组合特征，所述训练样本标注有相应的样本标签；

其中，所述训练样本包括至少两个类型的媒体信息样本，所述样本组合特征包括：所述媒体信息样本的样本类型偏好特征及样本位置偏好特征；

其中，所述样本类型偏好特征，用于指示相应样本用户在不同场景下，针对相应媒体信息样本的类型的偏好，所述样本位置偏好特征，用于指示相应样本用户针对相应媒体信息样本的展示位置的偏好；

将所述样本第一对象特征、样本内容特征以及样本组合特征输入至所述第一推荐模型中，通过所述第一推荐模型进行推荐分数的预测，得到相应的预测结果；

获取所述预测结果与相应的样本标签之间的差异；

基于所述差异，更新所述第一推荐模型的模型参数。

上述方案中，所述确定模块，还用于针对每个所述媒体信息序列分别执行以下处理，以确定各所述媒体信息序列的推荐分数：

通过神经网络模型，结合所述第一对象特征、所述媒体信息序列的内容特征以及组合特征进行点击数据的分类预测，得到所述媒体信息序列对应的、至少两个类别的点击预测结果；

获取各所述类别的点击预测结果对应的推荐权重值；

基于所述至少两个类别的点击预测结果、以及各所述类别的点击预测结果对应的推荐权重值，确定所述媒体信息序列的推荐分数。

上述方案中，所述推荐模块，还用于接收到所述终端发送的媒体信息序列的获取请求，所述获取请求为，所述终端响应针对首屏推荐位的媒体信息获取指令所触发；

发送所述目标媒体信息序至所述终端，以通过所述终端的首屏推荐位展示所述目标媒体信息序列。

上述方案中，所述目标媒体信息序列通过所述终端的首屏推荐位展示，所述推荐模块，还用于针对候选推荐位序列中的各信息推荐位，获取至少两个候选媒体信息，以得到所述候选推荐位序列对应的至少两个媒体信息候选序列，其中，所述候选推荐位序列处于非首屏且包括至少两个信息推荐位；

获取所述目标对象的第二对象特征、各所述媒体信息候选序列所包含的各候选媒体信息的内容特征以及位置特征；

基于所述目标对象的第二对象特征、各所述媒体信息候选序列所包含的各候选媒体信息的内容特征以及位置特征，确定各所述媒体信息候选序列的序列推荐分数；

基于各所述媒体信息候选序列的序列推荐分数，从所述至少两个媒体信息候选序列中选取目标媒体信息候选序列，并将所述目标媒体信息候选序列推荐至所述目标对象对应的终端，以

通过处于非首屏的候选推荐位序列展示所述目标媒体信息候选序列。

上述方案中，所述推荐模块，还用于针对处于所述候选推荐位序列中第一位的信息推荐位，对待推荐的各第一媒体信息进行点击数据预测，得到各所述第一媒体信息对应的预测点击数据；

基于各所述第一媒体信息对应的预测点击数据，选择至少两个第一媒体信息作为处于所述第一位的推荐信息位对应的至少两个候选媒体信息；

针对处于所述候选推荐位序列中非第一位的各信息推荐位，执行以下处理，以得到所述候选推荐位序列对应的至少两个媒体信息候选序列：

结合当前位前一位的信息推荐位对应的至少两个候选媒体信息，对不同于所述候选媒体信息的各第二媒体信息进行点击数据预测，得到各所述第二媒体信息对应的预测点击数据；

基于各所述第二媒体信息对应的预测点击数据，选择至少两个第二媒体信息作为处于当前位的推荐信息位对应的至少两个候选媒体信息。

上述方案中，所述推荐模块，还用于通过第二推荐模型的特征映射层，对所述目标对象的第二对象特征、各所述候选媒体信息的内容特征以及位置特征，分别进行映射处理，得到相应的映射特征；

通过所述第二推荐模型的特征编码层，对各所述候选媒体信息的内容特征对应的映射特征以及位置特征对应的映射特征的加和结果进行编码处理，得到各所述候选媒体信息对应的编码特征；

通过所述第二推荐模型的特征连接层，将所述第二对象特征对应的映射特征以及各所述候选媒体信息对应的编码特征进行拼接处理，得到相应的拼接特征；

通过所述第二推荐模型的特征预测层，基于所述拼接特征进行预测，得到各所述媒体信息候选序列的序列推荐分数。

上述方案中，所述装置还包括：

第二训练模块，用于获取训练样本对应的样本第二对象特征、样本内容特征以及样本位置特征，所述训练样本标注有相应的样本标签；

其中，所述训练样本包括至少两个媒体信息，所述样本内容特征包括各所述媒体信息的内容特征，所述样本位置特征包括各所述媒体信息的位置特征；

将所述样本第二对象特征、样本内容特征以及样本位置特征输入至所述第二推荐模型中，通过所述第二推荐模型进行推荐分数的预测，得到相应的预测结果；

获取所述预测结果与相应的样本标签之间的差异；

基于所述差异，更新所述第一推荐模型的模型参数。

上述方案中，所述推荐模块，还用于针对每个所述媒体信息候选序列分别执行以下处理，以确定各所述媒体信息候选序列的序列推荐分数：

通过神经网络模型，结合所述第二对象特征、各所述候选媒体信息的内容特征以及位置特征进行点击数据的分类预测，得到所述媒体信息序列对应的、至少两个类别的点击预测结果；

获取各所述类别的点击预测结果对应的推荐权重值；

基于所述至少两个类别的点击预测结果、以及各所述类别的点击预测结果对应的推荐权重值，确定所述媒体信息候选序列的序列推荐分数。

上述方案中，所述推荐模块，还用于将携带显示样式信息的所述目标媒体信息序列，推荐至所述目标对象对应的终端；

其中，所述显示样式信息，用于指示所述目标媒体信息序列中各类型媒体信息所对应的显示样式。

本申请实施例还提供一种电子设备，包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的媒体信息的推荐方法。

本申请实施例还提供一种计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时，实现本申请实施例提供的媒体信息的推荐方法。

本申请实施例具有以下有益效果：

在本申请实施例中，当对目标对象进行媒体信息推荐时，首先获取目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征，然后基于第一对象特征、各媒体信息序列的内容特征以及组合特征，确定各媒体信息序列的推荐分数，从而基于推荐分数，从该至少两个媒体信息序列中选取目标媒体信息序列推荐至目标对象对应的终端；这里，媒体信息序列包括至少两个类型的媒体信息，该组合特征包括：用于指示目标对象在不同场景下，针对媒体信息的类型的偏好的类型偏好特征、以及用于指示目标对象针对媒体信息的展示位置的偏好的位置偏好特征。

如此，在基于目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征进行媒体信息推荐时，既考虑到用户在不同场景下针对媒体信息类型的偏好，使得所推荐的信息类型多样化且更符合用户所处场景，满足用户需求，又考虑到用户针对媒体信息展示位置的偏好，方便用户对于个人喜好的信息进行点击查看，从而提高了媒体信息的推荐精确度和推荐效率。

附图说明

图1是本申请实施例提供的媒体信息的推荐系统100的架构示意图；

图2是本申请实施例提供的实施媒体信息的推荐方法的电子设备500的结构示意图；

图3是本申请实施例提供的媒体信息的推荐方法的流程示意图；

图4是本申请实施例提供的第一推荐模型的推荐分数的预测示意图；

图5是本申请实施例提供的各类型媒体信息的展示示意图；

图6是本申请实施例提供的第二推荐模型的序列推荐分数的预测示意图；

图7是本申请实施例提供的媒体信息获取指令的触发示意图；

图8是本申请实施例提供的媒体信息的推荐方法的流程示意图；

图9是本申请实施例提供的卡片序列推荐模型的结构示意图；

图10是本申请实施例提供的媒体信息的推荐装置555的结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。

1)客户端，终端中运行的用于提供各种服务的应用程序，例如即时通讯客户端、视频播放客户端。

2)响应于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。

3)Rerank：指混排或者重排，是根据推荐系统的召回、排序阶段生成的候选集确定最终推荐列表及其展示顺序的阶段。

4)异构卡片：指推荐系统中内容、展现形式以及收益价值有较大区别的不同种类的item卡片(即媒体信息)。

5)卡片组合：两个或者两个以上的异构卡片的组合。

6)卡片序列：排序后的异构卡片组成的序列。

7)滑动行为：用户在手机端浏览信息流时查看更多内容的手势行为，主要是上滑加载行为和下拉刷新行为。

8)首屏：下拉刷新时手机端能直接曝光出来的卡片区域。

9)非首屏：下拉刷新时手机端不能直接曝光出来的卡片区域和上滑加载出来的全部卡片序列。

基于上述对本申请实施例中涉及的名词和术语的解释，下面说明本申请实施例提供的媒体信息的推荐系统。参见图1，图1是本申请实施例提供的媒体信息的推荐系统100的架构示意图，为实现支撑一个示例性应用，终端(示例性示出了终端400-1)通过网络300连接服务器200，网络300可以是广域网或者局域网，又或者是二者的组合，使用无线或有线链路实现数据传输。

终端(如终端400-1，可以安装有媒体信息客户端)，用于响应于目标对象触发的媒体信息获取指令，发送媒体信息获取请求至服务器200；

服务器200，用于接收到媒体信息获取请求，获取目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征；基于第一对象特征、各媒体信息序列的内容特征以及组合特征，确定各媒体信息序列的推荐分数；基于各媒体信息序列的推荐分数，从至少两个媒体信息序列中选取目标媒体信息序列，并将目标媒体信息序列推荐至目标对象对应的终端；

终端(如终端400-1)，用于接收到服务器200推荐的目标媒体信息序列，并在图形界面410(示例性示出了图形界面410-1)呈现目标媒体信息序列。

这里，该媒体信息序列包括至少两个类型的媒体信息，组合特征包括：媒体信息的类型偏好特征及位置偏好特征；该类型偏好特征，用于指示目标对象在不同场景下，针对媒体信息的类型的偏好，该位置偏好特征，用于指示目标对象针对媒体信息的展示位置的偏好。

在实际应用中，服务器200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。终端(如终端400-1)可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能电视、智能手表等，但并不局限于此。终端(如终端400-1)以及服务器200可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

参见图2，图2是本申请实施例提供的实施媒体信息的推荐方法的电子设备500的结构示意图。在实际应用中，电子设备500可以为图1示出的服务器或终端，以电子设备500为图1示出的终端为例，对实施本申请实施例的媒体信息的推荐方法的电子设备进行说明，本申请实施例提供的电子设备500包括：至少一个处理器510、存储器550、至少一个网络接口520和用户接口530。电子设备500中的各个组件通过总线系统540耦合在一起。可理解，总线系统540用于实现这些组件之间的连接通信。总线系统540除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统540。

处理器510可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。

用户接口530包括使得能够呈现媒体内容的一个或多个输出装置531，包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口530还包括一个或多个输入装置532，包括有助于用户输入的用户接口部件，比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。

存储器550可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器550可选地包括在物理位置上远离处理器510的一个或多个存储设备。

存储器550包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM，Read Only Memory)，易失性存储器可以是随机存取存储器(RAM，Random Access Memory)。本申请实施例描述的存储器550旨在包括任意适合类型的存储器。

在一些实施例中，存储器550能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。

操作系统551，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；

网络通信模块552，用于经由一个或多个(有线或无线)网络接口520到达其他计算设备，示例性的网络接口520包括：蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB，Universal Serial Bus)等；

呈现模块553，用于经由一个或多个与用户接口530相关联的输出装置531(例如，显示屏、扬声器等)使得能够呈现信息(例如，用于操作外围设备和显示内容和信息的用户接口)；

输入处理模块554，用于对一个或多个来自一个或多个输入装置532之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。

在一些实施例中，本申请实施例提供的媒体信息的推荐装置可以采用软件方式实现，图2示出了存储在存储器550中的媒体信息的推荐装置555，其可以是程序和插件等形式的软件，包括以下软件模块：获取模块5551、确定模块5552和推荐模块5553，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分，将在下文中说明各个模块的功能。

在另一些实施例中，本申请实施例提供的媒体信息的推荐装置可以采用软硬件结合的方式实现，作为示例，本申请实施例提供的媒体信息的推荐装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本申请实施例提供的媒体信息的推荐方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC，ApplicationSpecific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable LogicDevice)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)或其他电子元件。

基于上述对本申请实施例提供的媒体信息的推荐系统及电子设备的说明，下面说明本申请实施例提供的媒体信息的推荐方法。在一些实施例中，本申请实施例提供的媒体信息的推荐方法可由服务器或终端单独实施，或由服务器及终端协同实施，下面以服务器实施为例说明本申请实施例提供的媒体信息的推荐方法。参见图3，图3是本申请实施例提供的媒体信息的推荐方法的流程示意图，本申请实施例提供的媒体信息的推荐方法包括：

步骤101：服务器获取目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征。

其中，该媒体信息序列包括至少两个类型的媒体信息，该组合特征包括：媒体信息的类型偏好特征及位置偏好特征；该类型偏好特征，用于指示目标对象在不同场景下，针对媒体信息的类型的偏好，该位置偏好特征，用于指示目标对象针对媒体信息的展示位置的偏好。

这里，在实际应用中，该服务器为媒体信息推荐的后台服务器。目标对象所持终端上可以设置有用于浏览和观看媒体信息的客户端，比如新闻客户端、配置有媒体信息浏览页面的即时通讯客户端、浏览器客户端等，该媒体信息可以是图片信息、文本信息、图文结合信息、视频信息等。

当目标对象在通过客户端浏览媒体信息时，可以通过触发媒体信息获取指令，比如通过执行页面下拉刷新操作触发媒体信息获取指令。终端在接收到目标对象触发的媒体信息获取指令时，发送媒体信息获取请求至该客户端的后台服务器。服务器接收到终端发送的媒体信息获取请求，响应于该媒体信息获取请求，向终端发送待推荐的媒体信息。

在本申请实施例中，服务器在进行媒体信息推荐时，将媒体信息通过媒体信息序列的方式进行推荐，以提高媒体信息的推荐效率，即向目标对象推荐包含至少两个媒体信息的媒体信息序列。这里，该媒体信息序列包括至少两个类型的媒体信息，媒体信息的类型可以包括文本类型、图片类型、短视频类型、视频类型等，也可以包括上述各类型中的结合类型，比如图文类型等。

这里，服务器在对目标对象进行媒体信息推荐时，可以先获取目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征。该目标对象的第一对象特征可以是用户基本特征，比如用户名称、年龄、性别、标识等特征；该内容特征可以是媒体信息序列所包含的媒体信息的内容特征，比如媒体信息文本内容、图片内容、视频内容等特征；该媒体信息序列的组合特征包括媒体信息的类型偏好特征及位置偏好特征，具体地，该类型偏好特征用于指示目标对象在不同场景下，针对媒体信息序列所包含的媒体信息的类型的偏好(即组成媒体信息序列的各种类型的组合的偏好，比如<图文-视频-图文>的组合、<视频-纯文本-图文>的组合)，该不同场景可以是不同的时间段、不同的网络状态、不同的位置信息等；该位置偏好特征用于指示目标对象针对媒体信息的展示位置的偏好，即目标对象偏好点击的展示位置，比如终端屏幕中央的位置。

在一些实施例中，服务器可通过如下方式获取目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征：获取目标对象的第一群体特征，以及至少两个预先设置的对象群的第二群体特征，每个对象群包括至少两个对象；将目标对象的第一群体特征，与各对象群的第二群体特征分别进行特征匹配，以确定第一群体特征与各第二群体特征的匹配度，并将与第一群体特征的匹配度最高的第二群体特征所对应的对象群，作为目标对象群；获取待推荐的至少两个媒体信息序列的内容特征，并获取目标对象群的群第一对象特征、以及目标对象群对应至少两个媒体信息序列的群组合特征；将群第一对象特征作为目标对象的第一对象特征，并将群组合特征作为目标对象对应至少两个媒体信息序列的组合特征。

这里，在获取目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征时，可以通过获取目标对象所属目标对象群的群第一对象特征和群组合特征的方式获取。在实际应用中，每个对象群可以包括至少两个对象，为按照预先设置的对象群划分标准对多个对象进行划分得到的，示例性地，对象群划分标准可以是按照年龄段划分(比如10-20岁为一个对象群、20-30岁为一个对象群等等)、按照性别划分(比如女性为一个对象群、男性为一个对象群)、按照职业划分(学生为一个对象群、程序开发人员为一个对象群、产品设计人员为一个对象群等)。

具体地，首先获取目标对象的第一群体特征，以及至少两个对象群的第二群体特征，这里该第一群体特征和第二群体特征可以包括年龄特征、性别特征、目标时间段内的活跃度特征等；其次，将目标对象的第一群体特征，与各对象群的第二群体特征分别进行特征匹配，以确定第一群体特征与各第二群体特征的匹配度，并将与第一群体特征的匹配度最高的第二群体特征所对应的对象群，作为目标对象群；然后获取待推荐的至少两个媒体信息序列的内容特征，并获取目标对象群的群第一对象特征、以及目标对象群对应至少两个媒体信息序列的群组合特征；最后将群第一对象特征作为目标对象的第一对象特征，并将群组合特征作为目标对象对应至少两个媒体信息序列的组合特征。

在实际应用中，上述目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征的获取方式，可以在目标对象为新用户、或者获取目标对象个人的第一对象特征、以及目标对象个人对应至少两个媒体信息序列的组合特征失败的情况下使用。

另外，当该目标对象为某个实时的待推荐用户时，可以直接获取该目标对象的第一对象特征、以及目标对象个人对应至少两个媒体信息序列的组合特征，也可以通过获取目标对象所属目标对象群的群第一对象特征和群组合特征的方式获取；当目标对象为某个待推荐的用户群时，则直接获取该用户群的群第一对象特征和群组合特征。

步骤102：基于第一对象特征、各媒体信息序列的内容特征以及组合特征，确定各媒体信息序列的推荐分数。

这里，在获取到目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征后，可以基于第一对象特征、各媒体信息序列的内容特征以及组合特征，确定各媒体信息序列的推荐分数，该推荐分数可以用于指示相应媒体信息序列作为推荐至目标对象的终端的目标媒体信息序列时，所对应的点击数据。在实际应用中，该点击数据可以是目标对象针对目标媒体信息序列的点击概率(或者点击可能性)、表征目标媒体信息序列是否被目标对象点击的数据、表征目标对象针对目标媒体信息序列的点击概率(或者点击可能性)高低的数据等。

这里，在本申请实施例中，可以通过机器学习模型(比如第一推荐模型)来实现推荐分数的计算。在一些实施例中，服务器可通过如下方式训练得到第一推荐模型：获取训练样本对应的样本第一对象特征、样本内容特征以及样本组合特征，该训练样本标注有相应的样本标签；将样本第一对象特征、样本内容特征以及样本组合特征输入至第一推荐模型中，通过第一推荐模型进行推荐分数的预测，得到相应的预测结果；获取预测结果与相应的样本标签之间的差异；基于差异，更新第一推荐模型的模型参数。

其中，该训练样本包括至少两个类型的媒体信息样本，该样本组合特征包括：媒体信息样本的样本类型偏好特征及样本位置偏好特征；该样本类型偏好特征，用于指示相应样本用户在不同场景下，针对相应媒体信息样本的类型的偏好，该样本位置偏好特征，用于指示相应样本用户针对相应媒体信息样本的展示位置的偏好。

这里，在本申请实施例中，可以通过机器学习模型来实现推荐分数的计算。在实际实施时，通过机器学习网络(比如卷积神经网络CNN、深度神经网络DNN等)构建第一推荐模型，并针对该第一推荐模型设置初始的模型参数、模型的激活函数(比如Sigmoid函数、线性整流函数等)、模型的损失函数(比如交叉熵损失函数、对数损失函数等)。在构建完成初始的第一推荐模型后，对构建完成的第一推荐模型进行训练。

具体地，首先，获取用于训练第一推荐模型的训练样本，该训练样本注有相应的样本标签且包括至少两个类型的媒体信息样本。进一步地，获取训练样本对应的样本第一对象特征、样本内容特征以及样本组合特征，其中，该样本组合特征包括：媒体信息样本的样本类型偏好特征及样本位置偏好特征；该样本类型偏好特征，用于指示相应样本用户在不同场景下，针对相应媒体信息样本的类型的偏好，该样本位置偏好特征，用于指示相应样本用户针对相应媒体信息样本的展示位置的偏好。

然后，将训练样本的样本第一对象特征、样本内容特征以及样本组合特征输入至第一推荐模型中，通过第一推荐模型结合样本第一对象特征、样本内容特征以及样本组合特征进行推荐分数的预测，得到相应的预测结果；最后，获取预测结果与相应训练样本的样本标签之间的差异，从而基于差异更新第一推荐模型的模型参数。具体地，可以基于差异确定第一推荐模型的损失函数的值，当损失函数的值超出预设阈值时，基于损失函数确定推荐模型的误差信号，将误差信号在第一推荐模型中反向传播，并在传播的过程中更新各个层的模型参数。整个训练过程不断迭代上述步骤，直至损失函数收敛，将损失函数收敛时第一推荐模型更新后的模型参数，作为最终训练完成的第一推荐模型的模型参数，以减小模型输出的误差。

基于此，在第一推荐模型训练完成后，服务器可通过如下方式获取目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征：获取目标对象的用户数据、待推荐的至少两个媒体信息序列的内容数据以及组合数据；其中，该组合数据包括：媒体信息的类型偏好数据及位置偏好数据；通过第一推荐模型的特征提取层，对用户数据、待推荐的至少两个媒体信息序列的内容数据以及组合数据分别进行特征提取，得到目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征；

相应的，服务器可通过如下方式基于第一对象特征、各媒体信息序列的内容特征以及组合特征，确定各媒体信息序列的推荐分数：通过第一推荐模型的特征预测层，结合第一对象特征、各媒体信息序列的内容特征以及组合特征进行预测，得到各媒体信息序列的推荐分数。

在实际应用中，该第一推荐模型可以是回归模型，也可以是分类模型。在通过第一推荐模型的特征预测层，结合第一对象特征、各媒体信息序列的内容特征以及组合特征进行预测，得到各媒体信息序列的推荐分数时，可以通过回归模型结合第一对象特征、各媒体信息序列的内容特征以及组合特征进行回归预测，得到各媒体信息序列的推荐分数，该推荐分数可以是目标对象针对目标媒体信息序列的点击概率(或者点击可能性)、也可以是表征目标对象针对目标媒体信息序列的点击概率(或者点击可能性)高低的数据等。

还可以通过分类模型结合第一对象特征、各媒体信息序列的内容特征以及组合特征进行分类预测，得到各媒体信息序列的推荐分数，该推荐分数可以是表征目标媒体信息序列是否被目标对象点击的数据，比如通过1表征被点击，通过0表征不被点击。

参见图4，图4是本申请实施例提供的第一推荐模型的推荐分数的预测示意图。这里，第一推荐模型包括特征提取层和特征预测层。在获取到目标对象的用户数据、待推荐的至少两个媒体信息序列的内容数据以及组合数据之后，通过第一推荐模型的特征提取层，对用户数据、待推荐的至少两个媒体信息序列的内容数据以及组合数据分别进行特征提取，得到目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征；然后再通过第一推荐模型的特征预测层，结合第一对象特征、各媒体信息序列的内容特征以及组合特征进行预测，得到各媒体信息序列的推荐分数。

在一些实施例中，服务器还可通过如下方式基于第一对象特征、各媒体信息序列的内容特征以及组合特征，确定各媒体信息序列的推荐分数：针对每个媒体信息序列分别执行以下处理，以确定各媒体信息序列的推荐分数：通过神经网络模型，结合第一对象特征、媒体信息序列的内容特征以及组合特征进行点击数据的分类预测，得到媒体信息序列对应的、至少两个类别的点击预测结果；获取各类别的点击预测结果对应的推荐权重值；基于至少两个类别的点击预测结果、以及各类别的点击预测结果对应的推荐权重值，确定媒体信息序列的推荐分数。

这里，该神经网络模型也可以是通过上述第一推荐模型的构建和训练方式得到，在本申请实施例中不作赘述。在实际应用中，该神经网络模型可以是分类预测模型，在计算每个媒体信息序列的推荐分数时，针对每个媒体信息候选序列均执行以下处理：可以将第一对象特征、媒体信息序列的内容特征以及组合特征输入至神经网络模型，通过神经网络模型结合第一对象特征、媒体信息序列的内容特征以及组合特征进行点击数据的分类预测，得到媒体信息序列对应的、至少两个类别的点击预测结果；可以预先针对各类别设置相应的推荐权重值，在得到媒体信息序列对应的、至少两个类别的点击预测结果后，获取各类别的点击预测结果对应的推荐权重值；从而基于至少两个类别的点击预测结果、以及各类别的点击预测结果对应的推荐权重值，确定媒体信息序列的推荐分数。

示例性地，上述神经网络模型对应的分类预测的类别可以包括无点击、点击1次、点击2次及以上三种类别；通过神经网络模型预测得到媒体信息序列对应的、至少两个类别的点击预测结果：P(点击1次)、P(点击>＝2次)、P(无点击)；然后获取各类别的点击预测结果对应的推荐权重值，比如P(点击1次)对应的推荐权重值1、P(点击>＝2次)对应的推荐权重值2、P(无点击)对应的推荐权重值0。从而基于至少两个类别的点击预测结果、以及各类别的点击预测结果对应的推荐权重值，确定媒体信息序列的推荐分数score＝0*P(无点击)+1*P(点击1次)+2*P(点击>＝2次)。

步骤103：基于各媒体信息序列的推荐分数，从至少两个媒体信息序列中选取目标媒体信息序列，并将目标媒体信息序列推荐至目标对象对应的终端。

这里，在确定各媒体信息序列的推荐分数后，基于推荐分数从至少两个媒体信息序列中选取目标媒体信息序列，具体地可以选择推荐分数最高的媒体信息序列作为目标媒体信息序列，从而将目标媒体信息序列推荐至目标对象对应的终端。

在一些实施例中，服务器可通过如下方式将目标媒体信息序列推荐至目标对象对应的终端：将携带显示样式信息的目标媒体信息序列，推荐至目标对象对应的终端；其中，该显示样式信息，用于指示目标媒体信息序列中各类型媒体信息所对应的显示样式。

在实际应用中，服务器在推荐目标媒体信息序列至目标对象对应的终端时，可以在目标媒体信息序列中携带显示样式信息，该显示样式信息用于指示目标媒体信息序列中各类型媒体信息所对应的显示样式，比如采用媒体信息卡片的形式展示，针对文本类型的媒体信息，采用小型卡片的形式展示，针对图文类型的媒体信息，采用中型卡片的形式展示，针对视频类型的媒体信息，采用大型卡片的形式展示。其中，大型卡片的高度高于中型卡片的高度，中型卡片的高度高于小型卡片的高度。参见图5，图5是本申请实施例提供的各类型媒体信息的展示示意图。这里，视频类型的媒体信息A，采用大型卡片的形式展示，图文类型的媒体信息B，采用中型卡片的形式展示，即媒体信息A对应的展示卡片的高度高于媒体信息B对应的展示卡片。

在一些实施例中，服务器可通过如下方式将目标媒体信息序列推荐至目标对象对应的终端：接收到终端发送的媒体信息序列的获取请求，该获取请求为，终端响应针对首屏推荐位的媒体信息获取指令所触发；发送目标媒体信息序列至终端，以通过终端的首屏推荐位展示目标媒体信息序列。

在实际应用中，用户在进行媒体信息的浏览时，可能只消费首屏推荐位所展示的媒体信息，比如用户在媒体信息流页面进行下拉刷新操作时，更新首屏推荐位所展示的媒体信息，用户可能在只浏览首屏推荐的媒体信息后，直接再次进行媒体信息流页面的下拉刷新操作，再次更新首屏推荐位所展示的媒体信息，如此首屏推荐位的媒体信息推荐即为重要。考虑到不同类型的媒体信息所对应的展示位的大小不同而首屏的信息推荐位有限，为平衡各类型的媒体信息的曝光效率，可以采用包含至少两个类型的媒体信息的媒体信息序列进行首屏媒体信息的推荐，具体地，通过上述实施例提供的方案确定待推荐的各媒体信息序列的推荐分数，并基于推荐分数选择目标媒体信息序列进行推荐。

当目标对象在通过客户端浏览媒体信息时，可以通过触发针对首屏推荐位的媒体信息获取指令，比如通过执行页面下拉刷新操作触发针对首屏推荐位的媒体信息获取指令。终端在接收到目标对象触发的针对首屏推荐位的媒体信息获取指令时，发送媒体信息序列的获取请求至该客户端的后台服务器。当服务器接收到终端发送的媒体信息序列的获取请求时，通过上述实施例基于各媒体信息序列的推荐分数，从待推荐的至少两个媒体信息序列中选择目标媒体信息序列，并将目标媒体信息序列发送至目标对象的终端，以通过终端的首屏推荐位展示目标媒体信息序列。

在一些实施例中，上述推荐的目标媒体信息序列通过终端的首屏推荐位展示，而针对处于非首屏的信息推荐位，服务器可通过如下方式进行媒体信息的推荐：针对候选推荐位序列中的各信息推荐位，获取至少两个候选媒体信息，以得到候选推荐位序列对应的至少两个媒体信息候选序列，其中，该候选推荐位序列处于非首屏且包括至少两个信息推荐位；获取目标对象的第二对象特征、各媒体信息候选序列所包含的各候选媒体信息的内容特征以及位置特征；基于目标对象的第二对象特征、各媒体信息候选序列所包含的各候选媒体信息的内容特征以及位置特征，确定各媒体信息候选序列的序列推荐分数；基于各媒体信息候选序列的序列推荐分数，从至少两个媒体信息候选序列中选取目标媒体信息候选序列，并将目标媒体信息候选序列推荐至目标对象对应的终端，以通过处于非首屏的候选推荐位序列展示目标媒体信息候选序列。

在对首屏推荐位的媒体信息的推荐方式进行说明之后，接下来说明针对非首屏的信息推荐位的媒体信息的推荐方式进行说明。在实际应用中，非首屏的信息推荐位即为通过在媒体信息流页面执行上拉加载操作时，所加载展示的信息推荐位；或者非首屏的信息推荐位还可以是在媒体信息流页面执行下拉刷新操作时，所刷新出来的除首屏推荐位之前的信息推荐位。该多个非首屏的信息推荐位组成候选推荐位序列。

针对处于非首屏的、包括至少两个信息推荐位的候选推荐位序列，可通过如下方式进行媒体信息的推荐：首先，针对候选推荐位序列中的各信息推荐位，获取至少两个候选媒体信息，以得到候选推荐位序列对应的至少两个媒体信息候选序列。在一些实施例中，服务器可通过如下方式针对候选推荐位序列中的各信息推荐位，获取至少两个候选媒体信息，以得到候选推荐位序列对应的至少两个媒体信息候选序列：

针对处于候选推荐位序列中第一位的信息推荐位，对待推荐的各第一媒体信息进行点击数据预测，得到各第一媒体信息对应的预测点击数据；基于各第一媒体信息对应的预测点击数据，选择至少两个第一媒体信息作为处于第一位的推荐信息位对应的至少两个候选媒体信息；

针对处于候选推荐位序列中非第一位的各信息推荐位，执行以下处理，以得到候选推荐位序列对应的至少两个媒体信息候选序列：结合当前位前一位的信息推荐位对应的至少两个候选媒体信息，对不同于候选媒体信息的各第二媒体信息进行点击数据预测，得到各第二媒体信息对应的预测点击数据；基于各第二媒体信息对应的预测点击数据，选择至少两个第二媒体信息作为处于当前位的推荐信息位对应的至少两个候选媒体信息。

在实际应用中，针对处于候选推荐位序列中第一位的信息推荐位，计算各个第一媒体信息的点击数据，具体地，可以通过点击率预测模型(即CTR模型)预测各个第一媒体信息的预测点击数据。然后基于各第一媒体信息的预测点击数据，选择至少两个第一媒体信息(比如预测点击数据降序排序靠前的至少两个第一媒体信息)作为处于第一位的推荐信息位对应的至少两个候选媒体信息。

而针对处于候选推荐位序列中非第一位的各信息推荐位，则可执行以下处理，以得到候选推荐位序列对应的至少两个媒体信息候选序列：结合当前位前一位的信息推荐位对应的至少两个候选媒体信息，对不同于候选媒体信息的各第二媒体信息进行点击数据预测，得到各第二媒体信息对应的预测点击数据。这里，在实际应用中是分别结合当前位前一位的信息推荐位对应的各候选媒体信息，对不同于候选媒体信息的各第二媒体信息进行点击数据预测，得到各第二媒体信息对应的预测点击数据。从而基于各第二媒体信息对应的预测点击数据，选择至少两个第二媒体信息(比如预测点击数据降序排序靠前的至少两个第二媒体信息)作为处于当前位的推荐信息位对应的至少两个候选媒体信息。

其次，获取目标对象的第二对象特征、各媒体信息候选序列所包含的各候选媒体信息的内容特征以及位置特征。这里，该目标对象的第二对象特征可以包括用户基本特征(比如名称、年龄、性别等)，还可以包括用户的类型偏好特征(即用户在不同场景(如不同时间段、网络状态、位置等)下针对媒体信息的类型的偏好)等。该各媒体信息候选序列所包含的各候选媒体信息的内容特征可以包括媒体信息文本内容、图片内容、视频内容等特征。该各媒体信息候选序列所包含的各候选媒体信息的位置特征，可以是各候选媒体信息处于媒体信息候选序列中的位置，比如媒体信息候选序列中第一位、媒体信息候选序列中第二位等。

然后，基于目标对象的第二对象特征、各媒体信息候选序列所包含的各候选媒体信息的内容特征以及位置特征，确定各媒体信息候选序列的序列推荐分数。该序列推荐分数可以用于指示相应媒体信息候选序列作为推荐至目标对象的终端的目标媒体信息候选序列时，所对应的点击数据。在实际应用中，该点击数据可以是目标对象针对目标媒体信息候选序列的点击概率(或者点击可能性)、表征目标媒体信息候选序列是否被目标对象点击的数据、表征目标对象针对目标媒体信息候选序列的点击概率(或者点击可能性)高低的数据等。

最后，基于各媒体信息候选序列的序列推荐分数，从至少两个媒体信息候选序列中选取目标媒体信息候选序列，比如选择序列推荐分数最高的媒体信息候选序列作为目标媒体信息候选序列。从而将目标媒体信息候选序列推荐至目标对象对应的终端，以通过处于非首屏的候选推荐位序列展示目标媒体信息候选序列。

这里，在本申请实施例中，可以通过机器学习模型(比如第二推荐模型)来实现序列推荐分数的计算。在一些实施例中，服务器可通过如下方式训练得到第二推荐模型：获取训练样本对应的样本第二对象特征、样本内容特征以及样本位置特征，训练样本标注有相应的样本标签；将样本第二对象特征、样本内容特征以及样本位置特征输入至第二推荐模型中，通过第二推荐模型进行推荐分数的预测，得到相应的预测结果；获取预测结果与相应的样本标签之间的差异；基于差异，更新第二推荐模型的模型参数。其中，该训练样本包括至少两个媒体信息，该样本内容特征包括各媒体信息的内容特征，该样本位置特征包括各媒体信息的位置特征。

这里，在本申请实施例中，可以通过机器学习模型来实现序列推荐分数的计算。在实际实施时，通过机器学习网络(比如卷积神经网络CNN、深度神经网络DNN等)构建第二推荐模型，并针对该第二推荐模型设置初始的模型参数、模型的激活函数(比如Sigmoid函数、线性整流函数等)、模型的损失函数(比如交叉熵损失函数、对数损失函数等)。在构建完成初始的第二推荐模型后，对构建完成的第二推荐模型进行训练。

具体地，首先，获取用于训练第二推荐模型的训练样本，该训练样本标注有相应的样本标签。然后，获取训练样本对应的样本第二对象特征、样本内容特征以及样本位置特征，其中，该训练样本包括至少两个媒体信息，该样本内容特征包括各媒体信息的内容特征，该样本位置特征包括各媒体信息的位置特征。

然后，将训练样本对应的样本第二对象特征、样本内容特征以及样本位置特征输入至第二推荐模型中，通过第二推荐模型结合样本第二对象特征、样本内容特征以及样本位置特征进行序列推荐分数的预测，得到相应的预测结果；最后，获取预测结果与相应训练样本的样本标签之间的差异，从而基于差异更新第二推荐模型的模型参数。具体地，可以基于差异确定第二推荐模型的损失函数的值，当损失函数的值超出预设阈值时，基于损失函数确定推荐模型的误差信号，将误差信号在第二推荐模型中反向传播，并在传播的过程中更新各个层的模型参数。整个训练过程不断迭代上述步骤，直至损失函数收敛，将损失函数收敛时第二推荐模型更新后的模型参数，作为最终训练完成的第二推荐模型的模型参数，以减小模型输出的误差。

基于此，在第二推荐模型训练完成后，服务器可通过如下方式基于目标对象的第二对象特征、各媒体信息候选序列所包含的各候选媒体信息的内容特征以及位置特征，确定各媒体信息候选序列的序列推荐分数：通过第二推荐模型的特征映射层，对目标对象的第二对象特征、各候选媒体信息的内容特征以及位置特征，分别进行映射处理，得到相应的映射特征；通过第二推荐模型的特征编码层，对各候选媒体信息的内容特征对应的映射特征以及位置特征对应的映射特征的加和结果进行编码处理，得到各候选媒体信息对应的编码特征；通过第二推荐模型的特征连接层，将第二对象特征对应的映射特征以及各候选媒体信息对应的编码特征进行拼接处理，得到相应的拼接特征；通过第二推荐模型的特征预测层，基于拼接特征进行预测，得到各媒体信息候选序列的序列推荐分数。

这里，参见图6，图6是本申请实施例提供的第二推荐模型的序列推荐分数的预测示意图。这里，该第二推荐模型包括特征映射层、特征编码层以及特征预测层，在实际应用中，该第二推荐模型可以是基于Transformer网络模型构建的。

从而在获取到目标对象的第二对象特征、各媒体信息候选序列所包含的各候选媒体信息的内容特征以及位置特征后，首先通过第二推荐模型的特征映射层，对目标对象的第二对象特征、各候选媒体信息的内容特征以及位置特征，分别进行映射处理，得到相应的映射特征，以将离散特征处理为连续特征；其次通过第二推荐模型的特征编码层，对各候选媒体信息的内容特征对应的映射特征以及位置特征对应的映射特征的加和结果进行编码处理，得到各候选媒体信息对应的编码特征；然后通过第二推荐模型的特征连接层，将第二对象特征对应的映射特征以及各候选媒体信息对应的编码特征进行拼接处理，得到相应的拼接特征；最后通过第二推荐模型的特征预测层，基于拼接特征进行预测，得到各媒体信息候选序列的序列推荐分数。

具体地，该第二推荐模型可以是回归模型，也可以是分类模型。在通过第二推荐模型的特征预测层，基于拼接特征进行预测，得到各媒体信息候选序列的序列推荐分数时，可以通过回归模型基于拼接特征进行回归预测，得到各媒体信息候选序列的序列推荐分数，该序列推荐分数可以是目标对象针对目标媒体信息候选序列的点击概率(或者点击可能性)、也可以是表征目标对象针对目标媒体信息候选序列的点击概率(或者点击可能性)高低的数据等。

还可以通过分类模型基于拼接特征进行预测，得到各媒体信息候选序列的序列推荐分数时，该推荐分数可以是表征目标媒体信息候选序列是否被目标对象点击的数据，比如通过1表征被点击，通过0表征不被点击。

在一些实施例中，服务器可通过如下方式基于目标对象的第二对象特征、各媒体信息候选序列所包含的各候选媒体信息的内容特征以及位置特征，确定各媒体信息候选序列的序列推荐分数：针对每个媒体信息候选序列分别执行以下处理，以确定各媒体信息候选序列的序列推荐分数：通过神经网络模型，结合第二对象特征、各候选媒体信息的内容特征以及位置特征进行点击数据的分类预测，得到媒体信息序列对应的、至少两个类别的点击预测结果；获取各类别的点击预测结果对应的推荐权重值；基于至少两个类别的点击预测结果、以及各类别的点击预测结果对应的推荐权重值，确定媒体信息候选序列的序列推荐分数。

这里，该神经网络模型也可以是通过上述第二推荐模型的构建和训练方式得到，在本申请实施例中不作赘述。在实际应用中，该神经网络模型可以是分类预测模型，在计算每个媒体信息候选序列的序列推荐分数时，针对每个媒体信息候选序列均执行以下处理：可以将第二对象特征、各候选媒体信息的内容特征以及位置特征输入至神经网络模型，通过神经网络模型结合第二对象特征、各候选媒体信息的内容特征以及位置特征进行点击数据的分类预测，得到媒体信息候选序列对应的、至少两个类别的点击预测结果；可以预先针对各类别设置相应的推荐权重值，在得到媒体信息候选序列对应的、至少两个类别的点击预测结果后，获取各类别的点击预测结果对应的推荐权重值；从而基于至少两个类别的点击预测结果、以及各类别的点击预测结果对应的推荐权重值，确定媒体信息候选序列的序列推荐分数。

示例性地，上述神经网络模型对应的分类预测的类别可以包括无点击、点击1次、点击2次、点击3次及以上三种类别；通过神经网络模型预测得到媒体信息序列对应的、至少两个类别的点击预测结果：P(点击1次)、P(点击>＝2次)、P(点击>＝3次)、P(无点击)；然后获取各类别的点击预测结果对应的推荐权重值，比如P(点击1次)对应的推荐权重值1、P(点击>＝2次)对应的推荐权重值2、P(点击>＝3次)对应的推荐权重值3、P(无点击)对应的推荐权重值0。从而基于至少两个类别的点击预测结果、以及各类别的点击预测结果对应的推荐权重值，确定媒体信息序列的推荐分数score＝0*P(无点击)+1*P(点击1次)+2*P(点击>＝2次)+3*P(点击>＝3次)。

应用本申请上述实施例，在本申请实施例中，当对目标对象进行媒体信息推荐时，首先获取目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征，然后基于第一对象特征、各媒体信息序列的内容特征以及组合特征，确定各媒体信息序列的推荐分数，从而基于推荐分数，从该至少两个媒体信息序列中选取目标媒体信息序列推荐至目标对象对应的终端；这里，媒体信息序列包括至少两个类型的媒体信息，该组合特征包括：用于指示目标对象在不同场景下，针对媒体信息的类型的偏好的类型偏好特征、以及用于指示目标对象针对媒体信息的展示位置的偏好的位置偏好特征。

如此，在基于目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征进行媒体信息推荐时，既考虑到用户在不同场景下针对媒体信息类型的偏好，使得所推荐的信息类型多样化且更符合用户所处场景，满足用户需求，又考虑到用户针对媒体信息展示位置的偏好，方便用户对于个人喜好的信息进行点击查看，从而提高了媒体信息的推荐精确度和推荐效率。

下面将说明本申请实施例在一个实际的应用场景中的示例性应用。这里，媒体信息通过信息卡片的形式存在以推荐至用户的终端，因此，在本申请实施例中，媒体信息卡片即为媒体信息。

混排作为推荐系统的最后阶段，用于确定最终展现给用户的推荐列表及其展示顺序，其潜力近年来逐渐得到重视。在本申请实施例中，可以基于point-wise模型的混排、基于序列模型的混排以及基于重排序模型的混排的方案实现媒体信息的推荐。其中，基于point-wise模型的混排方案是使用第一对象特征、媒体信息特征、上下文特征等构建point-wise的混排模型，按推荐位置逐个预测出最优的媒体信息直到媒体信息序列长度达到最大槽位；基于序列模型的混排方案是使用基于point-wise的混排模型，按位置预测或统一对所有媒体信息进行预测，然后按照模型预测值和策略生成多个媒体信息序列候选集，进而通过序列模型预测最优的媒体信息序列结果；基于重排序模型的混排方案是通过建模物品之间的相互影响来对排序阶段给出的排序结果进行微调，不仅仅是尽可能优化损失函数，而且从特征空间上显式建模物品间的相互影响，按照模型对每个位置卡片的预测值，将序列结果重新排序一次。

用户在终端(比如手机端)使用媒体信息流产品时，因为屏幕大小的限制和异构媒体信息卡片的高度差异，每屏只能展示少数媒体信息卡片，所以用户要查看更多内容主要有两种滑动行为来实现，如图7所示，图7是本申请实施例提供的媒体信息获取指令的触发示意图，左图为下拉操作的刷新首屏异构卡片(图文、小视频、短视频卡片)的推荐示例(即通过下拉刷新触发媒体信息获取指令)，右图为上滑操作加载非首屏卡片推荐示例(即通过上滑操作触发媒体信息获取指令)。(1)下拉刷新：用户只消费首屏曝光的媒体信息卡片；(2)上滑加载：用户不停上滑，曝光出更多内容。

从图7可以看出不同种类的异构卡片的高度差异很大，比如短视频卡片的高度是图文卡片的近两倍，也就是说图文卡片的曝光效率是短视频卡片的两倍，且大概40％的用户只消费首屏的媒体信息卡片，所以首屏推荐效率极其重要。因此，在考虑首屏推荐效率的同时，必须针对不同异构媒体信息卡片的曝光效率设计排序策略，以平衡各类型的媒体信息卡片的曝光效率。且用户是否点击某个媒体信息卡片，不仅和该媒体信息卡片前面的媒体信息卡片有关，还和不同滑动行为下后面曝光的媒体信息卡片相关。

申请人在实施过程中发现，上述技术方案并没有考虑异构卡片的曝光效率会影响更为重要的首屏的推荐效率；且没有考虑用户是否点击某个媒体信息卡片，不仅和该媒体信息卡片前面的媒体信息卡片有关，还和不同滑动行为下后面曝光的媒体信息卡片相关，即没有考虑用户不同滑动行为隐含的用户不同的消费倾向信息会影响媒体信息的推荐效果。

基于此，本申请实施例还提供一种媒体信息的推荐方法，具体是基于用户滑动行为并综合考虑异构卡片曝光效率的媒体信息卡片组合与媒体信息卡片序列的推荐方法，包括：

第一，将首屏的媒体信息，采用异构的媒体信息卡片组合(即上述实施例中涉及的媒体信息序列)的方式进行推荐。用户下拉刷新时，使用卡片组合推荐模型(即上述实施例中涉及的第一推荐模型)预测候选集中包含的各种媒体信息卡片组合的推荐分数(比如CTR)。该卡片组合推荐模型除了考虑用户本身固有属性特征、请求上下文特征、用户对媒体信息卡片的内容的偏好特征之外，还输入了用户对媒体信息卡片组合的偏好特征(即上述实施例涉及的类型偏好特征)、用户对媒体信息卡片的展示位置的偏好特征(即上述实施例涉及的位置偏好特征)。

其中，类型偏好特征刻画了用户对各种异构的媒体信息卡片组合在不同时段、时段、网络状态下的偏好程度；位置偏好特征刻画了用户对各种异构的媒体信息卡片在不同位置、时段、网络状态下的偏好程度。

第二，针对非首屏的媒体信息，采用异构的媒体信息卡片序列(即上述实施例中涉及的媒体信息候选序列)的方式进行推荐。用户上滑刷新以及下拉获取的非首屏媒体信息，使用媒体信息CTR模型结合集束搜索策略，按照媒体信息的展示位置(即上述实施例涉及的信息推荐位)逐个位置挑选每个位置最优的topN(N>＝2)的候选媒体信息卡片，从而得到包含多个媒体信息卡片候选序列的集合，最后使用卡片序列推荐模型(即上述实施例涉及的第二推荐模型)挑选出最优的媒体信息卡片候选序列。这里，媒体信息CTR模型预测当前位置的候选媒体信息卡片时，会考虑前一位置所展示的媒体信息卡片的特征，从而考虑到“用户是否点击某个媒体信息卡片，是和该媒体信息卡片前面的媒体信息卡片有关的”这一信息。

参见图8，图8是本申请实施例提供的媒体信息的推荐方法的流程示意图。包括：

步骤201：开始。

步骤202：判断是否接收到下拉刷新指令，若是，执行步骤203，若否，执行步骤204。

这里，该下拉刷新指令用于获取首屏推荐位对应的媒体信息。

步骤203：通过卡片组合推荐模型，预测得到信息推荐序列中首屏推荐位对应的媒体信息卡片组合。

这里，该信息推荐序列为每次下拉刷新或者上滑加载所对应的多个媒体信息，比如每次下拉刷新或者上滑加载10条媒体信息。

具体是，通过卡片组合推荐模型预测每个媒体信息卡片组合的推荐分数，从而基于每个媒体信息卡片组合的推荐分数，选择推荐分数最高的媒体信息卡片组合，作为信息推荐序列中首屏推荐位对应的媒体信息卡片组合。

步骤204：针对非首屏的信息推荐位，通过集束搜索策略，生成包括至少两个媒体信息卡片候选序列的序列集合。

这里，非首屏的信息推荐位包括：下拉刷新时，信息推荐序列中除首屏推荐位的信息推荐位；以及上滑加载时，信息推荐序列中各个信息推荐位。

具体地，非首屏卡片由卡片ctr模型按位置预测出的卡片候选，最后通过集束搜索遍历固定的首屏卡片和每个位置都有两个候选的非首屏卡片生成候选序列list。

步骤205：通过卡片序列推荐模型，从包括至少两个媒体信息卡片候选序列的序列集合中，预测得到推荐序列中非首屏推荐位对应的媒体信息卡片候选序列。

具体是，通过卡片序列推荐模型预测每个媒体信息卡片候选序列的序列推荐分数，从而基于每个媒体信息卡片候选序列的序列推荐分数，选择序列推荐分数最高的媒体信息卡片候选序列，作为信息推荐序列中非首屏推荐位对应的媒体信息卡片候选序列。

步骤206：结束。

接下来分别对卡片组合推荐模型以及卡片序列推荐模型进行详细说明。

这里，将首屏的媒体信息采用异构卡片组合的方式进行推荐，在本申请实施例中采用卡片组合推荐模型来实现。卡片组合推荐模型是将多个媒体信息卡片按位置顺序组成的卡片组合作为一个item建模，特征和label的定义都是针对卡片组合构建的。卡片组合模型的输入特征除了常用的用户基本特征、item基本特征(包括卡片的高度特征)、上下文特征，还有针对卡片组合设计的卡片组合画像特征和卡片位置画像特征。下面进行详细说明：

(1)卡片组合容量。因为用户屏幕分辨率的不同和异构卡片的高度差异，每个用户首屏能直接曝光的卡片数(卡片组合容量)不是固定的，但是基于统计和构建样本的一致性考虑，需要确定一个固定的卡片组合容量。因为图文卡片高度最小所以本方案以图文卡片高度为基数计算，在本申请实施例中，可以取7天的产品数据统计得出卡片组合容量的中位数为4，所以本方案取前4位卡片作为首屏卡片，即将前4个卡片绑定成卡片组合进行建模。

(2)label定义。因为卡片组合是由4个卡片组成的，所以曝光、点击的label定义和普通ctr预估场景有一些区别，其中，

曝光：卡片组合中前两个卡片完全漏出就算卡片组合的有效曝光。

点击label：卡片组合模型的label是多分类的label，分为3类：无点击、点击1次，点击2次及以上。点击行为的定义是点击并消费时长大于等于6s。

所以线上预测score的时候每个训练样本得到3个打分，计算最终排序score＝P(点击1次)+2*P(点击>＝2次)。

(3)类型偏好特征与位置偏好特征。卡片组合画像特征刻画了用户对本业务各种异构卡片组合在不同时段、网络状态下的偏好程度；卡片位置画像特征刻画了用户对本业务各种异构卡片在不同位置、时段、网络状态下的偏好程度。

在实际应用中，为了刻画用户长期、短期、实时的卡片偏好，卡片组合与位置画像分别从3种时间窗口统计用户行为数据，包括：(1)年画像：当天往前统计一年数据；(2)月画像：当天往前统计一个月的数据；(3)session画像：统计用户当前最近50刷的数据。

在实际应用中，卡片组合画像特征与卡片位置画像特征在时间段和网络状态的统计维度可以是一致的，时间段划分如下：1)每天按小时划分成4段：凌晨(2-5点)，上午(6-11点)，下午(12点-18点)，晚上(19点-次日1点)；2)每周划分成周中和周末：周中(周一–周五，不包括周五晚上)，周末(周五晚上、周六、周日)，其中，周五晚上用户消费习惯比较特殊，所以也划分到了周末；网络状态划分：1)WIFI；2)4G；3)3G；4)2G；5)网络未知。

即，统计每个用户在时间窗口里，每次消费行为对应的时间段、网络状态、消费的卡片或者卡片组合，构建画像的基础数据。卡片组合画像特征与卡片位置画像特征的区别在于卡片位置画像特征多了位置这个统计维度，即卡片位置画像要统计用户在第一到第四位每个位置的偏好数据，比如在第一位图文卡片曝光、点击数，第二位图文卡片曝光、点击数等。

在实际实施时，用户画像的统计维度可以更细致一些，比如网络状态里的wifi是否是常用的wifi，因为有些用户在公司的WiFi和家里的WiFi的消费习惯也是有区别的；时间段的划分是因为数据稀疏性所以每天分成了4个段，这里也可以划分得更细致一些。

类型偏好特征与位置偏好特征的统计特征可以包括：

1)曝光数。类型偏好特征：卡片组合的曝光数，前两位卡片完全漏出就算曝光。位置偏好特征：各类型的每个卡片在每个位置的卡片的曝光次数。其中，卡片必须漏出50％的面积才算曝光。

2)点击数。类型偏好特征：分别统计点击一次、点击两次及以上的点击数，即有两个点击数特征。位置偏好特征：每个位置的卡片的点击次数。其中，卡片消费时长必须大于等于6s才算有效点击。

3)点击率：包括卡片组合的点击率、以及每个位置的卡片的点击率。

考虑部分用户的卡片或者组合曝光数较少，直接用点击数/曝光数得到的点击率不置信，所以使用Wilson Score计算，公式如下：

r＝pos/n

其中pos:点击数；n:曝光数；z:参数，一般取值2，即95％的置信度，

4)点击偏好：即刻画对某类(比如视频类)卡片的偏好、以及某种卡片组合的偏好。因为存在部分用户所有卡片点击率都偏高或者偏低，也是使用前面的Wilson Score计算，但是针对卡片组合的点击偏好：pos为某一类卡片点击数(比如视频卡片的点击数)；n为所有卡片的总点击数；

针对卡片类型的点击偏好：pos为某种卡片组合的点击数(比如<图文、视频、图文>的卡片组合的点击数)；n为所有卡片组合的点击数。

5)消费时长，包括对某类(比如视频类)卡片的消费时长、以及某种卡片组合的消费时长。具体统计用户在每个种类卡片或卡片组合上的消费总时长。

在实际应用中，当某个用户的类型偏好特征或者位置偏好特征获取失败时，采用该用户的人群画像所对应的类型偏好特征或者位置偏好特征，作为该用户的类型偏好特征或者位置偏好特征。具体地，人群画像的统计维度和用户画像一致，只是不是统计单个用户的消费行为，而是按不同维度将所有用户切分成不同的人群，按人群统计。切分维度可以如下：

1)年龄：0-6岁，7-12岁，13-15岁，16-18岁，19-22岁，23-25岁，26-30岁，31-40岁，41-50岁，大于50岁。

2)性别：男，女，未知。

3)活跃度：按用户最近30天的点击次数划分成：无曝光，低活跃度、中活跃度、高活跃度。

其中，针对非首屏的媒体信息的推荐，采用异构卡片序列的方式进行推荐，在本申请实施例中结合集束搜索，并采用卡片序列推荐模型来实现。卡片序列推荐模型是将上拉整刷的整个卡片序列作为一个item建模，使用的模型是tran sformer深度学习模型，下面进行详细说明。

(1)集束搜索。在本申请中，生成媒体信息卡片候选序列时，在保证推荐效果的前提下，为减少模型预测耗时，采用beam size＝10的集束搜索的方式根据卡片ctr模型的预测结果生成。在实际应用中，由于卡片ctr模型是通过每个位置都预测一遍来解决序列预测的问题，但耗时和性能是一个问题，可以考虑用一些debias的模型统一预测所有item，即只运行一次模型即可。

集束搜索是一种启发式图搜索算法，在图的解空间比较大的情况下，为了减少搜索所占用的空间和时间，在每一步深度扩展的时候，剪掉一些质量比较差的结点，保留下一些质量较高的结点。下面以beam size＝2为例解释具体过程：假设第一位按卡片ctr模型预测值排序的候选卡片为[a，b，c，d]，选择score最大的2个卡片a、b，那么当前卡片序列就是a或者b，将作为预测下一位的卡片时的卡片ctr模型的输入特征。

当以a为当前序列第二位按卡片ctr模型预测值排序的候选卡片为[d，e]，当以b为当前序列第二位按卡片ctr模型预测值排序的候选卡片为[f，g]，然后按照预测score从这4个序列ad、ae、bf、bg中选择最优的两个ad，ae作为当前序列。不断重复这个过程，直到预测完所有位置为止，最终输出2个概率最高的序列。上述步骤只能保证每一个位置的卡片为最优的，无法保证最终的卡片候选序列整体是最优的，因此，还需要卡片序列推荐模型来选择最优的卡片候选序列。

(2)特征与label。卡片序列推荐模型的特征主要是用户基本特征、item基本特征、上下文特征和用户卡片画像特征，用户卡片画像特征刻画了用户对本业务各种异构卡片在不同时段、网络状态下的偏好程度。

点击label：该模型为多分类模型，预测结果分为4类：无点击、点击1次，点击2次，点击3次及以上。

每个卡片候选序列的最终排序score的计算方式：score＝P(点击1次)+2*P(点击2次)+3*P(点击>＝3次)

(3)模型结构。卡片序列推荐模型采用transformer模型，优势在于：1)能从特征空间上显式建模卡片间的相互影响，而且两个卡片的距离不会影响其相关性的计算；2)transformer是并行计算，性能效率高。

如图9所示，图9是本申请实施例提供的卡片序列推荐模型的结构示意图，这里，该卡片序列推荐模型包括特征映射层、特征编码层以及特征预测层，在实际应用中，该卡片序列推荐模型可以是基于Transformer网络模型构建的。这里，其他特征指的是用户基本特征和上下文特征。每个位置(pos1、pos2、pos3等等)上item基本特征、位置特征和用户卡片画像特征的embedding加在一起之后输入transformer encoder模块(即特征编码层)，将输出的编码特征和其他特征concat之后经过MLP层之后得到预测结果，即输入的媒体信息卡片候选序列的序列推荐分数。这里，该位置特征为每个媒体信息卡片所处卡片序列中的序列位置，比如序列第一位、序列第二位等。

应用本申请上述实施例，第一，本申请中构建了卡片组合推荐模型，并获取了刻画用户对各种异构卡片组合在不同时段、网络状态下的偏好程度的类型偏好特征和刻画用户对首屏不同展示位置上不同卡片的偏好程度的位置偏好特征，提升了首屏推荐效率和用户体验，解决异构卡片组合的曝光效率影响用户首屏推荐效率的问题。第二，本申请中针对用户滑动行为隐含的用户不同的消费倾向设计了基于卡片组合与序列的模型和排序策略，提升整刷序列的推荐效率，解决因没考虑用户不同滑动行为影响整体推荐效率的问题。

下面继续说明本申请实施例提供的媒体信息的推荐装置555，在一些实施例中，媒体信息的推荐装置可采用软件模块的方式实现。参见图10，图10是本申请实施例提供的媒体信息的推荐装置555的结构示意图，本申请实施例提供的媒体信息的推荐装置555包括：

获取模块5551，用于获取目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征；

其中，所述媒体信息序列包括至少两个类型的媒体信息，所述组合特征包括：所述媒体信息的类型偏好特征及位置偏好特征；

其中，所述类型偏好特征，用于指示所述目标对象在不同场景下，针对所述媒体信息的类型的偏好，所述位置偏好特征，用于指示所述目标对象针对所述媒体信息的展示位置的偏好；

确定模块5552，用于基于所述第一对象特征、各所述媒体信息序列的内容特征以及组合特征，确定各所述媒体信息序列的推荐分数；

推荐模块5553，用于基于各所述媒体信息序列的推荐分数，从所述至少两个媒体信息序列中选取目标媒体信息序列，并将所述目标媒体信息序列推荐至所述目标对象对应的终端。

在一些实施例中，所述获取模块5551，还用于获取所述目标对象的第一群体特征，以及至少两个预先设置的对象群的第二群体特征，每个所述对象群包括至少两个对象；

将所述目标对象的第一群体特征，与各所述对象群的第二群体特征分别进行特征匹配，以确定所述第一群体特征与各所述第二群体特征的匹配度，并将与所述第一群体特征的匹配度最高的第二群体特征所对应的对象群，作为目标对象群；

获取所述待推荐的至少两个媒体信息序列的内容特征，并获取所述目标对象群的群第一对象特征、以及所述目标对象群对应所述至少两个媒体信息序列的群组合特征；

将所述群第一对象特征作为所述目标对象的第一对象特征，并将所述群组合特征作为所述目标对象对应所述至少两个媒体信息序列的组合特征。

在一些实施例中，所述获取模块5551，还用于获取所述目标对象的用户数据、待推荐的至少两个媒体信息序列的内容数据以及组合数据；其中，所述组合数据包括：所述媒体信息的类型偏好数据及位置偏好数据；

通过第一推荐模型的特征提取层，对所述用户数据、待推荐的至少两个媒体信息序列的内容数据以及组合数据分别进行特征提取，得到所述目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征；

所述基于所述第一对象特征、各所述媒体信息序列的内容特征以及组合特征，确定各所述媒体信息序列的推荐分数，包括：

通过所述第一推荐模型的特征预测层，结合所述第一对象特征、各所述媒体信息序列的内容特征以及组合特征进行预测，得到各所述媒体信息序列的推荐分数。

在一些实施例中，所述装置还包括：

第一训练模块，用于获取训练样本对应的样本第一对象特征、样本内容特征以及样本组合特征，所述训练样本标注有相应的样本标签；

其中，所述训练样本包括至少两个类型的媒体信息样本，所述样本组合特征包括：所述媒体信息样本的样本类型偏好特征及样本位置偏好特征；

其中，所述样本类型偏好特征，用于指示相应样本用户在不同场景下，针对相应媒体信息样本的类型的偏好，所述样本位置偏好特征，用于指示相应样本用户针对相应媒体信息样本的展示位置的偏好；

将所述样本第一对象特征、样本内容特征以及样本组合特征输入至所述第一推荐模型中，通过所述第一推荐模型进行推荐分数的预测，得到相应的预测结果；

获取所述预测结果与相应的样本标签之间的差异；

基于所述差异，更新所述第一推荐模型的模型参数。

在一些实施例中，所述确定模块5552，还用于针对每个所述媒体信息序列分别执行以下处理，以确定各所述媒体信息序列的推荐分数：

通过神经网络模型，结合所述第一对象特征、所述媒体信息序列的内容特征以及组合特征进行点击数据的分类预测，得到所述媒体信息序列对应的、至少两个类别的点击预测结果；

获取各所述类别的点击预测结果对应的推荐权重值；

基于所述至少两个类别的点击预测结果、以及各所述类别的点击预测结果对应的推荐权重值，确定所述媒体信息序列的推荐分数。

在一些实施例中，所述推荐模块5553，还用于接收到所述终端发送的媒体信息序列的获取请求，所述获取请求为，所述终端响应针对首屏推荐位的媒体信息获取指令所触发；

发送所述目标媒体信息序至所述终端，以通过所述终端的首屏推荐位展示所述目标媒体信息序列。

在一些实施例中，所述目标媒体信息序列通过所述终端的首屏推荐位展示，所述推荐模块5553，还用于针对候选推荐位序列中的各信息推荐位，获取至少两个候选媒体信息，以得到所述候选推荐位序列对应的至少两个媒体信息候选序列，其中，所述候选推荐位序列处于非首屏且包括至少两个信息推荐位；

获取所述目标对象的第二对象特征、各所述媒体信息候选序列所包含的各候选媒体信息的内容特征以及位置特征；

基于所述目标对象的第二对象特征、各所述媒体信息候选序列所包含的各候选媒体信息的内容特征以及位置特征，确定各所述媒体信息候选序列的序列推荐分数；

基于各所述媒体信息候选序列的序列推荐分数，从所述至少两个媒体信息候选序列中选取目标媒体信息候选序列，并将所述目标媒体信息候选序列推荐至所述目标对象对应的终端，以

通过处于非首屏的候选推荐位序列展示所述目标媒体信息候选序列。

在一些实施例中，所述推荐模块5553，还用于针对处于所述候选推荐位序列中第一位的信息推荐位，对待推荐的各第一媒体信息进行点击数据预测，得到各所述第一媒体信息对应的预测点击数据；

基于各所述第一媒体信息对应的预测点击数据，选择至少两个第一媒体信息作为处于所述第一位的推荐信息位对应的至少两个候选媒体信息；

针对处于所述候选推荐位序列中非第一位的各信息推荐位，执行以下处理，以得到所述候选推荐位序列对应的至少两个媒体信息候选序列：

结合当前位前一位的信息推荐位对应的至少两个候选媒体信息，对不同于所述候选媒体信息的各第二媒体信息进行点击数据预测，得到各所述第二媒体信息对应的预测点击数据；

基于各所述第二媒体信息对应的预测点击数据，选择至少两个第二媒体信息作为处于当前位的推荐信息位对应的至少两个候选媒体信息。

在一些实施例中，所述推荐模块5553，还用于通过第二推荐模型的特征映射层，对所述目标对象的第二对象特征、各所述候选媒体信息的内容特征以及位置特征，分别进行映射处理，得到相应的映射特征；

通过所述第二推荐模型的特征编码层，对各所述候选媒体信息的内容特征对应的映射特征以及位置特征对应的映射特征的加和结果进行编码处理，得到各所述候选媒体信息对应的编码特征；

通过所述第二推荐模型的特征连接层，将所述第二对象特征对应的映射特征以及各所述候选媒体信息对应的编码特征进行拼接处理，得到相应的拼接特征；

通过所述第二推荐模型的特征预测层，基于所述拼接特征进行预测，得到各所述媒体信息候选序列的序列推荐分数。

在一些实施例中，所述装置还包括：

第二训练模块，用于获取训练样本对应的样本第二对象特征、样本内容特征以及样本位置特征，所述训练样本标注有相应的样本标签；

其中，所述训练样本包括至少两个媒体信息，所述样本内容特征包括各所述媒体信息的内容特征，所述样本位置特征包括各所述媒体信息的位置特征；

将所述样本第二对象特征、样本内容特征以及样本位置特征输入至所述第二推荐模型中，通过所述第二推荐模型进行推荐分数的预测，得到相应的预测结果；

获取所述预测结果与相应的样本标签之间的差异；

基于所述差异，更新所述第一推荐模型的模型参数。

在一些实施例中，所述推荐模块5553，还用于针对每个所述媒体信息候选序列分别执行以下处理，以确定各所述媒体信息候选序列的序列推荐分数：

通过神经网络模型，结合所述第二对象特征、各所述候选媒体信息的内容特征以及位置特征进行点击数据的分类预测，得到所述媒体信息序列对应的、至少两个类别的点击预测结果；

获取各所述类别的点击预测结果对应的推荐权重值；

基于所述至少两个类别的点击预测结果、以及各所述类别的点击预测结果对应的推荐权重值，确定所述媒体信息候选序列的序列推荐分数。

在一些实施例中，所述推荐模块5553，还用于将携带显示样式信息的所述目标媒体信息序列，推荐至所述目标对象对应的终端；

其中，所述显示样式信息，用于指示所述目标媒体信息序列中各类型媒体信息所对应的显示样式。

应用本申请上述实施例，在本申请实施例中，当对目标对象进行媒体信息推荐时，首先获取目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征，然后基于第一对象特征、各媒体信息序列的内容特征以及组合特征，确定各媒体信息序列的推荐分数，从而基于推荐分数，从该至少两个媒体信息序列中选取目标媒体信息序列推荐至目标对象对应的终端；这里，媒体信息序列包括至少两个类型的媒体信息，该组合特征包括：用于指示目标对象在不同场景下，针对媒体信息的类型的偏好的类型偏好特征、以及用于指示目标对象针对媒体信息的展示位置的偏好的位置偏好特征。

如此，在基于目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征进行媒体信息推荐时，既考虑到用户在不同场景下针对媒体信息类型的偏好，使得所推荐的信息类型多样化且更符合用户所处场景，满足用户需求，又考虑到用户针对媒体信息展示位置的偏好，方便用户对于个人喜好的信息进行点击查看，从而提高了媒体信息的推荐精确度和推荐效率。

本申请实施例还提供一种电子设备，所述电子设备包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的媒体信息的推荐方法。

本申请实施例还提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本申请实施例提供的媒体信息的推荐方法。

本申请实施例还提供一种计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时，实现本申请实施例提供的媒体信息的推荐方法。

在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。

在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。

作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。

作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

以上所述，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。

Claims (15)

1.一种媒体信息的推荐方法，其特征在于，所述方法包括：

获取目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征；

其中，所述媒体信息序列包括至少两个类型的媒体信息，所述组合特征包括：所述媒体信息的类型偏好特征及位置偏好特征；

其中，所述类型偏好特征，用于指示所述目标对象在不同场景下，针对所述媒体信息的类型的偏好，所述位置偏好特征，用于指示所述目标对象针对所述媒体信息的展示位置的偏好；

基于所述第一对象特征、各所述媒体信息序列的内容特征以及组合特征，确定各所述媒体信息序列的推荐分数；

基于各所述媒体信息序列的推荐分数，从所述至少两个媒体信息序列中选取目标媒体信息序列，并将所述目标媒体信息序列推荐至所述目标对象对应的终端。

2.如权利要求1所述的方法，其特征在于，所述获取目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征，包括：

获取所述目标对象的第一群体特征，以及至少两个预先设置的对象群的第二群体特征，每个所述对象群包括至少两个对象；

将所述目标对象的第一群体特征，与各所述对象群的第二群体特征分别进行特征匹配，以确定所述第一群体特征与各所述第二群体特征的匹配度，并将与所述第一群体特征的匹配度最高的第二群体特征所对应的对象群，作为目标对象群；

获取所述待推荐的至少两个媒体信息序列的内容特征，并获取所述目标对象群的群第一对象特征、以及所述目标对象群对应所述至少两个媒体信息序列的群组合特征；

将所述群第一对象特征作为所述目标对象的第一对象特征，并将所述群组合特征作为所述目标对象对应所述至少两个媒体信息序列的组合特征。

3.如权利要求1所述的方法，其特征在于，所述获取目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征，包括：

获取所述目标对象的用户数据、待推荐的至少两个媒体信息序列的内容数据以及组合数据；其中，所述组合数据包括：所述媒体信息的类型偏好数据及位置偏好数据；

通过第一推荐模型的特征提取层，对所述用户数据、待推荐的至少两个媒体信息序列的内容数据以及组合数据分别进行特征提取，得到所述目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征；

所述基于所述第一对象特征、各所述媒体信息序列的内容特征以及组合特征，确定各所述媒体信息序列的推荐分数，包括：

通过所述第一推荐模型的特征预测层，结合所述第一对象特征、各所述媒体信息序列的内容特征以及组合特征进行预测，得到各所述媒体信息序列的推荐分数。

4.如权利要求3所述的方法，其特征在于，所述方法还包括：

获取训练样本对应的样本第一对象特征、样本内容特征以及样本组合特征，所述训练样本标注有相应的样本标签；

其中，所述训练样本包括至少两个类型的媒体信息样本，所述样本组合特征包括：所述媒体信息样本的样本类型偏好特征及样本位置偏好特征；

其中，所述样本类型偏好特征，用于指示相应样本用户在不同场景下，针对相应媒体信息样本的类型的偏好，所述样本位置偏好特征，用于指示相应样本用户针对相应媒体信息样本的展示位置的偏好；

将所述样本第一对象特征、样本内容特征以及样本组合特征输入至所述第一推荐模型中，通过所述第一推荐模型进行推荐分数的预测，得到相应的预测结果；

获取所述预测结果与相应的样本标签之间的差异；

基于所述差异，更新所述第一推荐模型的模型参数。

5.如权利要求1所述的方法，其特征在于，所述基于所述第一对象特征、各所述媒体信息序列的内容特征以及组合特征，确定各所述媒体信息序列的推荐分数，包括：

针对每个所述媒体信息序列分别执行以下处理，以确定各所述媒体信息序列的推荐分数：

通过神经网络模型，结合所述第一对象特征、所述媒体信息序列的内容特征以及组合特征进行点击数据的分类预测，得到所述媒体信息序列对应的、至少两个类别的点击预测结果；

获取各所述类别的点击预测结果对应的推荐权重值；

基于所述至少两个类别的点击预测结果、以及各所述类别的点击预测结果对应的推荐权重值，确定所述媒体信息序列的推荐分数。

6.如权利要求1所述的方法，其特征在于，所述将所述目标媒体信息序列推荐至所述目标对象对应的终端，包括：

接收到所述终端发送的媒体信息序列的获取请求，所述获取请求为，所述终端响应针对首屏推荐位的媒体信息获取指令所触发；

发送所述目标媒体信息序至所述终端，以通过所述终端的首屏推荐位展示所述目标媒体信息序列。

7.如权利要求1所述的方法，其特征在于，所述目标媒体信息序列通过所述终端的首屏推荐位展示，所述方法还包括：

针对候选推荐位序列中的各信息推荐位，获取至少两个候选媒体信息，以得到所述候选推荐位序列对应的至少两个媒体信息候选序列，其中，所述候选推荐位序列处于非首屏且包括至少两个信息推荐位；

获取所述目标对象的第二对象特征、各所述媒体信息候选序列所包含的各候选媒体信息的内容特征以及位置特征；

基于所述目标对象的第二对象特征、各所述媒体信息候选序列所包含的各候选媒体信息的内容特征以及位置特征，确定各所述媒体信息候选序列的序列推荐分数；

基于各所述媒体信息候选序列的序列推荐分数，从所述至少两个媒体信息候选序列中选取目标媒体信息候选序列，并将所述目标媒体信息候选序列推荐至所述目标对象对应的终端，以

通过处于非首屏的候选推荐位序列展示所述目标媒体信息候选序列。

8.如权利要求7所述的方法，其特征在于，所述针对候选推荐位序列中的各信息推荐位，获取至少两个候选媒体信息，以得到所述候选推荐位序列对应的至少两个媒体信息候选序列，包括：

针对处于所述候选推荐位序列中第一位的信息推荐位，对待推荐的各第一媒体信息进行点击数据预测，得到各所述第一媒体信息对应的预测点击数据；

基于各所述第一媒体信息对应的预测点击数据，选择至少两个第一媒体信息作为处于所述第一位的推荐信息位对应的至少两个候选媒体信息；

针对处于所述候选推荐位序列中非第一位的各信息推荐位，执行以下处理，以得到所述候选推荐位序列对应的至少两个媒体信息候选序列：

结合当前位前一位的信息推荐位对应的至少两个候选媒体信息，对不同于所述候选媒体信息的各第二媒体信息进行点击数据预测，得到各所述第二媒体信息对应的预测点击数据；

基于各所述第二媒体信息对应的预测点击数据，选择至少两个第二媒体信息作为处于当前位的推荐信息位对应的至少两个候选媒体信息。

9.如权利要求7所述的方法，其特征在于，所述基于所述目标对象的第二对象特征、各所述媒体信息候选序列所包含的各候选媒体信息的内容特征以及位置特征，确定各所述媒体信息候选序列的序列推荐分数，包括：

通过第二推荐模型的特征映射层，对所述目标对象的第二对象特征、各所述候选媒体信息的内容特征以及位置特征，分别进行映射处理，得到相应的映射特征；

通过所述第二推荐模型的特征编码层，对各所述候选媒体信息的内容特征对应的映射特征以及位置特征对应的映射特征的加和结果进行编码处理，得到各所述候选媒体信息对应的编码特征；

通过所述第二推荐模型的特征连接层，将所述第二对象特征对应的映射特征以及各所述候选媒体信息对应的编码特征进行拼接处理，得到相应的拼接特征；

通过所述第二推荐模型的特征预测层，基于所述拼接特征进行预测，得到各所述媒体信息候选序列的序列推荐分数。

10.如权利要求9所述的方法，其特征在于，所述方法还包括：

获取训练样本对应的样本第二对象特征、样本内容特征以及样本位置特征，所述训练样本标注有相应的样本标签；

其中，所述训练样本包括至少两个媒体信息，所述样本内容特征包括各所述媒体信息的内容特征，所述样本位置特征包括各所述媒体信息的位置特征；

将所述样本第二对象特征、样本内容特征以及样本位置特征输入至所述第二推荐模型中，通过所述第二推荐模型进行推荐分数的预测，得到相应的预测结果；

获取所述预测结果与相应的样本标签之间的差异；

基于所述差异，更新所述第一推荐模型的模型参数。

11.如权利要求7所述的方法，其特征在于，所述基于所述目标对象的第二对象特征、各所述媒体信息候选序列所包含的各候选媒体信息的内容特征以及位置特征，确定各所述媒体信息候选序列的序列推荐分数，包括：

针对每个所述媒体信息候选序列分别执行以下处理，以确定各所述媒体信息候选序列的序列推荐分数：

通过神经网络模型，结合所述第二对象特征、各所述候选媒体信息的内容特征以及位置特征进行点击数据的分类预测，得到所述媒体信息序列对应的、至少两个类别的点击预测结果；

获取各所述类别的点击预测结果对应的推荐权重值；

基于所述至少两个类别的点击预测结果、以及各所述类别的点击预测结果对应的推荐权重值，确定所述媒体信息候选序列的序列推荐分数。

12.如权利要求1所述的方法，其特征在于，所述将所述目标媒体信息序列推荐至所述目标对象对应的终端，包括：

将携带显示样式信息的所述目标媒体信息序列，推荐至所述目标对象对应的终端；

其中，所述显示样式信息，用于指示所述目标媒体信息序列中各类型媒体信息所对应的显示样式。

13.一种媒体信息的推荐装置，其特征在于，所述装置包括：

获取模块，用于获取目标对象的第一对象特征、待推荐的至少两个媒体信息序列的内容特征以及组合特征；

其中，所述媒体信息序列包括至少两个类型的媒体信息，所述组合特征包括：所述媒体信息的类型偏好特征及位置偏好特征；

其中，所述类型偏好特征，用于指示所述目标对象在不同场景下，针对所述媒体信息的类型的偏好，所述位置偏好特征，用于指示所述目标对象针对所述媒体信息的展示位置的偏好；

确定模块，用于基于所述第一对象特征、各所述媒体信息序列的内容特征以及组合特征，确定各所述媒体信息序列的推荐分数；

推荐模块，用于基于各所述媒体信息序列的推荐分数，从所述至少两个媒体信息序列中选取目标媒体信息序列，并将所述目标媒体信息序列推荐至所述目标对象对应的终端。

14.一种电子设备，其特征在于，所述电子设备包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现如权利要求1至12任一项所述的媒体信息的推荐方法。

15.一种计算机可读存储介质，其特征在于，存储有可执行指令，所述可执行指令被执行时，用于实现如权利要求1至12任一项所述的媒体信息的推荐方法。

Images