CN116304335A - 对象推荐方法、用户偏好识别方法及装置 - Google Patents

Abstract

本公开提供了一种对象推荐方法、用户偏好识别方法及装置，涉及计算机技术领域，尤其涉及智能推荐、信息流技术领域。实现方案为：获取待推荐给用户的多个对象和所述多个对象各自的第一推荐度；对于所述多个对象中的任一对象：获取所述对象的类别标签以及所述用户对所述类别标签的偏好程度，其中，所述偏好程度是基于具有所述类别标签的多个历史推荐对象的展现信息和所述用户对所述多个历史推荐对象的行为信息确定的；利用所述偏好程度对所述第一推荐度进行调整，以得到所述对象的第二推荐度，所述第二推荐度与所述偏好程度正相关；以及基于所述多个对象各自的第二推荐度，对所述多个对象进行排序，以得到所述用户的推荐列表。

Description

对象推荐方法、用户偏好识别方法及装置

技术领域

本公开涉及计算机技术领域，尤其涉及智能推荐、信息流技术领域，具体涉及一种对象推荐方法及装置、用户偏好识别方法及装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

推荐系统用于从海量数据中筛选出用户可能感兴趣的对象，并将其推送给用户。目前，推荐系统已经被广泛应用于新闻资讯推荐、商品推荐、音视频推荐、广告投放、社交好友推荐等诸多场景中。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种对象推荐方法及装置、用户偏好识别方法及装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种对象推荐方法，包括：获取待推荐给用户的多个对象和所述多个对象各自的第一推荐度；对于所述多个对象中的任一对象：获取所述对象的类别标签以及所述用户对所述类别标签的偏好程度，其中，所述偏好程度是基于具有所述类别标签的多个历史推荐对象的展现信息和所述用户对所述多个历史推荐对象的行为信息确定的；以及利用所述偏好程度对所述第一推荐度进行调整，以得到所述对象的第二推荐度，其中，所述第二推荐度与所述偏好程度正相关；以及基于所述多个对象各自的第二推荐度，对所述多个对象进行排序，以得到所述用户的推荐列表。

根据本公开的一方面，提供了一种用户偏好识别方法，包括：获取多个目标历史推荐对象的展现信息和用户对所述多个目标历史推荐对象的行为信息，其中，所述多个目标历史推荐对象具有相同的类别标签；基于所述行为信息，确定所述用户对所述类别标签的第一偏好程度；以及利用所述展现信息对所述第一偏好程度进行修正，以得到所述用户对所述类别标签的第二偏好程度，其中，所述第二偏好程度用于确定具有所述类别标签的对象对所述用户的推荐度，以对所述用户进行对象推荐。

根据本公开的一方面，提供了一种对象推荐装置，包括：第一获取模块，被配置为获取待推荐给用户的多个对象和所述多个对象各自的第一推荐度；第二获取模块，被配置为对于所述多个对象中的任一对象，获取所述对象的类别标签以及所述用户对所述类别标签的偏好程度，其中，所述偏好程度是基于具有所述类别标签的多个历史推荐对象的展现信息和所述用户对所述多个历史推荐对象的行为信息确定的；调整模块，被配置为利用所述偏好程度对所述第一推荐度进行调整，以得到所述对象的第二推荐度，其中，所述第二推荐度与所述偏好程度正相关；以及排序模块，被配置为基于所述多个对象各自的第二推荐度，对所述多个对象进行排序，以得到所述用户的推荐列表。

根据本公开的一方面，提供了一种用户偏好识别装置，包括：获取模块，被配置为获取多个目标历史推荐对象的展现信息和用户对所述多个目标历史推荐对象的行为信息，其中，所述多个目标历史推荐对象具有相同的类别标签；确定模块，被配置为基于所述行为信息，确定所述用户对所述类别标签的第一偏好程度；以及修正模块，被配置为利用所述展现信息对所述第一偏好程度进行修正，以得到所述用户对所述类别标签的第二偏好程度，其中，所述第二偏好程度用于确定具有所述类别标签的对象对所述用户的推荐度，以对所述用户进行对象推荐。

根据本公开的一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一方面的方法。

根据本公开的一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行上述任一方面的方法。

根据本公开的一方面，提供了一种计算机程序产品，包括计算机程序指令，所述计算机程序指令在被处理器执行时实现上述任一方面的方法。

根据本公开的一个或多个实施例，能够实现精准的多样化推荐。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开实施例的对象推荐方法的流程图；

图3示出了根据本公开实施例的用户偏好识别方法的流程图；

图4示出了根据本公开实施例的对象推荐装置的结构框图；

图5示出了根据本公开实施例的用户偏好识别装置的结构框图；以及

图6示出了能够用于实现本公开实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

相关技术中，通常采用多路召回、增加粗排模型或精排模型的输入特征等方法增加推荐结果的多样性。这些方法都是启发式的，认为推荐结果越多样越好，但没有考虑用户的反馈和偏好，导致推荐结果不够精准。

针对上述问题，本公开实施例提供了一种对象推荐方法，能够实现精准的多样化推荐。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，客户端设备101、102、103、104、105和106以及服务器120可以运行使得能够执行对象推荐方法和/或用户偏好识别方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

客户端设备101、102、103、104、105和/或106可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、车载设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统；或包括各种移动操作系统，例如MICROSOFT Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、Wi-Fi)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

为了本公开实施例的目的，在图1的示例中，客户端设备101-106中可以包括用于进行对象浏览的客户端应用，用户可以通过该客户端应用来浏览相应的对象。用户浏览的对象可以是新闻资讯、音视频、商品信息等，相应地，客户端应用可以是新闻资讯应用、影音娱乐应用、购物应用等。客户端应用可以以多种方式存在于客户端设备中。例如，客户端应用可以是运行前需要下载和安装的应用程序，也可以是可通过浏览器访问的网站，还可以是运行于宿主应用中的轻量化的小程序，等等。

与客户端设备中的用于进行内容浏览的客户端应用相应地，服务器120可以是该客户端应用对应的服务器。服务器120中可以包括服务程序，该服务程序可以基于数据库130中已存储的对象信息(包括对象的标题、配图、正文、作者、类型、交互情况(例如点赞、评论、转发等)等)，向用户提供对象浏览服务。

根据一些实施例，服务器120可以执行本公开实施例的对象推荐方法，基于用户对不同类别标签的偏好程度确定不同对象对该用户的推荐度，随后按照推荐度对多个对象进行排序，以得到用户的推荐列表。推荐列表中的对象可以部分或全部地展现给用户。服务器120也可以通过执行本公开实施例的用户偏好识别方法，识别出用户对不同类别标签的偏好程度。该偏好程度可以应用于本公开实施例的对象推荐方法中，以确定对象对用户的推荐度。

在另一些实施例中，客户端设备101-106也可以执行本公开实施例的对象推荐方法或用户偏好识别方法，以实现精准的多样化推荐。

图2示出了根据本公开实施例的对象推荐方法200的流程图。如上所述，方法200的各个步骤的执行主体可以是客户端(例如，图1中所示的客户端设备101-106)，也可以是服务器(例如，图1中所示的服务器120)。

如图2所示，方法200包括步骤S210-S240。

在步骤S210中，获取待推荐给用户的多个对象和多个对象各自的第一推荐度。

在步骤S220中，对于多个对象中的任一对象，获取该对象的类别标签以及用户对该类别标签的偏好程度。类别标签的偏好程度是基于具有该类别标签的多个历史推荐对象的展现信息和该用户对多个历史推荐对象的行为信息确定的。

在步骤S230中，利用上述偏好程度对第一推荐度进行调整，以得到该对象的第二推荐度。第二推荐度与上述偏好程度正相关。

在步骤S240中，基于多个对象各自的第二推荐度，对多个对象进行排序，以得到用户的推荐列表。

根据本公开的实施例，基于用户对历史推荐对象的真实反馈数据确定用户对不同类别标签的偏好程度，基于用户对类别标签的偏好程度调整各对象的推荐度，能够在保证类别标签多样性的同时将各对象按照用户的感兴趣程度排序，提高了排序结果的准确性，实现了精准的多样化推荐。

根据本公开的实施例，能够使用户不感兴趣的内容尽快退场(即，在推荐列表中的排序靠后)，避免持续向用户推荐其不感兴趣的对象，提高了用户体验和浏览时长。

以下详细介绍方法200的各个步骤。

在步骤S210中，获取待推荐给用户的多个对象和多个对象各自的第一推荐度。

根据一些实施例，待推荐给用户的多个对象和多个对象可以通过推荐系统的召回阶段、粗排阶段和精排阶段获得。

例如，在召回阶段，可以按照预设的召回策略(例如协同过滤召回、热点召回、内容偏好召回等)从已存储的对象中召回用户可能感兴趣的多个第一候选对象，并将多个第一候选对象送入粗排阶段。

在粗排阶段，可以利用粗排模型对每个第一候选对象进行打分。粗排模型输出的第一候选对象的得分可以表示该第一候选对象与用户的匹配度。得分最高的多个第一候选对象可以被作为多个第二候选对象，并被送入精排阶段。

在精排阶段，可以利用精排模型对每个第二候选对象进行打分。精排模型输出的第二候选对象的得分可以表示该第二候选对象与用户的匹配度。可以将得分最高的多个第二候选对象作为待推荐给用户的多个对象。每个对象的第一推荐度例如可以是精排模型输出的该对象的得分。

需要说明的是，上述粗排阶段和精排阶段在推荐系统中均是可选的。在推荐系统包括粗排阶段和精排阶段的情况下，步骤S210中所获取的多个对象可以是经过粗排和精排后的得分最高的多个对象(如上文所述)。相应地，每个对象的第一推荐度可以是精排模型输出的该对象的得分。在推荐系统仅包括粗排阶段的情况下，步骤S210中所获取的多个对象可以是仅经过粗排后的得分最高的多个对象。相应地，每个对象的第一推荐度可以是粗排模型输出的该对象的得分。在推荐系统仅包括精排阶段的情况下，步骤S210中所获取的多个对象可以是仅经过精排后的得分最高的多个对象。相应地，每个对象的第一推荐度可以是精排模型输出的该对象的得分。

在步骤S220中，对于多个对象中的任一对象，获取该对象的类别标签以及用户对该类别标签的偏好程度。

对象的类别标签指示该对象所属的类别。对象的类别标签可以有一个或多个。

根据一些实施例，对象可以具有相同粒度的多个类别标签。例如，对于标题为《由A国明星B和明星C主演的电影D即将上映》的新闻对象，可以具有“明星B”和“明星C”两个相同粒度的类别标签。

根据一些实施例，对象可以具有不同粒度的多个标签。仍以上述新闻对象为例，该新闻对象除了具有“明星B”、“明星C”两个类别标签之外，还可以具有“娱乐”“A国娱乐”等类别标签。可以理解，类别标签“娱乐”、“A国娱乐”、“明星B(或明星C)”的粒度由粗到细。

用户通常对不同类别标签具有不同的偏好程度。用户对类别标签的偏好程度可以体现在具有该类别标签的对象上，即，用户对具有自己偏好的类别标签的对象更感兴趣。例如，用户对“体育”标签的偏好程度高于“娱乐”标签，则用户对体育类的新闻对象更感兴趣。又例如，用户对“明星D”标签的偏好程度高于“明星E”标签，则用户对与明星D相关的视频对象更感兴趣。

根据一些实施例，用户对类别标签的偏好程度可以通过0～1之间的数值表示。由0到1，偏好程度逐渐增大。

在本公开的实施例中，用户对类别标签的偏好程度可以基于具有该类别标签的多个历史推荐对象对该用户的展现信息和该用户对多个历史推荐对象的行为信息确定。

根据一些实施例，用户对类别标签的偏好程度可以根据本公开实施例的用户偏好识别方法(即，下文中的用户偏好识别方法300)确定。

根据一些实施例，用户偏好识别方法可以与对象推荐方法分别地、独立地执行。例如，可以通过执行用户偏好识别方法，离线地确定并存储用户对各类别标签的偏好程度。在用户访问推荐系统时，通过执行对象推荐方法，从数据库中读取已存储的用户对各类别标签的偏好程度，并基于所读取的各类别标签的偏好程度在线地为用户推荐对象。

根据一些实施例，用户偏好识别方法也可以是对象推荐方法的一部分，随着对象推荐方法被执行而被执行。例如，在用户访问推荐系统时，触发对象推荐方法的执行。在对象推荐方法的执行过程中，实时获取具有某种类别标签的多个历史推荐对象的展现信息以及该用户对这多个历史推荐对象的行为信息，并据此计算用户对该类别标签的偏好程度。基于所确定类别标签的偏好程度，在线地为用户推荐对象。

本公开实施例的用户偏好识别方法将于下文进行详述。

在步骤S230中，利用上述偏好程度对第一推荐度进行调整，以得到该对象的第二推荐度。

对象的第二推荐度与用户对该对象的类别标签的偏好程度正相关。即，用户对该对象的类别标签的偏好程度越高，该对象的第二推荐度越大。

根据一些实施例，可以将偏好程度作为调权因子，与对象的第一推荐度相乘，以得到对象的第二推荐度。在偏好程度为0～1之间的数值的情况下，第二推荐度通常小于第一推荐度。具体地，在偏好程度为1(即，用户对相应的类别标签完全感兴趣)的情况下，第二推荐度与第一推荐度相等。在偏好程度小于1(即，用户对相应的类别标签不完全感兴趣)的情况下，偏好程度用于对第一推荐度进行降权，从而所得到的第二推荐度小于第一推荐度。

根据另一些实施例，可以对偏好程度进行一定的处理(例如加减乘除等运算)，以得到一个数值。将该数值作为调权因子，与对象的第一推荐度相乘，以得到对象的第二推荐度。

根据一些实施例，在某个对象具有多个类别标签的情况下，可以利用多个类别标签各自的偏好程度对该对象的第一推荐度进行调整，以得到该对象的第二推荐度。第二推荐度与多个类别标签中的任一类别标签的偏好程度正相关。

根据上述实施例，如果对象有多个类别标签，那么用户对每个类别标签的偏好程度都会对该对象的推荐度产生影响。由此得到的第二推荐度能够准确表达用户对对象的感兴趣程度，从而提高了排序结果的准确性。

根据一些实施例，可以将每个标签的偏好程度作为调权因子，分别与对象的第一推荐度相乘，以得到对象的第二推荐度。例如，对象O的第一推荐度为r1，并且具有三个类别标签Lable1、Lable2、Lable3。用户对这三个类别标签的偏好程度分别为f1、f2、f3，则对象O的第二推荐度r2＝r1*f1*f2*f3。

在步骤S240中，基于多个对象各自的第二推荐度，对多个对象进行排序，以得到用户的推荐列表。

根据一些实施例，推荐列表可以包括多个对象中的全部。

根据另一些实施例，推荐列表也可以包括多个对象中的一部分。例如，仅包括第二推荐度最大的K个(Top K)对象，或者仅包括第二推荐度大于阈值的对象。

根据一些实施例，方法200还可以包括：将多个对象按照推荐列表中的顺序依次展现给用户；以及基于用户对已展现对象的行为信息和已展现对象的展现信息，更新用户对已展现对象的类别标签的偏好程度。

根据上述实施例，利用用户对当前推荐结果的反馈更新用户对各类别标签的偏好程度，能够提高用户对各类别标签的偏好程度的准确性，使偏好程度准确反映用户的最新偏好。

根据一些实施例，可以根据用户的行为，将推荐列表中的对象依次展现给用户。例如，可以响应于用户的点击、拖动等交互操作，向用户展现推荐列表中的下一个对象。

根据一些实施例，可以将具有某个类别标签的已展现对象作为本公开实施例的用户偏好识别方法中的目标历史推荐对象，用于更新用户对该类别标签的偏好程度。

根据本公开的实施例，还提供了一种用户偏好识别方法。基于该方法，可以得到用户针对不同类别标签的偏好程度。所确定的类别标签的偏好程度可以被应用于本公开实施例的对象推荐方法(例如上述对象推荐方法200)中，以对具有该类别标签的对象的推荐度进行调整。

图3示出了根据本公开实施例的用户偏好识别方法300的流程图。方法300的执行主体可以是服务器，也可以是客户端设备。如图3所示，方法300包括步骤S310-S340。

在步骤S310中，获取多个目标历史推荐对象的展现信息和用户对上述多个目标历史推荐对象的行为信息。上述多个目标历史推荐对象具有相同的类别标签。

在步骤S320中，基于上述行为信息，确定用户对上述类别标签的第一偏好程度。

在步骤S330中，利用上述展现信息，对上述第一偏好程度进行修正，以得到用户对上述类别标签的第二偏好程度。第二偏好程度用于确定具有上述类别标签的对象对该用户的推荐度，以对该用户进行对象推荐。

根据本公开的实施例，在确定用户对某个类别标签的偏好程度时，综合考虑了具有该类别标签的多个目标历史推荐对象的展现信息和用户对这多个目标历史推荐对象的行为信息，提高了所确定的偏好程度(即，第二偏好程度)的准确性，使偏好程度能够准确表达用户的兴趣。

进一步地，利用所确定的偏好程度对用户进行对象推荐，能够提高推荐结果的准确性。

以下详细介绍方法300的各个步骤。

在步骤S310中，获取多个目标历史推荐对象的展现信息和用户对上述多个目标历史推荐对象的行为信息。上述多个目标历史推荐对象具有相同的类别标签。

在本公开的实施例中，目标历史推荐对象指的是具有某种类别标签的、已展现给用户的历史推荐对象。多个目标历史推荐对象的展现信息例如包括每个目标历史推荐对象的开始展现时间、展现时长、在用户的历史推荐对象列表中的展现顺序，多个目标历史推荐对象中的最后展现的目标历史推荐对象与用户的历史推荐对象列表中的最后展现的历史推荐对象的距离间隔(即，位于二者之间的历史推荐对象的数目)和/或时间间隔(即，二者的开始展现时间的差，单位例如可以是小时)，等。

用户的历史推荐对象列表包括推荐系统在第一历史时期内向用户展现的所有历史推荐对象。可以理解，历史推荐对象列表包括具有不同类别标签的多个历史推荐对象。

用户对目标历史推荐对象的行为信息例如包括用户是否点击该目标历史推荐对象、用户对目标历史推荐对象的浏览时长等。

根据一些实施例，多个目标历史推荐对象可以按照以下步骤S302和S304获取。

在步骤S302中，获取用户的历史推荐对象列表，历史推荐对象列表中的每个历史推荐对象在推荐页面中的开始展现时间、展现时长和第一展现位置，用户在推荐页面中的搜索行为的开始时间和搜索框的第二展现位置。

在步骤S304中，响应于历史推荐对象满足以下任一条件，将该历史推荐对象作为所述多个目标历史推荐对象之一：所述历史推荐对象的开始展现时间与所述开始时间的差大于第一阈值；所述历史推荐对象的第一展现位置与所述第二展现位置的差大于第二阈值；所述展现时长大于第三阈值。

当用户进行搜索时，用户的视觉注意力通常集中在搜索框处，而不会关注搜索框附近的推荐对象。搜索行为附近的展现时长较短的推荐对象很可能由于用户的误触产生。根据上述实施例，能够在识别用户偏好时，过滤掉搜索行为附近的展现时长较短的历史推荐对象，即，过滤掉开始展现时间与开始时间的差小于或等于第一阈值(例如1分钟)且第一展现位置与第二展现位置的差小于或等于第二阈值(例如沿高度方向200个像素)且展现时长小于或等于第三阈值(例如1秒)的历史推荐对象，仅利用剩余的历史推荐对象来确定用户对类别标签的偏好程度。由此能够避免对用户兴趣点的误判(例如将用户误触的对象判断为用户感兴趣的对象，或者将已展现但未被用户点击的对象用于统计最大连续不点击次数而导致对相应类别标签的误伤)，提高所确定的偏好程度的准确性。

在步骤S320中，基于上述行为信息，确定用户对上述类别标签的第一偏好程度。

根据一些实施例，步骤S320可以包括以下步骤S322和S324。

在步骤S322中，基于行为信息，确定类别标签的最大连续不点击次数。

在步骤S324中，基于上述最大连续不点击次数，确定类别标签的第一偏好程度。第一偏好程度与最大连续不点击次数负相关。

最大连续不点击次数(Longest Continuous no-click Number，LCN)，又称最大连续展现不点击次数，指的是历史推荐对象被展现而连续未被点击的最大次数。最大连续不点击次数能够反映用户对类别标签的偏好程度，即，第一偏好程度。在本公开的实施例中，第一偏好程度指的是基于用户行为信息(例如最大连续不点击次数)确定的类别标签的初始偏好程度。第一偏好程度与最大连续不点击次数负相关，即，类别标签的最大连续不点击次数越大，用户对该类别标签的第一偏好程度越低。

根据一些实施例，可以根据第一偏好程度的计算公式，计算类别标签的第一偏好程度。第一偏好程度的计算公式例如可以是下式(1)。

式(1)中，cate表示类别标签，f_cate表示用户对类别标签cate的第一偏好程度，e为自然底数，LCN_cate为类别标签cate的最大连续不点击次数，a、b为预设的常数。

根据一些实施例，用户针对目标历史推荐对象的行为信息包括用户是否点击每个目标历史推荐对象以及用户对每个目标历史推荐对象的浏览时长。相应地，步骤S322可以包括以下步骤S3221和S3222。

在步骤S3221中，将多个目标历史推荐对象中的被用户点击并且浏览时长小于第四阈值(例如，5秒)的目标历史推荐对象标记为未被点击。

在步骤S3222中，基于经过标记的多个目标历史推荐对象，确定类别标签的最大连续不点击次数。

用户点击对象并且对对象的浏览时长较短(例如，小于5秒)，通常意味着用户对该对象不感兴趣。根据上述实施例，将浏览时长较短的目标历史推荐对象视为未被点击，仅基于浏览时长较长的目标历史推荐对象对象确定类别标签的最大连续不点击次数，能够提高最大连续不点击次数的准确性，使最大连续不点击次数能够准确反映用户的兴趣。

根据一些实施例，在用户通过点击目标历史推荐对象即可进入目标历史推荐对象所在的页面(即，落地页)并对其进行浏览的情况下，该目标历史推荐对象的浏览时长即为用户在落地页的停留时长。

在另一些实施例中，用户点击目标历史推荐对象后，不会直接进入目标历史推荐对象的落地页，而是进入一个包含目标历史推荐对象的列表页。通过在列表页中点击目标历史推荐对象，才能进入目标历史推荐对象的落地页。在这种情况下，目标历史推荐对象的浏览时长为用户在列表页的停留时长和在落地页的停留时长之和。

根据一些实施例，步骤S322可以包括以下步骤S3223和S3224。

在步骤S3223中，基于行为信息，确定在第一历史时期内所述类别标签的初始最大连续不点击次数和在第二历史时期内所述类别标签的点击次数。第一历史时期包括并且长于第二历史时期。例如，第一历史时期可以是最近1个月，第二历史时期可以是最近3天。又例如，第一历史时期可以是最近1个月，第二历史时期可以是该类别标签最近三个目标历史推荐对象的展现时期。

在步骤S3224中，利用所述点击次数对所述初始最大连续不点击次数进行修正，以得到所述最大连续不点击次数。

根据上述实施例，能够利用用户在短期内(即，第二历史时期)的行为来修正用户在长期内(即，第一历史时期)的初始最大连续不点击次数，使修正后的最大连续不点击次数能够综合反映用户长期和短期的偏好，及时体现用户偏好的变化，提高用户偏好识别的准确性。

根据一些实施例，用户的行为信息可以是用户在第一历史时期内针对多个目标历史推荐对象的行为信息，例如是否点击、浏览时长等。相应地，在步骤S3223中，可以基于用户在第一历史时期内针对多个目标历史推荐对象的行为信息，确定用户在第一历史时期内针对类别标签的初始最大连续不点击次数。初始最大连续不点击次数能够表示用户的长期行为。

由于第一历史时期包括第二历史时期，因此也可以基于第一历史时期的行为信息，确定用户在第二历史时期内对类别标签的点击次数，即，确定用户在第二历史时期内对具有该类别标签的目标历史推荐对象的点击次数。

根据一些实施例，步骤S3224中的类别标签的最大连续不点击次数可以根据以下公式(2)和(3)确定。

LCN_cate＝LCN_init*f_click (2)

式(2)和式(3)中，LCN_init为类别标签的初始最大连续不点击次数，LCN_cate为类别标签cate的修正后的最大连续不点击次数，n为第二历史时期内展示的具有类别标签cate的目标历史推荐对象的数量(例如，n＝3)，click为用户对最近n个目标历史推荐对象的点击次数，即，在最近n个目标历史推荐对象中，用户点击了几个目标历史推荐对象。

根据一些实施例，步骤S322可以包括以下步骤S3225和S3226。

在步骤S3225中，基于行为信息，确定在第一历史时期内所述类别标签的初始最大连续不点击次数。初始最大连续不点击次数的确定方式可以与上文步骤S3223相同。

在步骤S3226中，基于所述第一历史时期内的具有所述类别标签的历史推荐对象占所述第一历史时期内的所述用户的所有历史推荐对象的比例，对所述初始最大连续不点击次数进行修正，以得到所述最大连续不点击次数。

初始最大连续不点击次数的大小受展现频率的影响。历史展现频率较低的类别标签，其初始最大连续不点击次数通常也较低。对于用户实际不感兴趣、但历史展现频率较低的类别标签，如果不考虑其历史展现频率，仅基于初始最大连续不点击次数确定用户对该类别标签的偏好程度，会导致所确定的偏好程度比实际值偏高，使用户不感兴趣的类别标签无法及时退场，影响用户体验。

根据上述实施例，能够利用类别标签的历史展现频率对初始最大连续不点击次数进行修正，从而提高最大连续不点击次数的准确性。根据一些实施例，步骤S3226中的类别标签的最大连续不点击次数可以根据以下公式(4)-(6)确定。

LCN_cate＝LCN_init*f_sr (4)

式(4)-(6)中，sr_cate为第一历史时期内的具有类别标签cate的历史推荐对象占第一历史时期内的用户的所有历史推荐对象的比例(即，历史展现频率)，LCN_init为类别标签的初始最大连续不点击次数，LCN_cate为类别标签cate的修正后的最大连续不点击次数。

根据一些实施例，上述步骤S3224和S3226可以相结合。即，利用第二历史时期内的点击次数和第一历史时期内的历史展现频率对初始最大连续不点击次数进行修正，以得到修正后的最大连续不点击次数。在这种情况下，最大连续不点击次数可以根据下式(7)确定。

LCN_cate＝LCN_init*f_click*f_sr (7)

可以理解，公式(7)是公式(2)和公式(4)的结合。公式(7)中的参数的含义与公式(2)、(4)相同，此处不再赘述。

在步骤S330中，利用上述展现信息，对上述第一偏好程度进行修正，以得到用户对上述类别标签的第二偏好程度。第二偏好程度用于确定具有上述类别标签的对象对该用户的推荐度，以对该用户进行对象推荐。

根据一些实施例，展现信息包括多个目标历史推荐对象中的最后展现的目标历史推荐对象与所述用户的历史推荐对象列表中的最后展现的历史推荐对象的距离间隔和/或时间间隔。相应地，在步骤S330中，可以利用所述距离间隔和/或所述时间间隔对所述第一偏好程度进行修正，以得到所述第二偏好程度。所述第二偏好程度与所述距离间隔正相关并且与所述时间间隔正相关。

根据上述实施例，多个目标历史推荐对象中的最后展现的目标历史推荐对象与所述用户的历史推荐对象列表中的最后展现的历史推荐对象的距离间隔和/或时间间隔越大，用户最近越少看到相应类别标签的对象，这类对象对于用户来说越新鲜、越可能吸引用户。相应地，增大该类别标签的第二偏好程度，从而使第二偏好程度能够准确表达用户的兴趣。

根据一些实施例，第二偏好程度可以按照下式(8)-(10)计算。

式(8)-(10)中，f_cate表示用户对类别标签cate的第一偏好程度，f’_cate表示用户对类别标签cate的第二偏好程度，dis、ts分别表示多个目标历史推荐对象中的最后展现的目标历史推荐对象与用户的历史推荐对象列表中的最后展现的历史推荐对象的距离间隔、时间间隔，f_dis、f_ts分别表示基于距离间隔dis、时间间隔ts计算出的调权因子，e为自然底数，LCN_cate为类别标签cate的最大连续不点击次数，a、b、c、d、k均为预设的常数。

根据一些实施例，可以通过进化学习的方法自适应地调节类别标签的偏好程度对对象推荐度的作用力度。作用力度可以体现为基于类别标签的偏好程度所确定的调权系数。调权系数的值小于或等于1。调权系数的值越小，对象推荐度降低得越多，作用力度越强。

例如，可以通过进化学习的方法对神经网络模型进行训练，以调节类别标签的偏好程度对对象推荐度的作用力度。神经网络模型的输入例如包括场景特征和用户特征，输出为作用力度的调节信号(例如，增强或减弱)。场景特征例如包括使用时段特征(工作时间、休息时间等)、位置特征(办公区、景区)等。用户特征例如包括用户的活跃程度(活跃、非活跃)、性别、年龄段等。

在神经网络模型的训练过程中，将场景特征和用户特征输入神经网络模型，得到神经网络模型输出的调节信号。利用该调节信号调整类别标签的偏好程度对对象推荐度的作用力度，基于该作用力度得到用户的推荐结果，并将推荐结果展现给用户。基于用户对推荐结果的反馈数据(例如总展现数量、总点击数量等)，计算当前调节信号的奖励(Reward)。基于奖励调整神经网络模型的参数，直至神经网络模型输出的调节信号的奖励达到预期。

根据本公开的实施例，还提供了一种对象推荐装置。图4示出了根据本公开实施例的对象推荐装置400的结构框图。如图4所示，装置400包括第一获取模块410、第二获取模块420、调整模块430和排序模块440。

第一获取模块410被配置为获取待推荐给用户的多个对象和所述多个对象各自的第一推荐度。

第二获取模块420被配置为对于所述多个对象中的任一对象，获取所述对象的类别标签以及所述用户对所述类别标签的偏好程度，其中，所述偏好程度是基于具有所述类别标签的多个历史推荐对象的展现信息和所述用户对所述多个历史推荐对象的行为信息确定的。

调整模块430被配置为利用所述偏好程度对所述第一推荐度进行调整，以得到所述对象的第二推荐度，其中，所述第二推荐度与所述偏好程度正相关。

排序模块440被配置为基于所述多个对象各自的第二推荐度，对所述多个对象进行排序，以得到所述用户的推荐列表。

根据本公开的实施例，基于用户对历史推荐对象的真实反馈数据确定用户对不同类别标签的偏好程度，基于用户对类别标签的偏好程度调整各对象的推荐度，能够在保证类别标签多样性的同时将各对象按照用户的感兴趣程度排序，提高了排序结果的准确性，实现了精准的多样化推荐。

根据本公开的实施例，能够使用户不感兴趣的内容尽快退场(即，在推荐列表中的排序靠后)，避免持续向用户推荐其不感兴趣的对象，提高了用户体验和浏览时长。

根据一些实施例，所述对象具有多个类别标签，所述调整模块430进一步被配置为：利用所述多个类别标签各自的偏好程度对所述第一推荐度进行调整，以得到所述对象的第二推荐度，其中，所述第二推荐度与所述多个类别标签中的任一类别标签的偏好程度正相关。

根据一些实施例，装置400还包括：展现模块，被配置为将所述多个对象按照所述推荐列表中的顺序依次展现给所述用户；以及更新模块，被配置为基于所述用户对已展现对象的行为信息和所述已展现对象的展现信息，更新所述用户对所述已展现对象的类别标签的偏好程度。

应当理解，图4中所示装置400的各个模块和单元可以与参考图2描述的方法200中的各个步骤相对应。由此，上面针对方法200描述的操作、特征和优点同样适用于装置400及其包括的模块和单元。为了简洁起见，某些操作、特征和优点在此不再赘述。

根据本公开的实施例，还提供了一种用户偏好识别装置。图5示出了根据本公开实施例的用户偏好识别装置500的结构框图。如图5所示，装置500包括获取模块510、确定模块520和修正模块530。

获取模块510被配置为获取多个目标历史推荐对象的展现信息和用户对所述多个目标历史推荐对象的行为信息，其中，所述多个目标历史推荐对象具有相同的类别标签。

确定模块520被配置为基于所述行为信息，确定所述用户对所述类别标签的第一偏好程度。

修正模块530被配置为利用所述展现信息对所述第一偏好程度进行修正，以得到所述用户对所述类别标签的第二偏好程度，其中，所述第二偏好程度用于确定具有所述类别标签的对象对所述用户的推荐度，以对所述用户进行对象推荐。

根据本公开的实施例，在确定用户对某个类别标签的偏好程度时，综合考虑了具有该类别标签的多个目标历史推荐对象的展现信息和用户对这多个目标历史推荐对象的行为信息，提高了所确定的偏好程度(第二偏好程度)的准确性，使偏好程度能够准确表达用户的兴趣。

进一步地，利用所确定的偏好程度(第二偏好程度)对用户进行对象推荐，能够提高推荐结果的准确性。

根据一些实施例，确定模块520包括：第一确定单元，被配置为基于所述行为信息，确定所述类别标签的最大连续不点击次数；以及第二确定单元，被配置为基于所述最大连续不点击次数，确定所述第一偏好程度，其中，所述第一偏好程度与所述最大连续不点击次数负相关。

根据一些实施例，所述第一确定单元包括：确定子单元，被配置为基于所述行为信息，确定在第一历史时期内所述类别标签的初始最大连续不点击次数和在第二历史时期内所述类别标签的点击次数，其中，所述第一历史时期包括并且长于所述第二历史时期；以及修正单元，被配置为利用所述点击次数对所述初始最大连续不点击次数进行修正，以得到所述最大连续不点击次数。

根据一些实施例，所述展现信息包括所述多个目标历史推荐对象中的最后展现的目标历史推荐对象与所述用户的历史推荐对象列表中的最后展现的历史推荐对象的距离间隔和/或时间间隔，并且其中，所述修正模块530进一步被配置为：利用所述距离间隔和/或所述时间间隔对所述第一偏好程度进行修正，以得到所述第二偏好程度，其中，所述第二偏好程度与所述距离间隔正相关并且与所述时间间隔正相关。

应当理解，图5中所示装置500的各个模块和单元可以与参考图3描述的方法300中的各个步骤相对应。由此，上面针对方法300描述的操作、特征和优点同样适用于装置500及其包括的模块和单元。为了简洁起见，某些操作、特征和优点在此不再赘述。

虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。

还应当理解，本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图4和图5描述的各个单元可以在硬件中或在结合软件和/或固件的硬件中实现。例如，这些单元可以被实现为计算机程序代码/指令，该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地，这些单元可以被实现为硬件逻辑/电路。例如，在一些实施例中，单元410-530中的一个或多个可以一起被实现在片上系统(System on Chip,SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如，中央处理单元(Central Processing Unit,CPU)、微控制器、微处理器、数字信号处理器(Digital Signal Processor,DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件)，并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。

根据本公开的实施例，还提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器，该存储器存储有可被上述至少一个处理器执行的指令，该指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行本公开实施例的对象推荐方法和/或用户偏好识别方法。

根据本公开的实施例，还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开实施例的对象推荐方法和/或用户偏好识别方法。

根据本公开的实施例，还提供了一种计算机程序产品，包括计算机程序指令，该计算机程序指令在被处理器执行时实现本公开实施例的对象推荐方法和/或用户偏好识别方法。

参考图6，现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

电子设备600中的多个部件连接至I/O接口605，包括：输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备，输入单元606可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙设备、802.11设备、Wi-Fi设备、WiMAX设备、蜂窝通信设备和/或类似物。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200和/或方法300可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的方法200或方法300的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200和/或方法300。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本公开的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (20)

1.一种对象推荐方法，包括：

获取待推荐给用户的多个对象和所述多个对象各自的第一推荐度；

对于所述多个对象中的任一对象：

获取所述对象的类别标签以及所述用户对所述类别标签的偏好程度，其中，所述偏好程度是基于具有所述类别标签的多个历史推荐对象的展现信息和所述用户对所述多个历史推荐对象的行为信息确定的；以及

利用所述偏好程度对所述第一推荐度进行调整，以得到所述对象的第二推荐度，其中，所述第二推荐度与所述偏好程度正相关；以及

基于所述多个对象各自的第二推荐度，对所述多个对象进行排序，以得到所述用户的推荐列表。

2.根据权利要求1所述的方法，其中，所述对象具有多个类别标签，所述利用所述偏好程度对所述第一推荐度进行调整，以得到所述对象的第二推荐度包括：

利用所述多个类别标签各自的偏好程度对所述第一推荐度进行调整，以得到所述对象的第二推荐度，其中，所述第二推荐度与所述多个类别标签中的任一类别标签的偏好程度正相关。

3.根据权利要求1或2所述的方法，还包括：

将所述多个对象按照所述推荐列表中的顺序依次展现给所述用户；以及

基于所述用户对已展现对象的行为信息和所述已展现对象的展现信息，更新所述用户对所述已展现对象的类别标签的偏好程度。

4.一种用户偏好识别方法，包括：

获取多个目标历史推荐对象的展现信息和用户对所述多个目标历史推荐对象的行为信息，其中，所述多个目标历史推荐对象具有相同的类别标签；

基于所述行为信息，确定所述用户对所述类别标签的第一偏好程度；以及

利用所述展现信息对所述第一偏好程度进行修正，以得到所述用户对所述类别标签的第二偏好程度，其中，所述第二偏好程度用于确定具有所述类别标签的对象对所述用户的推荐度，以对所述用户进行对象推荐。

5.根据权利要求4所述的方法，还包括：

获取所述用户的历史推荐对象列表，所述历史推荐对象列表中的每个历史推荐对象在推荐页面中的开始展现时间、展现时长和第一展现位置，所述用户在所述推荐页面中的搜索行为的开始时间和搜索框的第二展现位置；以及

响应于所述历史推荐对象满足以下任一条件，将所述历史推荐对象作为所述多个目标历史推荐对象之一：

所述历史推荐对象的开始展现时间与所述开始时间的差大于第一阈值；

所述历史推荐对象的第一展现位置与所述第二展现位置的差大于第二阈值；

所述展现时长大于第三阈值。

6.根据权利要求4或5所述的方法，其中，所述基于所述行为信息，确定所述用户对所述类别标签的第一偏好程度包括：

基于所述行为信息，确定所述类别标签的最大连续不点击次数；以及

基于所述最大连续不点击次数，确定所述第一偏好程度，其中，所述第一偏好程度与所述最大连续不点击次数负相关。

7.根据权利要求6所述的方法，其中，所述行为信息包括是否点击和浏览时长，并且其中，所述基于所述行为信息，确定所述类别标签的最大连续不点击次数包括：

将所述多个目标历史推荐对象中的被所述用户点击并且浏览时长小于第四阈值的目标历史推荐对象标记为未被点击；以及

基于经过标记的多个目标历史推荐对象，确定所述类别标签的最大连续不点击次数。

8.根据权利要求6或7所述的方法，其中，所述基于所述行为信息，确定所述类别标签的最大连续不点击次数包括：

基于所述行为信息，确定在第一历史时期内所述类别标签的初始最大连续不点击次数和在第二历史时期内所述类别标签的点击次数，其中，所述第一历史时期包括并且长于所述第二历史时期；以及

利用所述点击次数对所述初始最大连续不点击次数进行修正，以得到所述最大连续不点击次数。

9.根据权利要求6或7所述的方法，其中，所述基于所述行为信息，确定所述类别标签的最大连续不点击次数包括：

基于所述行为信息，确定在第一历史时期内所述类别标签的初始最大连续不点击次数；以及

基于所述第一历史时期内的具有所述类别标签的历史推荐对象占所述第一历史时期内的所述用户的所有历史推荐对象的比例，对所述初始最大连续不点击次数进行修正，以得到所述最大连续不点击次数。

10.根据权利要求4-9中任一项所述的方法，其中，所述展现信息包括所述多个目标历史推荐对象中的最后展现的目标历史推荐对象与所述用户的历史推荐对象列表中的最后展现的历史推荐对象的距离间隔和/或时间间隔，并且其中，所述利用所述展现信息对所述第一偏好程度进行修正，以得到所述用户对所述类别标签的第二偏好程度包括：

利用所述距离间隔和/或所述时间间隔对所述第一偏好程度进行修正，以得到所述第二偏好程度，其中，所述第二偏好程度与所述距离间隔正相关并且与所述时间间隔正相关。

11.一种对象推荐装置，包括：

第一获取模块，被配置为获取待推荐给用户的多个对象和所述多个对象各自的第一推荐度；

第二获取模块，被配置为对于所述多个对象中的任一对象，获取所述对象的类别标签以及所述用户对所述类别标签的偏好程度，其中，所述偏好程度是基于具有所述类别标签的多个历史推荐对象的展现信息和所述用户对所述多个历史推荐对象的行为信息确定的；

调整模块，被配置为利用所述偏好程度对所述第一推荐度进行调整，以得到所述对象的第二推荐度，其中，所述第二推荐度与所述偏好程度正相关；以及

排序模块，被配置为基于所述多个对象各自的第二推荐度，对所述多个对象进行排序，以得到所述用户的推荐列表。

12.根据权利要求11所述的装置，其中，所述对象具有多个类别标签，所述调整模块进一步被配置为：

利用所述多个类别标签各自的偏好程度对所述第一推荐度进行调整，以得到所述对象的第二推荐度，其中，所述第二推荐度与所述多个类别标签中的任一类别标签的偏好程度正相关。

13.根据权利要求11或12所述的装置，还包括：

展现模块，被配置为将所述多个对象按照所述推荐列表中的顺序依次展现给所述用户；以及

更新模块，被配置为基于所述用户对已展现对象的行为信息和所述已展现对象的展现信息，更新所述用户对所述已展现对象的类别标签的偏好程度。

14.一种用户偏好识别装置，包括：

获取模块，被配置为获取多个目标历史推荐对象的展现信息和用户对所述多个目标历史推荐对象的行为信息，其中，所述多个目标历史推荐对象具有相同的类别标签；

确定模块，被配置为基于所述行为信息，确定所述用户对所述类别标签的第一偏好程度；以及

修正模块，被配置为利用所述展现信息对所述第一偏好程度进行修正，以得到所述用户对所述类别标签的第二偏好程度，其中，所述第二偏好程度用于确定具有所述类别标签的对象对所述用户的推荐度，以对所述用户进行对象推荐。

15.根据权利要求14所述的装置，其中，所述确定模块包括：

第一确定单元，被配置为基于所述行为信息，确定所述类别标签的最大连续不点击次数；以及

第二确定单元，被配置为基于所述最大连续不点击次数，确定所述第一偏好程度，其中，所述第一偏好程度与所述最大连续不点击次数负相关。

16.根据权利要求15所述的装置，其中，所述第一确定单元包括：

确定子单元，被配置为基于所述行为信息，确定在第一历史时期内所述类别标签的初始最大连续不点击次数和在第二历史时期内所述类别标签的点击次数，其中，所述第一历史时期包括并且长于所述第二历史时期；以及

修正单元，被配置为利用所述点击次数对所述初始最大连续不点击次数进行修正，以得到所述最大连续不点击次数。

17.根据权利要求14-16中任一项所述的装置，其中，所述展现信息包括所述多个目标历史推荐对象中的最后展现的目标历史推荐对象与所述用户的历史推荐对象列表中的最后展现的历史推荐对象的距离间隔和/或时间间隔，并且其中，所述修正模块进一步被配置为：

利用所述距离间隔和/或所述时间间隔对所述第一偏好程度进行修正，以得到所述第二偏好程度，其中，所述第二偏好程度与所述距离间隔正相关并且与所述时间间隔正相关。

18.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。

19.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-10中任一项所述的方法。

20.一种计算机程序产品，包括计算机程序指令，其中，所述计算机程序指令在被处理器执行时实现权利要求1-10中任一项所述的方法。

Images