CN117670469A - 一种对象推荐方法及装置 - Google Patents

Abstract

本公开涉及人工智能技术领域，提供了一种对象推荐方法、装置、计算机设备及计算机可读存储介质。该方法通过先筛选对象特征信息与所述目标用户的用户特征信息的匹配程度满足预设条件的待推荐对象(即候选推荐对象)，然后，筛选目标用户的点击概率大于预设阈值的候选推荐对象(即目标推荐对象)，接着，根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序，并向所述目标用户进行推荐；这样，便可以实现更加便于更快速的找到用户想要的目标推荐对象，以及，更加合理的目标推荐对象的推荐顺序，从而能够更好地满足用户需求，提高所推荐的目标推荐对象的质量和效率。

Description

一种对象推荐方法及装置

技术领域

本公开涉及人工智能技术领域，尤其涉及一种对象推荐方法及装置。

背景技术

推荐系统在当今生活扮演着不可或缺的作用，无论是网络购物，新闻阅读，还是视频观看，都有其身影。根据不同场景，推荐的物品类型有很多，如房源、商品、文本、卡券等。例如，推荐的物品为卡券时，卡券是任何交易平台都离不开的营销手段，对于用户而言，领取优惠券是为了省钱；对于平台而言，发放优惠券是为了短期刺激用户消费。为了提升业务的营收，搜索推荐算法起到了关键的作用。然而，随着特征的逐渐丰富和模型结构复杂度提高，大量无效的特征组合会形成很多的参数，降低内存的利用率，现有的卡券推荐方式仅仅是基于已有的卡券进行推荐，但这种传统的推荐方式逐渐不能满足用户需求，也就是说，现有的卡券推荐方式会使得在卡券的场景下，所推荐的卡券并不是用户真正想要的，从而导致用户体验较差。

发明内容

有鉴于此，本公开实施例提供了一种对象推荐方法、装置、计算机设备及计算机可读存储介质，以解决现有的卡券推荐方式会使得在卡券的场景下，所推荐的卡券并不是用户真正想要的，从而导致用户体验较差的问题。

本公开实施例的第一方面，提供了一种对象推荐方法，所述方法包括：

获取若干待推荐对象的对象特征信息、目标用户的用户特征信息和所述目标用户的历史浏览对象的对象特征信息；

根据所述若干待推荐对象的对象特征信息和所述目标用户的用户特征信息，确定候选推荐对象集；其中，所述候选对象集包括若干候选推荐对象，候选推荐对象为对象特征信息与所述目标用户的用户特征信息的匹配程度满足预设条件的待推荐对象；

根据所述若干候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息，确定目标推荐对象集；其中，所述目标推荐对象集包括若干目标推荐对象，目标推荐对象为所述目标用户的点击概率大于预设阈值的候选推荐对象；

根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序；

根据所述若干目标推荐对象的推荐顺序，向所述目标用户进行推荐。

本公开实施例的第二方面，提供了一种对象推荐装置，所述装置包括：

信息获取模块，用于获取若干待推荐对象的对象特征信息、目标用户的用户特征信息和所述目标用户的历史浏览对象的对象特征信息；

第一确定模块，用于根据所述若干待推荐对象的对象特征信息和所述目标用户的用户特征信息，确定候选推荐对象集；其中，所述候选对象集包括若干候选推荐对象，候选推荐对象为对象特征信息与所述目标用户的用户特征信息的匹配程度满足预设条件的待推荐对象；

第二确定模块，用于根据所述若干候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息，确定目标推荐对象集；其中，所述目标推荐对象集包括若干目标推荐对象，目标推荐对象为所述目标用户的点击概率大于预设阈值的候选推荐对象；

第三确定模块，用于根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序；

对象推荐模块，用于根据所述若干目标推荐对象的推荐顺序，向所述目标用户进行推荐。

本公开实施例的第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开实施例与现有技术相比存在的有益效果是：本公开实施例可以先获取若干待推荐对象的对象特征信息、目标用户的用户特征信息和所述目标用户的历史浏览对象的对象特征信息。然后，可以根据所述若干待推荐对象的对象特征信息和所述目标用户的用户特征信息，确定候选推荐对象集；其中，所述候选对象集包括若干候选推荐对象，候选推荐对象为对象特征信息与所述目标用户的用户特征信息的匹配程度满足预设条件的待推荐对象。接着，可以根据所述若干候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息，确定目标推荐对象集；其中，所述目标推荐对象集包括若干目标推荐对象，目标推荐对象为所述目标用户的点击概率大于预设阈值的候选推荐对象。紧接着，可以根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序。最后，可以根据所述若干目标推荐对象的推荐顺序，向所述目标用户进行推荐。可见，本实施例中通过先筛选对象特征信息与所述目标用户的用户特征信息的匹配程度满足预设条件的待推荐对象(即候选推荐对象)，然后，筛选目标用户的点击概率大于预设阈值的候选推荐对象(即目标推荐对象)，接着，根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序，并向所述目标用户进行推荐；这样，便可以实现更加便于更快速的找到用户想要的目标推荐对象，以及，更加合理的目标推荐对象的推荐顺序，从而能够更好地满足用户需求，提高所推荐的目标推荐对象的质量和效率；也就是说，本实施例可以让所推荐的目标推荐对象是用户真正想要的目标推荐对象，提升了目标推荐对象的推荐效率和效果，从而提高实际业务场景中目标推荐对象的推荐效果，进而提高了用户体验。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本公开实施例的应用场景的场景示意图；

图2是本公开实施例提供的对象推荐方法的流程图；

图3是本公开实施例提供的精排模型的网络架构示意图；

图4是本公开实施例提供的对象推荐装置的框图；

图5是本公开实施例提供的计算机设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

下面将结合附图详细说明根据本公开实施例的一种对象推荐方法和装置。

在现有技术中，由于推荐的物品为卡券时，卡券是任何交易平台都离不开的营销手段，对于用户而言，领取优惠券是为了省钱；对于平台而言，发放优惠券是为了短期刺激用户消费。为了提升业务的营收，搜索推荐算法起到了关键的作用。然而，随着特征的逐渐丰富和模型结构复杂度提高，大量无效的特征组合会形成很多的参数，降低内存的利用率，现有的卡券推荐方式仅仅是基于已有的卡券进行推荐，但这种传统的推荐方式逐渐不能满足用户需求，也就是说，现有的卡券推荐方式会使得在卡券的场景下，所推荐的卡券并不是用户真正想要的，从而导致用户体验较差。

为了解决上述问题。本发明提供了一种对象推荐方法，在本方法中，由于通过先筛选对象特征信息与所述目标用户的用户特征信息的匹配程度满足预设条件的待推荐对象(即候选推荐对象)，然后，筛选目标用户的点击概率大于预设阈值的候选推荐对象(即目标推荐对象)，接着，根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序，并向所述目标用户进行推荐；这样，便可以实现更加便于更快速的找到用户想要的目标推荐对象，以及，更加合理的目标推荐对象的推荐顺序，从而能够更好地满足用户需求，提高所推荐的目标推荐对象的质量和效率；也就是说，本实施例可以让所推荐的目标推荐对象是用户真正想要的目标推荐对象，提升了目标推荐对象的推荐效率和效果，从而提高实际业务场景中目标推荐对象的推荐效果，进而提高了用户体验。

举例说明，本发明实施例可以应用到如图1所示的应用场景。在该场景中，可以包括终端设备1和服务器2。

终端设备1可以是硬件，也可以是软件。当终端设备1为硬件时，其可以是具有显示屏且支持与服务器2通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备1为软件时，其可以安装在如上该的电子设备中。终端设备1可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备1上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。

服务器2可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器2可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。

需要说明的是，服务器2可以是硬件，也可以是软件。当服务器2为硬件时，其可以是为终端设备1提供各种服务的各种电子设备。当服务器2为软件时，其可以是为终端设备1提供各种服务的多个软件或软件模块，也可以是为终端设备1提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。

终端设备1与服务器2可以通过网络进行通信连接。网络可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙(Bluetooth)、近场通信(Near Field Communication，NFC)、红外(Infrared)等，本公开实施例对此不作限制。

具体地，用户可以通过终端设备1输入若干待推荐对象的对象特征信息、目标用户的用户特征信息和所述目标用户的历史浏览对象的对象特征信息；终端设备1将若干待推荐对象的对象特征信息、目标用户的用户特征信息和所述目标用户的历史浏览对象的对象特征信息向服务器2发送。服务器2可以先根据所述若干待推荐对象的对象特征信息和所述目标用户的用户特征信息，确定候选推荐对象集；其中，所述候选对象集包括若干候选推荐对象，候选推荐对象为对象特征信息与所述目标用户的用户特征信息的匹配程度满足预设条件的待推荐对象；然后，服务器2可以根据所述若干候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息，确定目标推荐对象集；其中，所述目标推荐对象集包括若干目标推荐对象，目标推荐对象为所述目标用户的点击概率大于预设阈值的候选推荐对象；接着，服务器2可以根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序；最后，服务器2可以根据所述若干目标推荐对象的推荐顺序，向所述目标用户进行推荐。这样，由于本实施例中通过先筛选对象特征信息与所述目标用户的用户特征信息的匹配程度满足预设条件的待推荐对象(即候选推荐对象)，然后，筛选目标用户的点击概率大于预设阈值的候选推荐对象(即目标推荐对象)，接着，根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序，并向所述目标用户进行推荐；这样，便可以实现更加便于更快速的找到用户想要的目标推荐对象，以及，更加合理的目标推荐对象的推荐顺序，从而能够更好地满足用户需求，提高所推荐的目标推荐对象的质量和效率；也就是说，本实施例可以让所推荐的目标推荐对象是用户真正想要的目标推荐对象，提升了目标推荐对象的推荐效率和效果，从而提高实际业务场景中目标推荐对象的推荐效果，进而提高了用户体验。

需要说明的是，终端设备1和服务器2以及网络的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。

需要注意的是，上述应用场景仅是为了便于理解本公开而示出，本公开的实施方式在此方面不受任何限制。相反，本公开的实施方式可以应用于适用的任何场景。

图2是本公开实施例提供的一种对象推荐方法的流程图。图2的一种对象推荐方法可以由图1的终端设备或服务器执行。如图2所示，该对象推荐方法包括：

S201：获取若干待推荐对象的对象特征信息、目标用户的用户特征信息和所述目标用户的历史浏览对象的对象特征信息。

在本实施例中，可以预先设置有预设数据库，其中，预设数据库中可以预先存储有大量对象，为了便于描述，可以将预设数据库中所存储的对象称之为待推荐对象，在一种可能的实现方式中，待推荐对象可以为一个商品、一张卡券、一个视频、一个图片或者一个文章等。待推荐对象的对象特征信息可以理解为能够反映待推荐对象对应的属性特征的信息，在一种实现方式中，待推荐对象的对象特征信息可以包括：所述待推荐对象的资源属性(比如价格)、类型属性(比如对象类型)、地区属性(例如所在地区、销售地区、生产地区等)、产品属性(比如对象的自身属性，举例来说，颜色、形状、尺寸等)。

在本实施例中，目标用户可以理解为需要进行对象推荐的用户。目标用户的用户特征信息可以理解为用户对应的属性信息，比如性别、职业、所在地区、年龄段等信息。

目标用户的历史浏览对象可以理解为目标用户曾经浏览过的对象，即曾经向目标用户推荐，且被目标用户点击浏览过的对象，例如，目标用户过往浏览过的卡券、商品等。在一种实现方式中，历史浏览对象的对象特征信息可以包括：所述历史浏览对象的资源属性(比如价格)、类型属性(比如对象类型)、地区属性(例如所在地区、销售地区、生产地区等)、产品属性(比如对象的自身属性，举例来说，颜色、形状、尺寸等)。

S202：根据所述若干待推荐对象的对象特征信息和所述目标用户的用户特征信息，确定候选推荐对象集。

其中，所述候选对象集包括若干候选推荐对象，候选推荐对象为对象特征信息与所述目标用户的用户特征信息的匹配程度满足预设条件的待推荐对象。

可以理解的是，可以先从若干待推荐对象中筛选出与目标用户的匹配程度更高的候选推荐对象集，从而可以提高召回候选推荐对象的准确率和降低精排服务的压力。作为一种示例，可以先根据若干待推荐对象的对象特征信息和所述目标用户的用户特征信息，确定每一待推荐对象与目标用户的匹配程度，其中，匹配程度越高，说明目标用户对该待推荐对象感兴趣的可能性越大，反之，匹配程度越低，说明目标用户对该待推荐对象感兴趣的可能性越小。需要说明的是，在一种实现方式中，匹配程度可以采用分数的方式来体现，其中，分数越高则说明匹配程度越高，反之，分数越低则说明匹配程度越低。

所述预设条件可以为待推荐对象的对象特征信息与所述用户特征信息的匹配程度在全部待推荐对象的匹配程度中的排名大于预设排名阈值，其中，全部待推荐对象的匹配程度中的排序为由高到低进行排序。需要说明的是，预设排名阈值可以是固定的，也可以是根据实际需求调整得到的。

S203：根据所述若干候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息，确定目标推荐对象集。

其中，所述目标推荐对象集包括若干目标推荐对象，目标推荐对象为所述目标用户的点击概率大于预设阈值的候选推荐对象。可以理解的是，可以先从若干候选推荐对象集中筛选出目标用户的点击概率大于预设阈值的目标推荐对象集，从而可以提升流量的效率和内容匹配的质量。作为一种示例，可以先根据若干候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息，确定每一候选推荐对象被目标用户进行点击的点击概率(即候选推荐对象被目标用户点击的点击概率)，其中，候选推荐对象被目标用户点击的点击概率越高，说明候选推荐对象与历史浏览对象的相似度越高，相应地，目标用户点击该候选推荐对象的可能性越大，反之，候选推荐对象被目标用户点击的点击概率越低，说明候选推荐对象与历史浏览对象的相似度越低，相应地，目标用户点击该候选推荐对象的可能性越小。需要说明的是，预设阈值可以是固定的，也可以是根据实际需求调整得到的。

S204：根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序。

为了提升用户体验和内容的多样性，提高流量的效率，在确定目标推荐对象集后，可以根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序。例如，可以按照对象的类目将目标推荐对象集中的若干目标推荐对象的推荐顺序打散，使得相同类目的目标推荐对象的推荐序号不能相邻，这样，可以提高目标推荐对象在推荐过程中的多样性。举例来说，假设目标推荐对象为美食券a、美食券b、水果券a、水果券b，则可以按照券的类目进行打散，确定若干目标推荐对象的推荐顺序为：美食券a、水果券a、美食券b、水果券b。

S205：根据所述若干目标推荐对象的推荐顺序，向所述目标用户进行推荐。

在确定若干目标推荐对象的推荐顺序后，可以按照若干目标推荐对象的推荐顺序，向目标用户依次推荐若干目标推荐对象。

本公开实施例与现有技术相比存在的有益效果是：本公开实施例可以先获取若干待推荐对象的对象特征信息、目标用户的用户特征信息和所述目标用户的历史浏览对象的对象特征信息。然后，可以根据所述若干待推荐对象的对象特征信息和所述目标用户的用户特征信息，确定候选推荐对象集；其中，所述候选对象集包括若干候选推荐对象，候选推荐对象为对象特征信息与所述目标用户的用户特征信息的匹配程度满足预设条件的待推荐对象。接着，可以根据所述若干候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息，确定目标推荐对象集；其中，所述目标推荐对象集包括若干目标推荐对象，目标推荐对象为所述目标用户的点击概率大于预设阈值的候选推荐对象。紧接着，可以根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序。最后，可以根据所述若干目标推荐对象的推荐顺序，向所述目标用户进行推荐。可见，本实施例中通过先筛选对象特征信息与所述目标用户的用户特征信息的匹配程度满足预设条件的待推荐对象(即候选推荐对象)，然后，筛选目标用户的点击概率大于预设阈值的候选推荐对象(即目标推荐对象)，接着，根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序，并向所述目标用户进行推荐；这样，便可以实现更加便于更快速的找到用户想要的目标推荐对象，以及，更加合理的目标推荐对象的推荐顺序，从而能够更好地满足用户需求，提高所推荐的目标推荐对象的质量和效率；也就是说，本实施例可以让所推荐的目标推荐对象是用户真正想要的目标推荐对象，提升了目标推荐对象的推荐效率和效果，从而提高实际业务场景中目标推荐对象的推荐效果，进而提高了用户体验。

在一些实施例中，S202“根据所述若干待推荐对象的对象特征信息和所述目标用户的用户特征信息，确定候选推荐对象集”可以包括以下步骤：

S202a：针对每一待推荐对象，将所述待推荐对象的对象特征信息和所述目标用户的用户特征信息输入粗排模型，得到所述待推荐对象的对象特征信息与所述目标用户的用户特征信息的匹配程度。

在本实施例中，粗排模型可以采用比较轻量级的机器学习模型，可以利用粗排模型对每一待推荐对象逐一打分确定待推荐对象的对象特征信息与所述目标用户的用户特征信息的匹配程度，然后，可以截断匹配程度最高的预设个数的待推荐对象进入下一个模型(即精排模型)。

具体地，针对每一待推荐对象，可以先将所述待推荐对象的对象特征信息和所述目标用户的用户特征信息输入粗排模型。粗排模型可以分析对象特征信息和用户特征信息之间的匹配程度，例如，对象特征信息是否符合用户特征信息对应的条件，即该对象特征信息是否为目标用户感兴趣的，接着，粗排模型可以输出所述待推荐对象的对象特征信息与所述目标用户的用户特征信息的匹配程度。

S202b：将对象特征信息与所述用户特征信息的匹配程度满足所述预设条件的待推荐对象作为候选推荐对象，以及，根据所有候选推荐对象确定候选推荐对象集。

所述预设条件可以为待推荐对象的对象特征信息与所述用户特征信息的匹配程度在全部待推荐对象的匹配程度中的排名大于预设排名阈值，其中，全部待推荐对象的匹配程度中的排序为由高到低进行排序。需要说明的是，预设排名阈值可以是固定的，也可以是根据实际需求调整得到的。也就是说，预设条件可以为对象特征信息与所述用户特征信息的匹配程度在待推荐对象集中的全部待推荐对象对应的匹配程度由高到低的排序结果中位于前N位，其中，N为正整数。

具体地，可以将待推荐对象集中的全部待推荐对象对应的匹配程度由高到低进行排序，得到匹配程度排序结果。紧接着，可以将所述匹配程度排序结果中排名在前N位的待推荐对象作为候选推荐对象集；其中，N为正整数。

在一些实施例中，S203“根据所述若干候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息，确定目标推荐对象集”可以包括以下步骤：

S203a：针对每一候选推荐对象，将所述候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息输入精排模型，得到所述候选推荐对象对应的点击概率；若所述候选推荐对象对应的点击概率大于所述预设阈值，则将所述候选推荐对象作为目标推荐对象；

S203b：将全部目标推荐对象作为所述目标推荐对象集。

其中，所述候选推荐对象对应的点击概率用于表征所述候选推荐对象被所述目标用户点击的概率。可以理解的是，候选推荐对象对应的点击概率越高，说明候选推荐对象为目标用户所期望的对象的可能性越高，被目标用户点击的可能性越高；反之，候选推荐对象对应的点击概率越低，说明候选推荐对象为目标用户所期望的对象的可能性越低，被目标用户点击的可能性越低。

其中，精排(即将所述候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息输入精排模型，得到所述候选推荐对象对应的点击概率)是其中最关键的环节，也是保证最后结果最重要的环节。通常，精排模型会采用CTR(Click-Through-Rate，点击通过率)预估模型来预测用目标户会点击候选推荐对象的概率。再按照概率大小，形成有序的内容列表。

精排的目的是提升流量的效率和内容匹配的质量，通常会采用大量的特征和复杂的深度神经网络模型，例如，精排模型可以采用DeepFM、IPPN、DIN等神经网络模型。许多CTR预测模型遵循共同的设计范式：特征表示层、特征交互层和预测层。

在本实施例中，如图3所示，所述精排模型可以包括表示层(即Embedding)、交叉层(Interaction)、归一化层(Batch Normalization)和特征选择层(Selection Gate)。具体地，可以先将所述候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息分别输入所述表示层，得到所述候选推荐对象的对象特征向量和所述历史浏览对象的对象特征向量；可以理解的是，表示层可以用于将所述候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息编码为所述候选推荐对象的对象特征向量和所述历史浏览对象的对象特征向量。然后，可以将所述候选推荐对象的对象特征向量和所述历史浏览对象的对象特征向量输入所述交叉层，得到交叉融合特征向量。可以理解的是，所述交叉层可以先用于分析所述候选推荐对象的对象特征向量和所述历史浏览对象的对象特征向量中的每个特征的特征重要性，以及，所述候选推荐对象的对象特征向量和所述历史浏览对象的对象特征向量之间的重要的特征交叉部分(即两者之间具有关联关系的特征向量)，需要说明的是，两者之间具有关联关系的特征向量可以用来分析两者的相似程度或者关联程度；然后，所述交叉层可以用于将所述候选推荐对象的对象特征向量和所述历史浏览对象的对象特征向量中属于特征交叉部分且重要性满足预设重要程度的特征向量进行融合，得到交叉融合特征向量。接着，可以将所述交叉融合特征向量输入所述归一化层，得到归一化后的交叉融合特征向量。最后，可以将所述归一化后的交叉融合特征向量输入所述特征选择层，得到所述候选推荐对象对应的点击概率。

在确定每一候选推荐对象对应的点击概率后，若一候选推荐对象对应的点击概率大于预设阈值，则可以将该候选推荐对象作为目标推荐对象；需要说明的是，预设阈值可以根据实际需求进行设置调整。最后，可以将全部目标推荐对象作为所述目标推荐对象集。

需要说明的是，在本实施例中，可以针对推荐场景下特征稀疏和特征交叉的问题，引入自动筛选有效交叉特征的方法来训练优化CTR预估精排模型(即精排模型)，以提升模型的精度和线上的泛化性。精排模型的CTR预估本质是一项二分类任务。假设训练CTR预测模型的数据集包含N个实例(x,y),(点击与否0/1)是用户点击行为的真正标签，输入实例x通常是多字段表格数据记录，其中包含F个不同的领域和M个特征，y代表目标用户是否点击。

学习特征交叉于推荐系统中的点击率(CTR)预测至关重要。在大多数现有的深度学习模型中，特征交叉是手动设计的或简单枚举的。但是，枚举所有特征交叉会带来大量的内存和计算成本。更糟糕的是，无用的交叉操作可能会引入噪音，并使训练过程复杂化。

在本实施例中，可以使用特征交叉选择的两阶段算法对精排模型进行训练。该方法可以自动识别分解出模型中重要的特征交叉，而计算量仅相当于训练目标模型以实现收敛。该模型分为两个阶段：Search stage(即特征选择阶段)和Re-train stage(再训练阶段)。

在Search stage阶段中，可以先设计门控机制，然后，给定一个参数alpha来表示每个特征的特征重要性，并利用门控机制确定各个训练样本的参数alpha的值；对于精排模型而言，如果一个特征向量的参数alpha为0，那么在第二阶段(即Re-train stage)就不用使用这个特征向量进行训练。由于alpha和embedding都是同时训练的，alpha和embedding的耦合关系会导致alpha不再是特征重要性，因此，该特征直接跳过交叉层(Interaction)、而直接输入归一化层(Batch Normalization)，该结构还可以加速收敛，解决耦合关系。

在Re-train stage(再训练阶段)，第一阶段(即Search stage阶段)训练好训练样本a(i,j)之后，要对模型重新进行训练，此时Search阶段alpha为0的特征组合(即训练样本)就被抛弃，而alpha不为0的特征组合(即训练样本)将其对应的alpha值保留，作为attention score(即注意力值)，这样可以衡量当前特征组合(即训练样本)对最后结果的影响程度，在Re-train阶段，全部使用adam优化方法。

也就是说，在本实施例中，整体模型(即精排模型)改进后，可以基于原始的向量表征(即原始的训练样本)，然后进行特征选择，即进行训练样本筛选，接着，利用筛选后的训练样本对精排模型进行进一步训练，可以进一步提升模型精度，提升精排模型的模型线上的泛化性，精排模型会有更好的表现。

在一些实施例中，S204“根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序”可以包括以下步骤：

S204a：根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中各个目标推荐对象对应的对象类型；

S204b：根据所述目标推荐对象集中各个目标推荐对象对应的对象类型，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序；其中，对象类型相同的多个目标推荐对象的推荐顺序是不相邻的。

重排(即根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序)的目的是提升用户体验和内容的多样性，提高流量的效率。即，会对目标推荐对象集中的若干目标推荐对象的推荐顺序进行微调，然后作为最终的排序结果展示给目标用户。

具体地，可以先根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中各个目标推荐对象对应的对象类型；例如，目标推荐对象为卡券时，可以先根据卡券对应的类型属性确定卡券的券类型。然后，根据目标推荐对象集中各个目标推荐对象对应的对象类型，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序，具体的排序规则为：对象类型相同的多个目标推荐对象的推荐顺序是不相邻的，且，在对象类型相同的多个目标推荐对象中，点击概率越高的目标推荐对象的推荐顺序越靠前。这样，便可以保证向目标用户推荐的目标推荐对象的类型是多样的，而不会只是单一类型，并且靠前推荐的目标推荐对象是用户最想被推荐的，从而提高了用户体验。并且，在精排模型训练阶段通过自动有效特征选择，使模型自动识别分解出模型中重要的特征交叉，而计算量仅相当于训练目标模型以实现收敛，从而提升模型预测精度，这样，引入自动有效特征选择，几乎可以是适用所有的Embedding+MLP结构的网络模型。

上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图4是本公开实施例提供的对象推荐装置的示意图。如图4所示，该对象推荐装置包括：

信息获取模块401，用于获取若干待推荐对象的对象特征信息、目标用户的用户特征信息和所述目标用户的历史浏览对象的对象特征信息；

第一确定模块402，用于根据所述若干待推荐对象的对象特征信息和所述目标用户的用户特征信息，确定候选推荐对象集；其中，所述候选对象集包括若干候选推荐对象，候选推荐对象为对象特征信息与所述目标用户的用户特征信息的匹配程度满足预设条件的待推荐对象；

第二确定模块403，用于根据所述若干候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息，确定目标推荐对象集；其中，所述目标推荐对象集包括若干目标推荐对象，目标推荐对象为所述目标用户的点击概率大于预设阈值的候选推荐对象；

第三确定模块404，用于根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序；

对象推荐模块405，用于根据所述若干目标推荐对象的推荐顺序，向所述目标用户进行推荐。

可选的，所述第一确定模块402，用于：

针对每一待推荐对象，将所述待推荐对象的对象特征信息和所述目标用户的用户特征信息输入粗排模型，得到所述待推荐对象的对象特征信息与所述目标用户的用户特征信息的匹配程度；

将对象特征信息与所述用户特征信息的匹配程度满足所述预设条件的待推荐对象作为候选推荐对象，以及，根据所有候选推荐对象确定候选推荐对象集。

可选的，所述预设条件为待推荐对象的对象特征信息与所述用户特征信息的匹配程度在全部待推荐对象的匹配程度中的排名大于预设排名阈值。

可选的，所述第二确定模块403，用于：

针对每一候选推荐对象，将所述候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息输入精排模型，得到所述候选推荐对象对应的点击概率，其中，所述候选推荐对象对应的点击概率用于表征所述候选推荐对象被所述目标用户点击的概率；若所述候选推荐对象对应的点击概率大于所述预设阈值，则将所述候选推荐对象作为目标推荐对象；

将全部目标推荐对象作为所述目标推荐对象集。

可选的，所述精排模型包括表示层、交叉层、归一化层和特征选择层；所述第二确定模块403，用于：

将所述候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息分别输入所述表示层，得到所述候选推荐对象的对象特征向量和所述历史浏览对象的对象特征向量；

将所述候选推荐对象的对象特征向量和所述历史浏览对象的对象特征向量输入所述交叉层，得到交叉融合特征向量；

将所述交叉融合特征向量输入所述归一化层，得到归一化后的交叉融合特征向量；

将所述归一化后的交叉融合特征向量输入所述特征选择层，得到所述候选推荐对象对应的点击概率。

可选的，所述第三确定模块404，用于：

根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中各个目标推荐对象对应的对象类型；

根据所述目标推荐对象集中各个目标推荐对象对应的对象类型，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序；其中，对象类型相同的多个目标推荐对象的推荐顺序是不相邻的。

可选的，所述对象特征信息包括：所述待推荐对象的资源属性、类型属性、地区属性、产品属性。

本公开实施例与现有技术相比存在的有益效果是：本公开实施例提供了一种对象推荐装置，包括：信息获取模块，用于获取若干待推荐对象的对象特征信息、目标用户的用户特征信息和所述目标用户的历史浏览对象的对象特征信息；第一确定模块，用于根据所述若干待推荐对象的对象特征信息和所述目标用户的用户特征信息，确定候选推荐对象集；其中，所述候选对象集包括若干候选推荐对象，候选推荐对象为对象特征信息与所述目标用户的用户特征信息的匹配程度满足预设条件的待推荐对象；第二确定模块，用于根据所述若干候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息，确定目标推荐对象集；其中，所述目标推荐对象集包括若干目标推荐对象，目标推荐对象为所述目标用户的点击概率大于预设阈值的候选推荐对象；第三确定模块，用于根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序；对象推荐模块，用于根据所述若干目标推荐对象的推荐顺序，向所述目标用户进行推荐。可见，在本实施例中通过先筛选对象特征信息与所述目标用户的用户特征信息的匹配程度满足预设条件的待推荐对象(即候选推荐对象)，然后，筛选目标用户的点击概率大于预设阈值的候选推荐对象(即目标推荐对象)，接着，根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序，并向所述目标用户进行推荐；这样，便可以实现更加便于更快速的找到用户想要的目标推荐对象，以及，更加合理的目标推荐对象的推荐顺序，从而能够更好地满足用户需求，提高所推荐的目标推荐对象的质量和效率；也就是说，本实施例可以让所推荐的目标推荐对象是用户真正想要的目标推荐对象，提升了目标推荐对象的推荐效率和效果，从而提高实际业务场景中目标推荐对象的推荐效果，进而提高了用户体验。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图5是本公开实施例提供的计算机设备5的示意图。如图5所示，该实施例的计算机设备5包括：处理器501、存储器502以及存储在该存储器502中并且可以在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个方法实施例中的步骤。或者，处理器501执行计算机程序503时实现上述各装置实施例中各模块/模块的功能。

示例性地，计算机程序503可以被分割成一个或多个模块/模块，一个或多个模块/模块被存储在存储器502中，并由处理器501执行，以完成本公开。一个或多个模块/模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序503在计算机设备5中的执行过程。

计算机设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备5可以包括但不仅限于处理器501和存储器502。本领域技术人员可以理解，图5仅仅是计算机设备5的示例，并不构成对计算机设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，计算机设备还可以包括输入输出设备、网络接入设备、总线等。

处理器501可以是中央处理模块(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器502可以是计算机设备5的内部存储模块，例如，计算机设备5的硬盘或内存。存储器502也可以是计算机设备5的外部存储设备，例如，计算机设备5上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器502还可以既包括计算机设备5的内部存储模块也包括外部存储设备。存储器502用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器502还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能模块、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块、模块完成，即将装置的内部结构划分成不同的功能模块或模块，以完成以上描述的全部或者部分功能。实施例中的各功能模块、模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中，上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。另外，各功能模块、模块的具体名称也只是为了便于相互区分，并不用于限制本公开的保护范围。上述系统中模块、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或模块的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

集成的模块/模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种对象推荐方法，其特征在于，所述方法包括：

获取若干待推荐对象的对象特征信息、目标用户的用户特征信息和所述目标用户的历史浏览对象的对象特征信息；

根据所述若干待推荐对象的对象特征信息和所述目标用户的用户特征信息，确定候选推荐对象集；其中，所述候选对象集包括若干候选推荐对象，候选推荐对象为对象特征信息与所述目标用户的用户特征信息的匹配程度满足预设条件的待推荐对象；

根据所述若干候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息，确定目标推荐对象集；其中，所述目标推荐对象集包括若干目标推荐对象，目标推荐对象为所述目标用户的点击概率大于预设阈值的候选推荐对象；

根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序；

根据所述若干目标推荐对象的推荐顺序，向所述目标用户进行推荐。

2.根据权利要求1所述的方法，其特征在于，所述根据所述若干待推荐对象的对象特征信息和所述目标用户的用户特征信息，确定候选推荐对象集，包括：

针对每一待推荐对象，将所述待推荐对象的对象特征信息和所述目标用户的用户特征信息输入粗排模型，得到所述待推荐对象的对象特征信息与所述目标用户的用户特征信息的匹配程度；

将对象特征信息与所述用户特征信息的匹配程度满足所述预设条件的待推荐对象作为候选推荐对象，以及，根据所有候选推荐对象确定候选推荐对象集。

3.根据权利要求2所述的方法，其特征在于，所述预设条件为待推荐对象的对象特征信息与所述用户特征信息的匹配程度在全部待推荐对象的匹配程度中的排名大于预设排名阈值。

4.根据权利要求1所述的方法，其特征在于，所述根据所述若干候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息，确定目标推荐对象集，包括：

针对每一候选推荐对象，将所述候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息输入精排模型，得到所述候选推荐对象对应的点击概率，其中，所述候选推荐对象对应的点击概率用于表征所述候选推荐对象被所述目标用户点击的概率；若所述候选推荐对象对应的点击概率大于所述预设阈值，则将所述候选推荐对象作为目标推荐对象；

将全部目标推荐对象作为所述目标推荐对象集。

5.根据权利要求4所述的方法，其特征在于，所述精排模型包括表示层、交叉层、归一化层和特征选择层；所述将所述候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息输入精排模型，得到所述候选推荐对象对应的点击概率，包括：

将所述候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息分别输入所述表示层，得到所述候选推荐对象的对象特征向量和所述历史浏览对象的对象特征向量；

将所述候选推荐对象的对象特征向量和所述历史浏览对象的对象特征向量输入所述交叉层，得到交叉融合特征向量；

将所述交叉融合特征向量输入所述归一化层，得到归一化后的交叉融合特征向量；

将所述归一化后的交叉融合特征向量输入所述特征选择层，得到所述候选推荐对象对应的点击概率。

6.根据权利要求1所述的方法，其特征在于，所述根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序，包括：

根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中各个目标推荐对象对应的对象类型；

根据所述目标推荐对象集中各个目标推荐对象对应的对象类型，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序；其中，对象类型相同的多个目标推荐对象的推荐顺序是不相邻的。

7.根据权利要求1-6中任一所述的方法，其特征在于，所述对象特征信息包括：所述待推荐对象的资源属性、类型属性、地区属性、产品属性。

8.一种对象推荐装置，其特征在于，所述装置包括：

信息获取模块，用于获取若干待推荐对象的对象特征信息、目标用户的用户特征信息和所述目标用户的历史浏览对象的对象特征信息；

第一确定模块，用于根据所述若干待推荐对象的对象特征信息和所述目标用户的用户特征信息，确定候选推荐对象集；其中，所述候选对象集包括若干候选推荐对象，候选推荐对象为对象特征信息与所述目标用户的用户特征信息的匹配程度满足预设条件的待推荐对象；

第二确定模块，用于根据所述若干候选推荐对象的对象特征信息和所述历史浏览对象的对象特征信息，确定目标推荐对象集；其中，所述目标推荐对象集包括若干目标推荐对象，目标推荐对象为所述目标用户的点击概率大于预设阈值的候选推荐对象；

第三确定模块，用于根据所述目标推荐对象集中的若干目标推荐对象的对象特征信息，确定所述目标推荐对象集中的若干目标推荐对象的推荐顺序；

对象推荐模块，用于根据所述若干目标推荐对象的推荐顺序，向所述目标用户进行推荐。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。