CN116089745A - 信息推荐方法、装置、电子设备及计算机可读存储介质 - Google Patents

信息推荐方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN116089745A
CN116089745A CN202111283043.1A CN202111283043A CN116089745A CN 116089745 A CN116089745 A CN 116089745A CN 202111283043 A CN202111283043 A CN 202111283043A CN 116089745 A CN116089745 A CN 116089745A
Authority
CN
China
Prior art keywords
information
style
display style
display
target
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
CN202111283043.1A
Other languages
English (en)
Inventor
韩瑞
吴琴
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202111283043.1A priority Critical patent/CN116089745A/zh
Publication of CN116089745A publication Critical patent/CN116089745A/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
    • G06F16/9538—Presentation of query results
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本申请提供了一种信息推荐方法、装置、电子设备及计算机可读存储介质；方法包括：获取待推荐的信息的信息特征、目标对象的对象特征以及多个展示样式的各自的样式特征；将信息的信息特征、目标对象的对象特征分别与每个展示样式的样式特征进行融合处理，得到对应每个展示样式的融合特征；基于对应每个展示样式的融合特征，确定通过每个展示样式的推荐参数；其中，推荐参数表征通过展示样式展示信息时目标对象的偏好程度；将最高推荐参数的展示样式作为信息的目标展示样式，基于信息和目标展示样式响应针对目标对象的推荐请求。通过本申请，能够丰富推荐信息的展示样式，进而满足不同对象的个性化的需求。

Description

信息推荐方法、装置、电子设备及计算机可读存储介质
技术领域
本申请涉及互联网技术领域，尤其涉及一种信息推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
互联网特别是移动互联网的普及，使得信息推荐成为获取信息的重要途径。推荐信息流是基于用户的兴趣(例如美食、游戏、电影、运动等)和行为(例如点赞、收藏、评论、转发等)进行离线或者用户请求时在线计算得出多个匹配的信息提供给用户进行浏览。
然而，相关技术提供的方案中，通常是以固定的展示样式来显示推荐信息的，即针对同一个推荐信息，以相同的展示样式在不同用户的终端设备上进行显示，也就是说，相关技术中，推荐信息的展示样式比较单一，无法满足不同用户的个性化需求。
发明内容
本申请实施例提供一种信息推荐方法、装置、电子设备、计算机可读存储介质及计算机程序产品，能够丰富推荐信息的展示样式，进而满足不同对象的个性化的需求。
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信息推荐方法，包括：
获取待推荐的信息的信息特征、目标对象的对象特征以及多个展示样式的各自的样式特征；
将所述信息的信息特征、所述目标对象的对象特征分别与每个所述展示样式的样式特征进行融合处理，得到对应每个所述展示样式的融合特征；
基于对应每个所述展示样式的融合特征，确定通过每个所述展示样式的推荐参数；其中，所述推荐参数表征通过所述展示样式展示所述信息时所述目标对象的偏好程度；
将最高推荐参数的展示样式作为所述信息的目标展示样式，基于所述信息和所述目标展示样式响应针对所述目标对象的推荐请求。
本申请实施例提供一种信息推荐装置，包括：
获取模块，用于获取待推荐的信息的信息特征、目标对象的对象特征以及多个展示样式的各自的样式特征；
融合模块，用于将所述信息的信息特征、所述目标对象的对象特征分别与每个所述展示样式的样式特征进行融合处理，得到对应每个所述展示样式的融合特征；
确定模块，用于基于对应每个所述展示样式的融合特征，确定通过每个所述展示样式的推荐参数；其中，所述推荐参数表征通过所述展示样式展示所述信息时所述目标对象的偏好程度；
所述确定模块，还用于将最高推荐参数的展示样式作为所述信息的目标展示样式，基于所述信息和所述目标展示样式响应针对所述目标对象的推荐请求。
上述方案中，所述获取模块，还用于对所述待推荐的信息包括的第一类别特征进行嵌入处理，得到所述第一类别特征的向量表示，对所述信息包括的第一数值特征进行归一化处理，得到所述第一数值特征的向量表示，对所述第一类别特征的向量表示和所述第一数值特征的向量表示进行拼接处理，得到所述信息的信息特征；对所述目标对象包括的第二类别特征进行嵌入处理，得到所述第二类别特征的向量表示，对所述目标对象包括的第二数值特征进行归一化处理，得到所述第二数值特征的向量表示，对所述第二类别特征的向量表示和所述第二数值特征的向量表示进行拼接处理，得到所述目标对象的对象特征；针对所述多个展示样式中的每个展示样式执行以下处理：对所述展示样式包括的第三类别特征进行嵌入处理，得到所述第三类别特征的向量表示，对所述展示样式包括的第三数值特征进行归一化处理，得到所述第三数值特征的向量表示，对所述第三类别特征的向量表示和所述第三数值特征的向量表示进行拼接处理，得到所述展示样式的样式特征。
上述方案中，所述推荐参数是通过调用神经网络模型确定的；所述确定模块，还用于针对每个所述展示样式的融合特征，执行以下处理：通过所述神经网络模型包括的多个激活层对所述展示样式的融合特征进行级联的多次非线性变换处理，得到通过所述展示样式展示所述信息时对应的推荐参数。
上述方案中，每个对象类型对应一个预训练的神经网络模型；所述装置还包括对象类型识别模块，用于对所述目标对象进行对象类型识别处理，得到所述目标对象所属的对象类型；所述确定模块，还用于获取与所述目标对象所属的对象类型对应的目标神经网络模型，并基于所述目标神经网络模型包括的多个激活层，对所述展示样式的融合特征进行级联的多次非线性变换处理，得到通过所述展示样式展示所述信息时对应的推荐参数。
上述方案中，每个信息类型对应一个预训练的神经网络模型；所述装置还包括信息类型识别模块，用于对所述待推荐的信息进行信息类型识别处理，得到所述信息所属的信息类型；所述确定模块，还用于获取与所述信息所属的信息类型对应的目标神经网络模型，并基于所述目标神经网络模型包括的多个激活层，对所述展示样式的融合特征进行级联的多次非线性变换处理，得到通过所述展示样式展示所述信息时对应的推荐参数。
上述方案中，每个展示样式对应一个预训练的神经网络模型；所述确定模块，还用于获取与所述展示样式对应的目标神经网络模型，并基于所述目标神经网络模型包括的多个激活层，对所述展示样式的融合特征进行级联的多次非线性变换处理，得到通过所述展示样式展示所述信息时对应的推荐参数。
上述方案中，所述装置还包括训练模块，用于通过以下方式训练所述神经网络模型：获取样本信息的信息特征、样本对象的对象特征以及多个样本展示样式的各自的样式特征；将所述样本信息的信息特征、所述样本对象的对象特征分别与每个所述样本展示样式的样式特征进行融合处理，得到对应每个所述样本展示样式的融合特征；基于对应每个所述样本展示样式的融合特征进行正向传播，得到预测结果；确定所述预测结果与所述样本信息的标记数据之间的差异，并基于所述差异进行反向传播，在反向传播过程中逐层更新所述神经网络模型的参数；其中，所述标记数据包括通过每个所述样本展示样式展示所述样本信息时所述样本对象对应的反馈数据。
上述方案中，所述获取模块，还用于获取所述样本信息的标识，将所述样本信息的标识与信息特征库进行关联，得到所述样本信息的信息特征；获取所述样本对象的标识，将所述样本对象的标识与对象特征库进行关联，得到所述样本对象的对象特征；针对所述多个样本展示样式中的每个样本展示样式，执行以下处理：获取所述样本展示样式的标识，将所述样本展示样式的标识与样式特征库进行关联，得到所述样本展示样式的样式特征。
上述方案中，所述装置还包括接收模块，用于接收终端设备发送的针对所述目标对象的推荐请求；所述确定模块，还用于当所述目标对象为冷启动对象时，从信息库中获取排序在前的多个候选信息，并将所述排序在前的多个候选信息作为所述待推荐的信息；当所述目标对象为非冷启动对象时，获取所述目标对象的历史行为数据；根据所述历史行为数据确定所述目标对象的画像信息；从信息库中获取与所述目标对象的画像信息匹配的多个候选信息，并将所述匹配的多个候选信息作为所述待推荐的信息。
上述方案中，所述确定模块，还用于当接收到终端设备发送的针对所述目标对象的推荐请求时，执行以下处理至少之一：从对象库中获取与所述目标对象的对象特征之间的相似度大于相似度阈值的候选对象，获取所述候选对象偏好的信息，将所述偏好的信息作为所述待推荐的信息；获取所述目标对象的历史偏好信息，确定所述历史偏好信息的信息特征，从信息库中获取与所述历史偏好信息的信息特征之间的相似度大于相似度阈值的多个候选信息，将所述多个候选信息作为所述待推荐的信息。
本申请实施例提供一种信息推荐方法，包括：
接收针对目标对象待推荐的至少一个信息、以及每个所述信息的目标展示样式；
在人机交互界面中，基于每个所述信息的目标展示样式显示所述至少一个信息；
其中，每个所述信息的所述目标展示样式，是基于所述信息的信息特征、所述目标对象的对象特征、以及多个候选的展示样式各自的样式特征，从所述多个候选的展示样式中选定的。
本申请实施例提供一种信息推荐装置，包括：
接收模块，用于接收针对目标对象待推荐的至少一个信息、以及每个所述信息的目标展示样式；
显示模块，用于在人机交互界面中，基于每个所述信息的目标展示样式显示所述至少一个信息；
其中，每个所述信息的所述目标展示样式，是基于所述信息的信息特征、所述目标对象的对象特征、以及多个候选的展示样式各自的样式特征，从所述多个候选的展示样式中选定的。
本申请实施例提供一种电子设备，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信息推荐方法。
本申请实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现本申请实施例提供的信息推荐方法。
本申请实施例提供一种计算机程序产品，包括计算机程序或指令，所述计算机程序或指令被处理器执行时，实现本申请实施例提供的信息推荐方法。
本申请实施例具有以下有益效果：
基于待推荐的信息的信息特征、目标对象的对象特征、以及多个候选的展示样式各自的样式特征，从多个候选的展示样式中选定待推荐的信息的目标展示样式，以通过目标展示样式显示待推荐的信息，如此，由于待推荐的信息的目标展示样式是与目标对象的对象特征相关的，因此针对同一个信息，不同对象对应的目标展示样式是不同的，丰富了推荐信息的展示样式，满足了不同对象的个性化的需求。
附图说明
图1是本申请实施例提供的信息推荐系统100的架构示意图；
图2是本申请实施例提供的服务器200的结构示意图；
图3是本申请实施例提供的终端设备400的结构示意图；
图4是本申请实施例提供的信息推荐方法的流程示意图；
图5是本申请实施例提供的信息推荐方法的流程示意图；
图6是相关技术提供的广告样式示意图；
图7是相关技术提供的不同的广告样式示意图；
图8是相关技术提供的不同类型的物品展示示意图；
图9是本申请实施例提供的多个候选的广告样式示意图；
图10是本申请实施例提供的多个候选的广告样式示意图；
图11是本申请实施例提供的广告推荐系统的架构示意图；
图12是本申请实施例提供的模型构建及训练示意图。
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)嵌入(Embedding)：实质是一种映射，即从语义空间到向量空间的映射，同时尽可能在向量空间保持原样本在语义空间的关系，例如语义接近的两个词在向量空间中的位置也比较接近。
2)神经网络模型(NN，Nerual Network)：由许多逻辑单元(Logistics Unit)按照不同的层级组织起来的网络，每一层的输出变量作为下一层的输入变量，神经网络模型在系统辨识、模式识别、智能控制等领域有着广泛的应用前景。
3)数值特征(Numerical Feature)：即可以被实际测量的特征，例如广告的曝光量、点击量，商品的访问次数、加入购物车次数、最终销量等。
4)类别特征(Categorical Feature)：指只在有限选项内取值的特征，例如性别(男、女)、成绩等级(例如分为A、B、C)等。
5)冷启动对象：即没有历史行为数据或者历史行为数据很少的对象，例如新用户。
6)级联：在非线性变换处理的过程中，级联是指前一层的非线性变换处理和后一层的非线性变换处理之间的依赖关系，即前一层的非线性变换处理依赖于后一层的非线性变换处理。
本申请实施例提供一种信息推荐方法、装置、电子设备、计算机可读存储介质及计算机程序产品，能够丰富推荐信息的展示样式，进而满足不同对象的个性化的需求。下面说明本申请实施例提供的电子设备的示例性应用，本申请实施例提供的电子设备可以实施为笔记本电脑，平板电脑，台式计算机，机顶盒，移动设备(例如，移动电话，便携式音乐播放器，个人数字助理，专用消息设备，便携式游戏设备)，车载终端等各种类型的终端设备，也可以实施为服务器，或者由终端设备和服务器协同实施。下面，将以终端设备和服务器协同实施本申请实施例提供的信息推荐方法为例进行说明。
参见图1，图1是本申请实施例提供的信息推荐系统100的架构示意图，为实现支撑一个丰富推荐信息的展示样式的应用，终端设备400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。
如图1所示，终端设备400上运行有客户端410，客户端410可以是各种类型的客户端，例如即时通信客户端、社交媒体客户端、资讯类阅读客户端、电商类购物客户端、浏览器等，响应于针对客户端410的刷新(例如客户端410接收到用户触发的下拉刷新操作、或者接收到针对人机交互界面中显示的刷新按钮的点击操作、或者客户端410被启动，例如用户点击了终端设备400的人机交互界面中显示的客户端410对应的图标)，通过网络300向服务器200发送针对目标对象的推荐请求。
服务器200在接收到客户端410发送的推荐请求之后，从数据库500中获取与目标对象的对象特征匹配的候选信息，作为待推荐的信息；接着服务器200获取待推荐的信息的信息特征、目标对象的对象特征(例如用户A的用户特征)以及多个候选的展示样式各自的样式特征，并将信息的信息特征、目标对象的对象特征分别与每个展示样式的样式特征进行融合处理，得到对应每个展示样式的融合特征；随后服务器200基于对应每个展示样式的融合特征，确定通过每个展示样式的推荐参数(例如点击率、打分等)，其中，推荐参数表征通过展示样式展示信息时目标对象的偏好程度；最后服务器200将最高推荐参数的展示样式作为信息的目标展示样式，并将针对目标对象待推荐的至少一个信息、以及每个信息的目标展示样式发送给终端设备400，从而终端设备400可以调用客户端410的人机交互界面，在人机交互界面中，基于每个信息的目标展示样式显示至少一个信息，如此，丰富了推荐信息的展示样式，满足了不同用户个性化的需求，进而也提高了用户的视觉体验。
在另一些实施例中，也可以由终端设备单独实施本申请实施例提供的信息推荐方法，例如以图1中示出的终端设备400为例，终端设备400接收针对目标对象待推荐的至少一个信息、以及每个信息的目标展示样式；接着，终端设备400调用客户端410的人机交互界面，并在人机交互界面中，基于每个信息的目标展示样式显示至少一个信息。
在一些实施例中，本申请实施例可以借助于云技术(Cloud Technology)实现，云技术是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。
云技术是基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、以及应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源。
示例的，图1中示出的服务器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。终端设备400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、智能手表等，但并不局限于此。终端设备400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，本申请实施例中不做限制。
在另一些实施例中，终端设备或服务器还可以通过运行计算机程序来实现本申请实施例提供的信息推荐方法。举例来说，计算机程序可以是操作系统中的原生程序或软件模块，例如，可以嵌入到任意程序中的信息推荐模块；还可以是本地(Native)应用程序(APP，Application)，即需要在操作系统中安装才能运行的程序，例如图1中示出的客户端410。总而言之，上述计算机程序可以是任意形式的应用程序、模块或插件。
下面对图1中示出的服务器200的结构进行说明。参见图2，图2是本申请实施例提供的服务器200的结构示意图，图2所示的服务器200包括：至少一个处理器210、存储器240、至少一个网络接口220。服务器200中的各个组件通过总线系统230耦合在一起。可理解的，总线系统230用于实现这些组件之间的连接通信。总线系统230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230。
处理器210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。
存储器240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240可选地包括在物理位置上远离处理器210的一个或多个存储设备。
存储器240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240旨在包括任意适合类型的存储器。
在一些实施例中，存储器240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241，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242，用于经由一个或多个(有线或无线)网络接口220到达其他计算设备，示例性的网络接口220包括：蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB，Universal Serial Bus)等；
在一些实施例中，本申请实施例提供的信息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240中的信息推荐装置243，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2431、融合模块2432、确定模块2433、对象类型识别模块2434、信息类型识别模块2435、训练模块2436和接收模块2437，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。需要指出的是，在图2中为了方便表达，一次性示出了上述所有模块，但是不应视为在信息推荐装置243排除了可以只包括获取模块2431、融合模块2432和确定模块2433的实施，将在下文中说明各个模块的功能。
下面继续对图1中示出的终端设备400的结构进行说明。参见图3，图3是本申请实施例提供的终端设备400的结构示意图。如图3所示，终端设备400包括：网络接口430、用户接口440、系统总线450、存储器460和处理器420。其中，用户接口440包括使得能够呈现媒体内容的一个或者多个输出装置441，包括一个或者多个扬声器和/或一个或多个视觉显示屏。用户接口440还包括一个或多个输入装置442，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460中包括：操作系统461、网络通信模块462、呈现模块463，用于经由一个或多个与用户接口440相关联的输出装置441(例如，显示屏、扬声器等)使得能够显示信息(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464，用于对一个或多个来自一个或多个输入装置442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、信息推荐装置465。此外，存储在存储器460中的信息推荐装置465包括：接收模块4651和显示模块4652，这些模块是逻辑上的，因此可以根据所实现的功能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信息推荐装置可以采用硬件方式实现，作为示例，本申请实施例提供的信息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信息推荐方法，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，Application Specific IntegratedCircuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、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。
下面从终端设备与服务器交互的角度对本申请实施例提供的信息推荐方法进行具体说明。需要说明的是，终端设备执行的步骤具体是由终端设备运行的各种形式的计算机程序执行的，并不局限于上述终端设备400上运行的客户端410，例如还可以是上文所述的操作系统461、软件模块、脚本和小程序，因此下文中以客户端的示例不应视为对本申请实施例的限定。
参见图4，图4是本申请实施例提供的信息推荐方法的流程示意图，将结合图4示出的步骤进行说明。
在步骤101中，服务器获取待推荐的信息的信息特征、目标对象的对象特征以及多个展示样式的各自的样式特征。
在一些实施例中，参见图5，图5是本申请实施例提供的信息推荐方法的流程示意图，如图5所示，在执行图4示出的步骤101之前，还可以执行图5示出的步骤107和步骤108，将结合图5示出的步骤进行说明。
在步骤107中，终端设备向服务器发送针对目标对象的推荐请求。
在一些实施例中，推荐请求发送的时机可以是终端设备中运行的客户端被刷新，示例的，当客户端启动时(当客户端启动时，需要获取相应的信息以展示给用户，因此，客户端的启动可以看作一种特殊的刷新)，例如当用户首次打开终端设备上安装的客户端或者客户端从后台被重新切换回前台时，自动向服务器发送针对目标对象的推荐请求；当然，推荐请求发送的时机也可以是客户端接收到用户触发的刷新操作，例如当客户端接收到用户触发的下拉刷新操作或者针对人机交互界面中显示的刷新按钮的点击操作时，向服务器发送针对目标对象的推荐请求。
在步骤108中，服务器获取待推荐的信息。
在一些实施例中，服务器可以通过以下方式获取待推荐的信息：当目标对象为冷启动对象时，从信息库中获取排序在前的(即热门的)多个候选信息，并将排序在前的多个信息作为待推荐的信息；当目标对象为非冷启动对象时，获取目标对象的历史行为数据；根据历史行为数据确定目标对象的画像信息；从信息库中获取与目标对象的画像信息匹配的多个候选信息，并将匹配的多个候选信息作为待推荐的信息。
示例的，对于冷启动对象(例如新用户或者历史行为数据不太丰富的用户)，由于无法获取到冷启动对象(例如用户A)相关的浏览、点击、下单或者下载等历史行为数据，导致无法确定出用户A的画像信息，因此可以将信息库中排序在前的多个候选信息作为针对用户A待推荐的信息，例如以电商场景为例，可以将在一定时间内销量超过销量阈值的物品(Item)作为针对用户A待推荐的信息；也可以将在多个老用户产生的评价中，评分大于评分阈值的物品作为针对用户A待推荐的信息。
示例的，对于非冷启动对象(例如老用户或者具有丰富的历史行为数据的用户)，可以首先获取非冷启动对象(例如用户B)的历史行为数据(例如用户B在过去一个月内的点击、下单、购买、支付、收藏、退款、评价等行为数据)，接着可以根据历史行为数据确定出用户B的画像信息(即用户B的标签，例如用户B是一个体育爱好者)，随后可以从信息库中获取与用户B的画像信息匹配的多个候选信息(例如篮球相关的信息)，并将匹配的多个候选信息作为针对用户B的待推荐的信息。
在另一些实施例中，服务器还可以通过以下方式获取待推荐的信息：执行以下处理至少之一：从对象库中获取与目标对象的对象特征之间的相似度大于相似度阈值的候选对象，获取候选对象偏好的信息，将候选对象偏好的信息作为待推荐的信息；获取目标对象的历史偏好信息，确定历史偏好信息的信息特征，从信息库中获取与历史偏好信息的信息特征之间的相似度大于相似度阈值的多个候选信息，将多个候选信息作为待推荐的信息。
示例的，当目标对象(例如用户A)需要个性化推荐时，可以先找到与用户A相似的其他用户，并将其他用户偏好的，但用户A不知道的信息(即未在用户A的终端设备曝光的信息)作为针对用户A待推荐的信息，具体过程如下：首先，使用某一种选定的相似度计算方法(例如余弦相似度、Jaccard相似度等)计算用户A的最近的k个邻居，这k个邻居是距离用户A最近的用户，即可以看成与用户A最相似的k个用户；接着在选定k个用户之后，计算这些用户中用户A不曾购买或者不知道的信息(即未在用户A的终端设备曝光的信息)对于用户A的预测兴趣度；随后选取预测兴趣度最高的N个信息，并将这N个信息作为针对用户A待推荐的信息。
示例的，当目标对象(例如用户A)需要个性化推荐时，也可以先获取用户A的历史偏好信息(例如用户A在过去一周内下单的物品)，并将信息库中与历史偏好信息相似的信息作为针对用户A待推荐的信息，具体过程如下：首先使用某一选定的相似度计算方法(例如余弦相似度、Jaccard相似度等)计算用户A的历史偏好信息的信息特征与信息库中存储的多个信息分别对应的信息特征之间的相似度，接着从多个信息中选取相似度大于相似度阈值的多个候选信息，并将多个候选信息作为针对用户A待推荐的信息。
需要说明的是，在实际应用中，服务器还可以通过以下方式获取待推荐的信息：例如移动设备与PC端最大的区别之一是，移动设备的位置是经常发生变化的。不同的地理位置反映了不同的用户场景，因此当目标对象需要个性化推荐时，可以根据用户的实时地理位置、工作地、居住地等地理位置触发相应的召回策略。根据地理位置的粒度不同，召回策略又可以分为附近召回、当前商圈召回、当前城市召回等。
示例的，当服务器接收到终端设备发送的针对目标对象的推荐请求时，可以获取目标对象当前所处的位置，并从信息库中获取与目标对象当前所处的位置适配的多个候选信息，将多个候选信息作为针对目标对象待推荐的信息，例如当服务器检测到目标对象当前位于城市A时，可以从信息库中获取城市A的店铺、美食、酒店等信息，作为针对目标对象待推荐的信息。
在一些实施例中，在基于目标对象的画像信息或者基于协同过滤的方式从信息库中召回多个候选信息之后，由于召回的候选信息的数量较大(例如可以达到上万的量级)，因此，在召回多个候选信息之后，还可以执行以下处理：对召回的多个候选信息进行统一打分并排序(例如可以使用一个点击率预估模型对召回的多个候选信息进行排序，其中，点击率预估模型是基于样本用户的用户特征以及样本信息的信息特征训练得到的)，并选取排序结果中处于头部的N个信息，将这N个信息作为待推荐的信息，如此，可以减少待推荐的信息的数量，实现精确地个性化推荐。
在另一些实施例中，服务器在基于步骤108获取到待推荐的信息之后，可以通过以下方式实现上述的步骤101：对待推荐的信息包括的第一类别特征进行嵌入处理，得到第一类别特征的向量表示，对信息包括的第一数值特征进行归一化处理，得到第一数值特征的向量表示，对第一类别特征的向量表示和第一数值特征的向量表示进行拼接处理，得到信息的信息特征；对目标对象包括的第二类别特征进行嵌入处理，得到第二类别特征的向量表示，对目标对象包括的第二数值特征进行归一化处理，得到第二数值特征的向量表示，对第二类别特征的向量表示和第二数值特征的向量表示进行拼接处理，得到目标对象的对象特征；针对多个展示样式中的每个展示样式执行以下处理：对展示样式包括的第三类别特征进行嵌入处理，得到第三类别特征的向量表示，对展示样式包括的第三数值特征进行归一化处理，得到第三数值特征的向量表示，对第三类别特征的向量表示和第三数值特征的向量表示进行拼接处理，得到展示样式的样式特征。
示例的，以待推荐的信息为信息A为例，信息A的类别特征可以是信息A所属的信息类型(例如当信息A为电脑时，信息A所属的信息类型为数码产品)，针对信息A的类别特征，可以采用嵌入的方式，得到信息A的类别特征的向量表示，例如可以采用自然数编码或者独热编码的方式，将信息A的类别特征转换为对应的向量表示，其中，自然数编码是指给每一个类别分配一个编号，例如假设信息类型分为“数码产品、生鲜、服饰、图书”，给每一个类别分配一个对应的编号，例如用“1”表示“数码产品”，用“2”表示“生鲜”，用“3”表示“服饰”，用“4”表示“图书”；独热编码，又称一位有效编码，主要是采用N位状态寄存器来对N个类别进行编码，每个类别都有独立的寄存器位，并且在任意时候只有一位有效，例如假设信息类型分为“数码产品、生鲜、服饰、图书”，转换为独热向量之后，可以用(1，0，0，0)表示“数码产品”，用(0，1，0，0)表示“生鲜”，用(0，0，1，0)表示“服饰”，用(0，0，0，1)表示“图书”，相较于自然数编码，采用独热编码的方式，能够显著增加特征空间的维度。
示例的，仍以待推荐的信息为信息A为例，信息A的数值特征可以是信息A被点击的次数、信息A被下单的次数、或者信息A被收藏的次数等，针对信息A的数值特征，可以采用归一化处理，从而将信息A的数值特征转换为对应的向量表示，其中，归一化处理包括线性函数归一化(Min-Max Scaling)处理和零均值归一化(Z-Score Normalization)处理，线性函数归一化处理是指对信息A的数值特征进行线性变化，将数值特征规约到[0，1]之间，而零均值归一化处理是将信息A的数值特征映射到均值为0，标准差为1的分布上。在采用嵌入的方式，得到信息A的类别特征的向量表示、以及采用归一化处理，得到信息A的数值特征的向量表示之后，可以将信息A的类别特征的向量表示与信息A的数值特征的向量表示进行拼接处理(例如进行相加处理)，得到信息A的信息特征。
示例的，以目标对象为用户B为例，用户B的类别特征可以是用户B的性别、婚姻状况、家乡或者用户B喜欢的电影类型等，针对用户B的类别特征，可以采用嵌入的方式(例如采用独热编码的方式或者自然数编码的方式)，将用户B的类别特征转换为对应的向量表示。此外，用户B的数值特征可以是用户B在过去一周内下单的次数、评论的次数、收藏的次数等，针对用户B的数值特征，可以采用归一化处理(例如线性函数归一化处理或者零均值归一化处理)，将用户B的数值特征转换为对应的向量表示。在得到用户B的类别特征的向量表示和用户B的数值特征的向量表示之后，可以将用户B的类别特征的向量表示与用户B的数值特征的向量表示进行拼接处理，得到用户B的用户特征。
示例的，以展示样式为展示样式C为例，展示样式C的类别特征可以是展示样式C所属的样式类型(例如展示样式的样式类型可以分为：图片型，即注重图片表现，并将文案缩减为一行显示；文字型，即注重展示信息的内容介绍，而忽略图片表现)，针对展示样式C的类别特征，可以采用嵌入的方式(例如采用独热编码的方式或者自然数编码的方式)，将展示样式C的类别特征转换为对应的向量表示。此外，展示样式C的数值特征可以是通过展示样式C展示信息时用户的点击次数、下单次数等，针对展示样式C的数值特征，可以采用归一化处理(例如线性函数归一化处理或者零均值归一化处理)，得到展示样式C的数值特征对应的向量表示。在得到展示样式C的类别特征的向量表示、以及展示样式C的数值特征的向量表示之后，可以将展示样式C的类别特征的向量表示与展示样式C的数值特征的向量表示进行拼接处理，得到展示样式C的样式特征。
需要说明的是，在实际应用中，针对类别特征，还可以采用词集模型(例如N-Gram序列)或者词袋模型将其转换为对应的向量表示；针对数值特征，除了可以采用归一化处理之外，还可以采用二值化、分桶、特征交叉等方式进行处理，其中，分桶是指将数值变量分到一个桶里并分配一个桶编号，常见的分桶方法有固定宽度的分桶，对于固定宽度的分桶，每个桶的值域是固定的，如果每个桶的大小一样，它也称为均匀分桶，例如将用户的年龄分为0～9岁、10～19岁等；特征交叉可以表示数值特征之间的相互作用，例如可以对两个数值特征进行加、减、乘、除等操作，可以通过特征选择方法(例如统计检验或者模型的特征重要性)来选择有用的交叉组合，从而来丰富数值特征。
继续参见图4，在步骤102中，服务器将信息的信息特征、目标对象的对象特征分别与每个展示样式的样式特征进行融合处理，得到对应每个展示样式的融合特征。
在一些实施例中，服务器在获取到待推荐的信息的信息特征、目标对象的对象特征、以及多个候选的展示样式的各自的样式特征之后，可以将信息的信息特征、目标对象的对象特征分别与每个展示样式的样式特征进行融合处理(例如进行加和处理)，得到对应每个展示样式的融合特征。
示例的，以待推荐的信息为信息A为例，服务器在获取到信息A的信息特征MA、目标对象(例如用户A)的对象特征(即用户A的用户特征UA)、以及多个候选的展示样式的各自的样式特征(例如3个候选的展示样式，分别为展示样式A、展示样式B和展示样式C，且其对应的样式特征分别为S1、S2和S3)之后，可以将信息A的信息特征MA、用户A的用户特征UA分别与每个展示样式的样式特征进行融合处理，得到对应每个展示样式的融合特征，例如对于展示样式A，其对应的融合特征为：MA+UA+S1；对于展示样式B，其对应的融合特征为：MA+UA+S2；对于展示样式C，其对应的融合特征为：MA+UA+S3。
在步骤103中，服务器基于对应每个展示样式的融合特征，确定通过每个展示样式的推荐参数。
这里，推荐参数表征通过展示样式展示信息时目标对象的偏好程度，例如推荐参数可以是点击率、打分等。
在一些实施例中，推荐参数可以是通过调用神经网络模型确定的，则服务器可以通过以下方式实现上述的步骤103：针对每个展示样式的融合特征，执行以下处理：通过神经网络模型包括的多个激活层对展示样式的融合特征进行级联的多次非线性变换处理，得到通过展示样式展示信息时对应的推荐参数。
示例的，以展示样式A为例，在得到展示样式A的融合特征之后，可以通过神经网络模型包括的多个激活层(例如3个激活层)对展示样式A的融合特征进行级联的3次非线性变换处理(例如将第1个激活层输出的非线性变换结果输入第2个激活层，以供第2个激活层针对第1个激活层的输出进行非线性变换处理，随后将第2个激活层输出的非线性变换结果输入第3个激活层，以供第3个激活层针对第2个激活层的输出进行非线性变换处理)，得到通过展示样式A展示信息时对应的推荐参数，例如通过展示样式A展示信息时目标对象的点击率。
需要说明的是，在实际应用中，激活层包括的激活函数(Activation Function)可以是Sigmoid函数、线性整流(Relu，Rectified Linear Unit)函数、或者是Tanh函数等，其中，Sigmoid函数是一个在生物学中常见的S型函数，也称为S型生长曲线，在信息科学中，由于其单增以及反函数单增等特性，因此Sigmoid函数常被用作神经网络模型的阈值函数，用于将变量映射到0到1之间；Relu函数是一种神经网络模型中常用的激活函数，通常指代以斜坡函数及其变种为代表的非线性函数；Tanh函数是双曲函数中的一个，Tanh()为双曲正切，由基本双曲函数双曲正弦和双曲余弦推导而来。
此外，还需要说明的是，本申请实施例中的神经网络模型可以是深度神经网络模型、卷积神经网络模型、长短期记忆网络模型等，本申请实施例不对神经网络模型的类型进行具体限定。
在一些实施例中，每个对象类型可以对应一个预训练的神经网络模型，则服务器可以通过以下方式实现上述的通过神经网络模型包括的多个激活层对展示样式的融合特征进行级联的多次非线性变换处理，得到通过展示样式展示信息时对应的推荐参数：对目标对象进行对象类型识别处理，得到目标对象所属的对象类型；获取与目标对象所属的对象类型对应的目标神经网络模型，并基于目标神经网络模型包括的多个激活层，对展示样式的融合特征进行级联的多次非线性变换处理，得到通过展示样式展示信息时对应的推荐参数。
示例的，可以针对每个对象类型训练一个对应的神经网络模型，例如假设对象类型可以分为：价格敏感型、品牌偏好型和活跃型，则针对这3种对象类型，可以预先训练对应的3个神经网络模型，例如神经网络模型1对应价格敏感型用户、神经网络模型2对应品牌偏好型用户、神经网络模型3对应活跃型用户，随后，针对目标对象(例如用户A)，可以首先对用户A进行类型识别处理(例如可以获取用户A的历史行为数据，并将用户A的历史行为数据输入预训练的用户类型识别模型中，以得到用户A所属的用户类型)，假设识别出用户A属于价格敏感型用户，则后续可以调用神经网络模型1来确定出每个展示样式分别对应的推荐参数，如此，通过为每个对象类型训练一个对应的神经网络模型，一方面减小了模型的训练量，另一方面，也提高了预测得到的推荐参数的准确性。
在另一些实施例中，每个信息类型可以对应一个预训练的神经网络模型，则服务器可以通过以下方式实现上述的通过神经网络模型包括的多个激活层对展示样式的融合特征进行级联的多次非线性变换处理，得到通过展示样式展示信息时对应的推荐参数：对待推荐的信息进行信息类型识别处理，得到信息所属的信息类型；获取与信息所属的信息类型对应的目标神经网络模型，并基于目标神经网络模型包括的多个激活层，对展示样式的融合特征进行级联的多次非线性变换处理，得到通过展示样式展示信息时对应的推荐参数。
示例的，可以针对每个信息类型训练一个对应的神经网络模型，例如假设信息类型可以分为：数码产品、服饰、生鲜和图书，则针对这4种信息类型，可以预训练4个对应的神经网络模型，例如神经网络模型1对应数码产品、神经网络模型2对应服饰、神经网络模型3对应生鲜，神经网络模型4对应图书，随后，针对待推荐的信息(例如信息A)，可以首先对信息A进行信息类型识别处理(例如可以获取信息A包括的文案和图片等，并将所获取的文案和图片输入预训练的信息类型识别模型，以得到信息A所属的信息类型)，得到信息A所属的信息类型，假设识别出信息A所属的信息类型为数码产品，则可以调用神经网络模型1确定出针对信息A配置的多个候选的展示样式分别对应的推荐参数，如此，通过为每个信息类型训练一个对应的神经网络模型，当信息类型发生变更时，不必重新训练整个神经网络模型，从而减小了计算规模。
在一些实施例中，每个展示样式可以对应一个预训练的神经网络模型，则服务器可以通过以下方式实现上述的通过神经网络模型包括的多个激活层对展示样式的融合特征进行级联的多次非线性变换处理，得到通过展示样式展示信息时对应的推荐参数：获取与展示样式对应的目标神经网络模型，并基于目标神经网络模型包括的多个激活层，对展示样式的融合特征进行级联的多次非线性变换处理，得到通过展示样式展示信息时对应的推荐参数。
示例的，可以针对多个候选的展示样式中的每个展示样式训练一个对应的神经网络模型，例如假设多个候选的展示样式包括：展示样式A、展示样式B和展示样式C，则可以针对这3种展示样式，预训练3个对应的神经网络模型，例如神经网络模型1对应展示样式A，神经网络模型2对应展示样式B，神经网络模型3对应展示样式C，随后，在确定通过展示样式A展示信息时对应的推荐参数时，可以调用神经网络模型1确定，在确定通过展示样式B展示信息时对应的推荐参数时，可以调用神经网络模型2确定，在确定通过展示样式C展示信息时对应的推荐参数时，可以调用神经网络模型3确定，如此，通过对每个展示样式训练一个对应的神经网络模型，能够提高确定推荐参数的效率，并且，当增加新的展示样式时，只需要对新的展示样式进行训练，而不必重新训练整个神经网络模型，减少了计算规模。
下面对神经网络模型的训练过程进行说明。
在一些实施例中，可以通过以下方式训练上述的神经网络模型：获取样本信息的信息特征、样本对象的对象特征以及多个样本展示样式的各自的样式特征；将样本信息的信息特征、样本对象的对象特征分别与每个样本展示样式的样式特征进行融合处理，得到对应每个样本展示样式的融合特征；基于对应每个样本展示样式的融合特征进行正向传播，得到预测结果；确定预测结果与样本信息的标记数据之间的差异，并基于差异进行反向传播，在反向传播过程中逐层更新神经网络模型的参数(例如可以使用梯度下降法对参数进行更新)；其中，标记数据包括通过每个样本展示样式展示样本信息时样本对象对应的反馈数据(例如是否点击、是否感兴趣等)。
示例的，可以通过以下方式获取样本信息的信息特征、样本对象的对象特征以及多个样本展示样式的各自的样式特征：获取样本信息的标识(ID，Identity Document)，将样本信息的标识与信息特征库进行关联，得到样本信息的信息特征(例如在信息特征库中存储有多个信息的标识、以及每个信息的标识对应的信息特征，如此，可以基于样本信息的标识在信息特征库中进行查询操作，并将查询得到的标识对应的信息特征作为样本信息的信息特征)；获取样本对象的标识(例如样本对象使用的社交网络账号)，将样本对象的标识与对象特征库进行关联，得到样本对象的对象特征(例如在对象特征库中存储有多个对象的标识、以及每个对象的标识对应的对象特征，如此，可以基于样本对象的标识在对象特征库中进行查询操作，并将查询得到的标识对应的对象特征作为样本对象的对象特征)；针对多个样本展示样式中的每个样本展示样式，执行以下处理：获取样本展示样式的标识，将样本展示样式的标识与样式特征库进行关联，得到样本展示样式的样式特征(例如在样式特征库中存储有多个展示样式的标识、以及每个展示样式的标识对应的样式特征，如此，针对多个样式展示样式中的每个样本展示样式，例如样本展示样式A，可以基于样本展示样式A的标识在样式特征库中进行查询操作，并将查询得到的标识对应的样式特征作为样本展示样式A的样式特征)。
在步骤104中，服务器将最高推荐参数的展示样式作为信息的目标展示样式。
在一些实施例中，在得到多个候选的展示样式分别对应的推荐参数之后，服务器可以将最高推荐参数的展示样式作为信息的目标展示样式。
示例的，以待推荐的信息为信息A为例，假设针对信息A的多个候选的展示样式分别为展示样式A、展示样式B、以及展示样式C，在得到展示样式A、展示样式B、以及展示样式C分别对应的推荐参数之后(例如展示样式A对应的点击率为80％，展示样式B对应的点击率为50％，展示样式C对应的点击率为40％)，可以将最高推荐参数的展示样式(即展示样式A)作为信息A的目标展示样式。
在步骤105中，服务器向终端设备发送针对目标对象待推荐的至少一个信息、以及每个信息的目标展示样式。
在一些实施例中，服务器在针对目标对象待推荐的每个信息确定出对应的目标展示样式之后，可以将针对目标对象待推荐的至少一个信息、以及每个信息的目标展示样式发送给终端设备。
示例的，假设针对目标对象待推荐的信息包括信息1和信息2，同时服务器确定出信息1对应的目标展示样式为展示样式A，信息2对应的目标展示样式为展示样式B，则服务器可以将信息1和信息2、以及展示样式A和展示样式B发送给终端设备，其中，信息1与展示样式A绑定(即通知终端设备展示样式A是用来展示信息1的)，信息2与展示样式B绑定(即通知终端设备展示样式B是用来展示信息2的)。
在步骤106中，终端设备在人机交互界面中，基于每个信息的目标展示样式显示至少一个信息。
在一些实施例中，终端设备在接收到服务器发送的针对目标对象待推荐的至少一个信息、以及每个信息的目标展示样式之后，可以调用终端设备上运行的客户端的人机交互界面，并在人机交互界面中，基于每个信息的目标展示样式显示至少一个信息，例如对于信息1，通过展示样式A进行显示，对于信息2，通过展示样式B进行显示。
本申请实施例基于待推荐的信息的信息特征、目标对象的对象特征、以及多个候选的展示样式各自的样式特征，从多个候选的展示样式中选定待推荐的信息的目标展示样式，以通过目标展示样式显示待推荐的信息，如此，由于待推荐的信息的目标展示样式是与目标对象的对象特征相关的，因此针对同一个信息，不同用户对应的目标展示样式是不同的，丰富了推荐信息的展示样式，满足了不同用户个性化的需求。
下面，以广告推荐场景为例，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。
用户点击广告的原因多种多样，例如用户信任a这个品牌，或者正好想购买b这个品类的商品等，因此根据用户的标签，推送给每一个用户不同的广告内容，可以极大的命中用户的需求，同时也可以提升流量平台(又称流量渠道)的广告消耗(即广告主投放广告时需要支付给流量平台的金额)。
然而，广告样式(对应于上述的展示样式)作为承载广告创意的媒介却没有做到千人千面，相关技术中并没有记录下用户对不同广告样式的偏好，导致不同行业/品牌的广告素材通常以几种由流量平台提供的固定样式进行显示，并面对不同的人群进行一样的分发，也就是说，针对同一个广告，不同用户看到的广告样式是相同的。
示例的，参见图6，图6是相关技术提供的广告样式示意图，如图6所示，广告主在进行广告投放时，可以预览流量平台提供的广告样式，但是不能进行选择。
示例的，参见图7，图7是相关技术提供的不同的广告样式示意图，如图7所示，流量平台可以定期进行一些A/B测试，并根据A/B测试的全量结果来确定哪个广告样式的效果更好，例如针对同一个广告素材，流量平台可以同时提供如图7所示的1.1、1.2、1.3和1.n四种不同类型的广告样式，并将这4种不同类型的广告样式投放给用户，以测试哪个广告样式的效果最好(例如测试哪个广告样式对应的用户点击量最高)，随后后续采用效果最好的广告样式分发给所有的用户，然而，上述方法并没有考虑到不同用户之间的差异性，此外，也没有设置引导按钮(call to action)或者增加一些额外的信息(例如时效性、地理信息等)。
示例的，参见图8，图8是相关技术提供的不同类型的物品展示示意图，如图8所示，可以基于用户行为和商业行业，而进行不同用户界面(UI，User Interface)的展示，例如在用户搜索不同的物品时自动使用不同的信息流，举例来说，当用户搜索手机时，可以以列表流的方式展示用户会重点关注的配置信息，而当用户搜索服饰(例如男士T恤)时，可以使用图片流，注重图片表现并缩减标题为一行展示，然而，上述方案针对同一个物品，仍然是使用固定的样式进行展示的。
鉴于此，本申请实施例提供一种信息推荐方法，基于个体对广告样式的偏好，通过分析广告样式、广告素材、以及用户之间的关系，实现千人千面的呈现，从而实现广告更精细化的分发，同时也可以提高流量平台广告的消耗。
本申请实施例提供的信息推荐方法可以适用于所有的广告，例如当广告a2以广告样式b1发送给用户c1时，用户c1的点击通过率(CTR，Click-Through-Rate)效果最好，可能是由于用户c1认同广告a2这个品牌，而b1这个广告样式刚好将广告主显著表现，因此之后就给用户c1展示这个广告样式；同理，假设分析出用户c2可能是价格敏感型用户，那么当广告a1的广告词中有特价类的文案，那么就可以套用能够突出文案的广告样式b3给用户c2。
示例的，参见图9，图9是本申请实施例提供的多个候选的广告样式示意图，如图9所示，针对同一个广告素材(例如口红广告)，流量平台可以预先提供多种不同类型的广告样式，例如包括广告样式1至广告样式5，如此，当分析出用户为价格敏感型用户时，可以将突出文案的广告样式5作为口红广告的目标广告样式，例如可以将广告样式5的ID和广告素材发送给用户的终端设备，以使终端设备通过广告样式5显示广告素材。
示例的，参见图10，图10是本申请实施例提供的多个候选的广告样式示意图，如图10所示，针对同一个广告素材(例如汽车广告)，流量平台可以预先提供多种候选的广告样式，例如包括广告样式1至广告样式7，当用户c1在查看该广告时，分析得出对于用户c1来说a品牌并不能促成其决策，那么之后在显示a品牌的广告时，可以排除一些着重展示品牌标志(logo)的广告样式。
示例的，参见图11，图11是本申请实施例提供的广告推荐系统的架构示意图，如图11所示，用户(例如用户A)在浏览资讯时，看点终端可以向后台发起广告请求，后台在接收到看点终端发送的广告请求后，向广告投放系统(例如广点通)请求召回广告，以使广点通向后台返回对应的广告素材；接着后台可以调用广告样式匹配算法，将广点通返回的广告素材和可选的多个广告样式进行匹配，计算出针对用户A该条广告最优的广告样式，最后，后台将广告素材和最优的广告样式返回给看点终端，以使看点终端在人机交互界面中，通过最优的广告样式显示广告素材。
下面对图11中示出的广告样式匹配算法进行具体说明。
在一些实施例中，广告样式匹配算法主要是通过对广告素材与多种候选的广告样式进行匹配，以找到当前用户最喜欢的广告样式在终端进行展示，从而提高广告点击率与用户体验，最终实现广告消耗的提升。
本申请实施例提供的广告样式匹配算法主要包括：数据准备、特征处理、模型构建及训练、以及模型线上服务4个部分，下面分别进行说明。
(1)数据准备
在数据准备阶段，主要是从看点平台拉取用户过往一周内的历史广告曝光点击数据，其中，数据字段可以包括用户标识(例如用户的社交网络账号，如QQ)、广告ID、广告样式ID、以及该条广告是否被点击。
(2)特征处理
在特征处理阶段，主要是将广告曝光点击数据中的用户QQ与看点用户特征库进行关联得到用户相关特征；将广告ID与广点通广告特征库进行关联，得到广告相关特征；将广告样式ID与广告样式特征库进行关联，得到广告样式相关特征，最后将这三种特征数据进行关联，得到如表1所示的特征数据表。
表1用户的特征数据表
Figure BDA0003331919760000141
(3)模型构建及训练
在一些实施例中，参见图12，图12是本申请实施例提供的模型构建及训练示意图，如图12所示，将广告样式中的类别特征(Categorical Feature)进行嵌入(Embedding)处理得到每个类别特征的向量表示，同时将广告样式中的数值特征(Numerical Feature)进行归一化(Normalization)处理得到每个数值特征的向量表示；然后将上述两种类型的向量特征进行拼接得到广告样式的样式特征Ui_vector。同理也可以得到用户的用户特征User_vector和广告的广告特征Ad_vector。
示例的，对于用户特征User_vector，可以采用如下的公式计算得到：
u_cate1＝xcate1*Wcate1
u_num1＝norm(xnum1)
User_vector＝concat(u_cate1，…，u_num1，…)
其中，Wcate1表示一个嵌入矩阵，xcate1表示一个类别特征的值，u_cate1表示该类别特征的向量表示，xnum1表示一个数值特征的值，u_num1表示该数值特征的向量表示，通过归一化处理得到，用于保证数值的稳定性，User_vector表示用户特征，由多个类别特征的向量表示以及多个数值特征的向量表示进行拼接得到。
在另一些实施例中，承接上述示例，在得到用户特征User_vector、广告特征Ad_vector和广告样式特征Ui_vector之后，可以将得到的Ui_vector、User_vector和Ad_vector进行拼接得到向量h(对应于上述的融合特征)，并将向量h输入到多层的神经网络模型中，最终输出通过该广告样式展示广告时用户进行点击的概率y，具体公式如下：
h＝concat(Ui_vector，User_vector，Ad_vector)
y＝f(f(f(h)))
其中，h表示上述三种特征进行拼接得到的融合向量，f表示图12中示出的激活函数ReLU。
此外，模型的损失函数可以采用交叉熵损失函数，具体公式如下：
Loss＝-(y*log(y’)+(1-y)*log(1-y’))
其中，Loss表示损失函数，y’表示针对广告标记的结果，当然，在实际应用中，模型的损失函数还可以采用其他类型的损失函数，例如平方损失函数、指数损失函数、感知损失函数等。
在将得到的数据按照上述流程进行训练的过程中，整个模型的优化器可以采用adam(一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络模型的权重参数)，学习率可以设置为0.01，当模型训练完成后，可以将模型存储放到线上供预测使用。
(4)模型线上服务
当后台调用训练好的模型以获得最优的广告样式时，需要传入用户特征和广告特征，同时还可以从广告样式库中获取当前可用的所有广告样式、以及每个广告样式的样式特征，然后将每一条广告样式的样式特征、用户特征以及广告特征同时输入训练好的模型中，得到该条广告样式的匹配分数，最后取匹配分数最高的广告样式，作为针对该用户的最优广告样式，并将广告以及广告样式ID返回给看点终端进行广告展示。例如如图9所示，针对同一个口红广告，在广告样式库中预先存储有5种不同类型的广告样式，包括广告样式1至广告样式5，接着，将这5种广告样式中的每一种广告样式的样式特征、用户特征(例如用户A的用户特征)以及广告特征同时输入模型中，预测得到这5种广告样式分别对应的点击率，假设针对用户A，预测得到广告样式5对应的点击率最高，则后台可以将广告素材以及广告样式5返回给用户A的看点终端，以使看点终端通过广告样式5显示广告素材，此外，假设对于用户B，假设预测得到广告样式3对应的点击率最高，则后台可以将广告素材以及广告样式3返回给用户B的看点终端，如此，丰富了广告的展示样式，同时也能够符合不同用户的个性化需求。
本申请实施例提供的信息推荐方法，基于个体对广告样式的偏好，通过分析广告样式、广告素材、以及用户之间的关系，实现千人千面的呈现，从而实现广告更精细化的分发，同时也可以提高流量平台广告的消耗。
下面继续说明本申请实施例提供的信息推荐装置243的实施为软件模块的示例性结构，在一些实施例中，如图2所示，存储在存储器240的信息推荐装置243中的软件模块可以包括：获取模块2431、融合模块2432和确定模块2433。
获取模块2431，用于获取待推荐的信息的信息特征、目标对象的对象特征以及多个展示样式的各自的样式特征；融合模块2432，用于将信息的信息特征、目标对象的对象特征分别与每个展示样式的样式特征进行融合处理，得到对应每个展示样式的融合特征；确定模块2433，用于基于对应每个展示样式的融合特征，确定通过每个展示样式的推荐参数；其中，推荐参数表征通过展示样式展示信息时目标对象的偏好程度；确定模块2433，还用于将最高推荐参数的展示样式作为信息的目标展示样式，基于信息和目标展示样式响应针对目标对象的推荐请求。
在一些实施例中，获取模块2431，还用于对待推荐的信息包括的第一类别特征进行嵌入处理，得到第一类别特征的向量表示，对信息包括的第一数值特征进行归一化处理，得到第一数值特征的向量表示，对第一类别特征的向量表示和第一数值特征的向量表示进行拼接处理，得到信息的信息特征；对目标对象包括的第二类别特征进行嵌入处理，得到第二类别特征的向量表示，对目标对象包括的第二数值特征进行归一化处理，得到第二数值特征的向量表示，对第二类别特征的向量表示和第二数值特征的向量表示进行拼接处理，得到目标对象的对象特征；针对多个展示样式中的每个展示样式执行以下处理：对展示样式包括的第三类别特征进行嵌入处理，得到第三类别特征的向量表示，对展示样式包括的第三数值特征进行归一化处理，得到第三数值特征的向量表示，对第三类别特征的向量表示和第三数值特征的向量表示进行拼接处理，得到展示样式的样式特征。
在一些实施例中，推荐参数是通过调用神经网络模型确定的；确定模块2433，还用于针对每个展示样式的融合特征，执行以下处理：通过神经网络模型包括的多个激活层对展示样式的融合特征进行级联的多次非线性变换处理，得到通过展示样式展示信息时对应的推荐参数。
在一些实施例中，每个对象类型对应一个预训练的神经网络模型；信息推荐装置243还包括对象类型识别模块2434，用于对目标对象进行对象类型识别处理，得到目标对象所属的对象类型；确定模块2433，还用于获取与目标对象所属的对象类型对应的目标神经网络模型，并基于目标神经网络模型包括的多个激活层，对展示样式的融合特征进行级联的多次非线性变换处理，得到通过展示样式展示信息时对应的推荐参数。
在一些实施例中，每个信息类型对应一个预训练的神经网络模型；信息推荐装置243还包括信息类型识别模块2435，用于对待推荐的信息进行信息类型识别处理，得到信息所属的信息类型；确定模块2433，还用于获取与信息所属的信息类型对应的目标神经网络模型，并基于目标神经网络模型包括的多个激活层，对展示样式的融合特征进行级联的多次非线性变换处理，得到通过展示样式展示信息时对应的推荐参数。
在一些实施例中，每个展示样式对应一个预训练的神经网络模型；确定模块2433，还用于获取与展示样式对应的目标神经网络模型，并基于目标神经网络模型包括的多个激活层，对展示样式的融合特征进行级联的多次非线性变换处理，得到通过展示样式展示信息时对应的推荐参数。
在一些实施例中，信息推荐装置243还包括训练模块2436，用于通过以下方式训练神经网络模型：获取样本信息的信息特征、样本对象的对象特征以及多个样本展示样式的各自的样式特征；将样本信息的信息特征、样本对象的对象特征分别与每个样本展示样式的样式特征进行融合处理，得到对应每个样本展示样式的融合特征；基于对应每个样本展示样式的融合特征进行正向传播，得到预测结果；确定预测结果与样本信息的标记数据之间的差异，并基于差异进行反向传播，在反向传播过程中逐层更新神经网络模型的参数；其中，标记数据包括通过每个样本展示样式展示样本信息时样本对象对应的反馈数据。
在一些实施例中，获取模块2431，还用于获取样本信息的标识，将样本信息的标识与信息特征库进行关联，得到样本信息的信息特征；获取样本对象的标识，将样本对象的标识与对象特征库进行关联，得到样本对象的对象特征；针对多个样本展示样式中的每个样本展示样式，执行以下处理：获取样本展示样式的标识，将样本展示样式的标识与样式特征库进行关联，得到样本展示样式的样式特征。
在一些实施例中，信息推荐装置243还包括接收模块2437，用于接收终端设备发送的针对目标对象的推荐请求；确定模块2433，还用于当目标对象为冷启动对象时，从信息库中获取排序在前的多个候选信息，并将排序在前的多个候选信息作为待推荐的信息；当目标对象为非冷启动对象时，获取目标对象的历史行为数据；根据历史行为数据确定目标对象的画像信息；从信息库中获取与目标对象的画像信息匹配的多个候选信息，并将匹配的多个候选信息作为待推荐的信息。
在一些实施例中，确定模块2433，还用于当接收到终端设备发送的针对目标对象的推荐请求时，执行以下处理至少之一：从对象库中获取与目标对象的对象特征之间的相似度大于相似度阈值的候选对象，获取候选对象偏好的信息，将偏好的信息作为待推荐的信息；获取目标对象的历史偏好信息，确定历史偏好信息的信息特征，从信息库中获取与历史偏好信息的信息特征之间的相似度大于相似度阈值的多个候选信息，将多个候选信息作为待推荐的信息。
下面继续说明本申请实施例提供的信息推荐装置465的实施为软件模块的示例性结构，在一些实施例中，如图3所示，存储在存储器460中的信息推荐装置465中的软件模块可以包括：接收模块4651和显示模块4652。
接收模块4651，用于接收针对目标对象待推荐的至少一个信息、以及每个信息的目标展示样式；显示模块4652，用于在人机交互界面中，基于每个信息的目标展示样式显示至少一个信息；其中，每个信息的目标展示样式，是基于信息的信息特征、目标对象的对象特征、以及多个候选的展示样式各自的样式特征，从多个候选的展示样式中选定的。
需要说明的是，本申请实施例中关于装置的描述，与上文中信息推荐方法的实现是类似的，并具有相似的有益效果，因此不做赘述。对于本申请实施例提供的信息推荐装置中未尽的技术细节，可以根据图4-5任一附图的说明而理解。
本申请实施例提供了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上述的信息推荐方法。
本申请实施例提供一种存储有可执行指令的计算机可读存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的信息推荐方法，例如，如图4、或图5示出的信息推荐方法。
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。
综上所述，本申请实施例基于待推荐的信息的信息特征、目标对象的对象特征、以及多个候选的展示样式各自的样式特征，从多个候选的展示样式中选定待推荐的信息的目标展示样式，以通过目标展示样式显示待推荐的信息，如此，由于待推荐的信息的目标展示样式是与目标对象的对象特征相关的，因此针对同一个信息，不同用户对应的目标展示样式是不同的，丰富了推荐信息的展示样式，满足了不同用户个性化的需求。
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 (16)

1.一种信息推荐方法，其特征在于，所述方法包括：
获取待推荐的信息的信息特征、目标对象的对象特征以及多个展示样式的各自的样式特征；
将所述信息的信息特征、所述目标对象的对象特征分别与每个所述展示样式的样式特征进行融合处理，得到对应每个所述展示样式的融合特征；
基于对应每个所述展示样式的融合特征，确定通过每个所述展示样式的推荐参数；其中，所述推荐参数表征通过所述展示样式展示所述信息时所述目标对象的偏好程度；
将最高推荐参数的展示样式作为所述信息的目标展示样式，基于所述信息和所述目标展示样式响应针对所述目标对象的推荐请求。
2.根据权利要求1所述的方法，其特征在于，所述获取待推荐的信息的信息特征、目标对象的对象特征以及多个展示样式的各自的样式特征，包括：
对所述待推荐的信息包括的第一类别特征进行嵌入处理，得到所述第一类别特征的向量表示，对所述信息包括的第一数值特征进行归一化处理，得到所述第一数值特征的向量表示，对所述第一类别特征的向量表示和所述第一数值特征的向量表示进行拼接处理，得到所述信息的信息特征；
对所述目标对象包括的第二类别特征进行嵌入处理，得到所述第二类别特征的向量表示，对所述目标对象包括的第二数值特征进行归一化处理，得到所述第二数值特征的向量表示，对所述第二类别特征的向量表示和所述第二数值特征的向量表示进行拼接处理，得到所述目标对象的对象特征；
针对所述多个展示样式中的每个展示样式执行以下处理：对所述展示样式包括的第三类别特征进行嵌入处理，得到所述第三类别特征的向量表示，对所述展示样式包括的第三数值特征进行归一化处理，得到所述第三数值特征的向量表示，对所述第三类别特征的向量表示和所述第三数值特征的向量表示进行拼接处理，得到所述展示样式的样式特征。
3.根据权利要求1所述的方法，其特征在于，
所述推荐参数是通过调用神经网络模型确定的；
所述基于对应每个所述展示样式的融合特征，确定通过每个所述展示样式展示所述信息时对应的推荐参数，包括：
针对每个所述展示样式的融合特征，执行以下处理：
通过所述神经网络模型包括的多个激活层对所述展示样式的融合特征进行级联的多次非线性变换处理，得到通过所述展示样式展示所述信息时对应的推荐参数。
4.根据权利要求3所述的方法，其特征在于，
每个对象类型对应一个预训练的神经网络模型；
所述通过所述神经网络模型包括的多个激活层对所述展示样式的融合特征进行级联的多次非线性变换处理，得到通过所述展示样式展示所述信息时对应的推荐参数，包括：
对所述目标对象进行对象类型识别处理，得到所述目标对象所属的对象类型；
获取与所述目标对象所属的对象类型对应的目标神经网络模型，并基于所述目标神经网络模型包括的多个激活层，对所述展示样式的融合特征进行级联的多次非线性变换处理，得到通过所述展示样式展示所述信息时对应的推荐参数。
5.根据权利要求3所述的方法，其特征在于，
每个信息类型对应一个预训练的神经网络模型；
所述通过所述神经网络模型包括的多个激活层对所述展示样式的融合特征进行级联的多次非线性变换处理，得到通过所述展示样式展示所述信息时对应的推荐参数，包括：
对所述待推荐的信息进行信息类型识别处理，得到所述信息所属的信息类型；
获取与所述信息所属的信息类型对应的目标神经网络模型，并基于所述目标神经网络模型包括的多个激活层，对所述展示样式的融合特征进行级联的多次非线性变换处理，得到通过所述展示样式展示所述信息时对应的推荐参数。
6.根据权利要求3所述的方法，其特征在于，
每个展示样式对应一个预训练的神经网络模型；
所述通过所述神经网络模型包括的多个激活层对所述展示样式的融合特征进行级联的多次非线性变换处理，得到通过所述展示样式展示所述信息时对应的推荐参数，包括：
获取与所述展示样式对应的目标神经网络模型，并基于所述目标神经网络模型包括的多个激活层，对所述展示样式的融合特征进行级联的多次非线性变换处理，得到通过所述展示样式展示所述信息时对应的推荐参数。
7.根据权利要求3所述的方法，其特征在于，所述方法还包括：
通过以下方式训练所述神经网络模型：
获取样本信息的信息特征、样本对象的对象特征以及多个样本展示样式的各自的样式特征；
将所述样本信息的信息特征、所述样本对象的对象特征分别与每个所述样本展示样式的样式特征进行融合处理，得到对应每个所述样本展示样式的融合特征；
基于对应每个所述样本展示样式的融合特征进行正向传播，得到预测结果；
确定所述预测结果与所述样本信息的标记数据之间的差异，并基于所述差异进行反向传播，在反向传播过程中逐层更新所述神经网络模型的参数；
其中，所述标记数据包括通过每个所述样本展示样式展示所述样本信息时所述样本对象对应的反馈数据。
8.根据权利要求7所述的方法，其特征在于，所述获取样本信息的信息特征、样本对象的对象特征以及多个样本展示样式的各自的样式特征，包括：
获取所述样本信息的标识，将所述样本信息的标识与信息特征库进行关联，得到所述样本信息的信息特征；
获取所述样本对象的标识，将所述样本对象的标识与对象特征库进行关联，得到所述样本对象的对象特征；
针对所述多个样本展示样式中的每个样本展示样式，执行以下处理：获取所述样本展示样式的标识，将所述样本展示样式的标识与样式特征库进行关联，得到所述样本展示样式的样式特征。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
接收终端设备发送的针对所述目标对象的推荐请求；
当所述目标对象为冷启动对象时，从信息库中获取排序在前的多个候选信息，并将所述排序在前的多个候选信息作为所述待推荐的信息；
当所述目标对象为非冷启动对象时，获取所述目标对象的历史行为数据；根据所述历史行为数据确定所述目标对象的画像信息；从信息库中获取与所述目标对象的画像信息匹配的多个候选信息，并将所述匹配的多个候选信息作为所述待推荐的信息。
10.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当接收到终端设备发送的针对所述目标对象的推荐请求时，执行以下处理至少之一：
从对象库中获取与所述目标对象的对象特征之间的相似度大于相似度阈值的候选对象，获取所述候选对象偏好的信息，将所述偏好的信息作为所述待推荐的信息；
获取所述目标对象的历史偏好信息，确定所述历史偏好信息的信息特征，从信息库中获取与所述历史偏好信息的信息特征之间的相似度大于相似度阈值的多个候选信息，将所述多个候选信息作为所述待推荐的信息。
11.一种信息推荐方法，其特征在于，所述方法包括：
接收针对目标对象待推荐的至少一个信息、以及每个所述信息的目标展示样式；
在人机交互界面中，基于每个所述信息的目标展示样式显示所述至少一个信息；
其中，每个所述信息的所述目标展示样式，是基于所述信息的信息特征、所述目标对象的对象特征、以及多个候选的展示样式各自的样式特征，从所述多个候选的展示样式中选定的。
12.一种信息推荐装置，其特征在于，所述装置包括：
获取模块，用于获取待推荐的信息的信息特征、目标对象的对象特征以及多个展示样式的各自的样式特征；
融合模块，用于将所述信息的信息特征、所述目标对象的对象特征分别与每个所述展示样式的样式特征进行融合处理，得到对应每个所述展示样式的融合特征；
确定模块，用于基于对应每个所述展示样式的融合特征，确定通过每个所述展示样式的推荐参数；其中，所述推荐参数表征通过所述展示样式展示所述信息时所述目标对象的偏好程度；
所述确定模块，还用于将最高推荐参数的展示样式作为所述信息的目标展示样式，基于所述信息和所述目标展示样式响应针对所述目标对象的推荐请求。
13.一种信息推荐装置，其特征在于，所述装置包括：
接收模块，用于接收针对目标对象待推荐的至少一个信息、以及每个所述信息的目标展示样式；
显示模块，用于在人机交互界面中，基于每个所述信息的目标展示样式显示所述至少一个信息；
其中，每个所述信息的所述目标展示样式，是基于所述信息的信息特征、所述目标对象的对象特征、以及多个候选的展示样式各自的样式特征，从所述多个候选的展示样式中选定的。
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，实现权利要求1至10任一项、或权利要求11所述的信息推荐方法。
15.一种计算机可读存储介质，存储有可执行指令，其特征在于，所述可执行指令被处理器执行时实现权利要求1至10任一项、或权利要求11所述的信息推荐方法。
16.一种计算机程序产品，包括计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时实现权利要求1至10任一项、或权利要求11所述的信息推荐方法。
CN202111283043.1A 2021-11-01 2021-11-01 信息推荐方法、装置、电子设备及计算机可读存储介质 Pending CN116089745A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111283043.1A CN116089745A (zh) 2021-11-01 2021-11-01 信息推荐方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111283043.1A CN116089745A (zh) 2021-11-01 2021-11-01 信息推荐方法、装置、电子设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN116089745A true CN116089745A (zh) 2023-05-09

Family

ID=86203045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111283043.1A Pending CN116089745A (zh) 2021-11-01 2021-11-01 信息推荐方法、装置、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN116089745A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116775752A (zh) * 2023-08-25 2023-09-19 广东南方电信规划咨询设计院有限公司 对数据进行可视化处理的方法及装置
CN116823410A (zh) * 2023-08-29 2023-09-29 阿里巴巴(成都)软件技术有限公司 数据处理方法、对象处理方法、推荐方法及计算设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116775752A (zh) * 2023-08-25 2023-09-19 广东南方电信规划咨询设计院有限公司 对数据进行可视化处理的方法及装置
CN116775752B (zh) * 2023-08-25 2023-11-17 广东南方电信规划咨询设计院有限公司 对数据进行可视化处理的方法及装置
CN116823410A (zh) * 2023-08-29 2023-09-29 阿里巴巴(成都)软件技术有限公司 数据处理方法、对象处理方法、推荐方法及计算设备
CN116823410B (zh) * 2023-08-29 2024-01-12 阿里巴巴(成都)软件技术有限公司 数据处理方法、对象处理方法、推荐方法及计算设备

Similar Documents

Publication Publication Date Title
Reddy et al. Content-based movie recommendation system using genre correlation
Mao et al. Multiobjective e-commerce recommendations based on hypergraph ranking
US10861077B1 (en) Machine, process, and manufacture for machine learning based cross category item recommendations
US10180979B2 (en) System and method for generating suggestions by a search engine in response to search queries
Talukdar et al. Investigating new product diffusion across products and countries
US10354184B1 (en) Joint modeling of user behavior
CN111784455A (zh) 一种物品推荐方法及推荐设备
CN111444428A (zh) 基于人工智能的信息推荐方法、装置、电子设备及存储介质
Zulaikha et al. Customer predictive analytics using artificial intelligence
WO2019171128A1 (en) In-media and with controls advertisement, ephemeral, actionable and multi page photo filters on photo, automated integration of external contents, automated feed scrolling, template based advertisement post and actions and reaction controls on recognized objects in photo or video
CN105718184A (zh) 一种数据处理方法和装置
CN112559896B (zh) 信息推荐方法、装置、设备及计算机可读存储介质
KR20190142508A (ko) 상품 정보 제공 방법 및 장치
CN111767466A (zh) 基于人工智能的推荐信息推荐方法、装置及电子设备
CN116089745A (zh) 信息推荐方法、装置、电子设备及计算机可读存储介质
Li et al. HHMF: hidden hierarchical matrix factorization for recommender systems
US10474670B1 (en) Category predictions with browse node probabilities
CN116821475B (zh) 基于客户数据的视频推荐方法、装置及计算机设备
Xu et al. E‐Commerce Online Shopping Platform Recommendation Model Based on Integrated Personalized Recommendation
KR102238438B1 (ko) 규격화된 광고상품을 이용한 광고상품거래 서비스 제공 시스템
CN116823410B (zh) 数据处理方法、对象处理方法、推荐方法及计算设备
CN117350816A (zh) 独立站商品推荐方法及其装置、设备、介质
Guo et al. A Novel Contextual Information Recommendation Model and Its Application in e‐Commerce Customer Satisfaction Management
Gupta et al. Assessing the Impact of Artificial Intelligence in e-Commerce Portal: A Comparative Study of Amazon and Flipkart
CN116186413A (zh) 一种用于多模态特征推荐的方法和系统

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