一种推荐对象的方法、装置、系统及电子设备
文献发布时间:2023-06-19 09:41:38
技术领域
本公开涉及推荐技术领域,尤其一种推荐对象的方法、装置、系统及电子设备。
背景技术
在各种推荐场景中,例如短视频推荐场景、资讯推荐场景等,除了向推荐系统中的老用户(是指已经推荐过对象的用户)推荐对象,还需要向新用户(例如新注册的用户)推荐对象,然而,对于新用户来说,由于还未为其推荐过对象,所以新用户在推荐系统中并不存在交互行为特征,推荐系统在向新用户推荐对象时一般是采用随机推荐的方式进行推荐,这样推荐的对象一般并不是用户感兴趣的,推荐效果较差。
也就是说,现有的推荐系统针对新用户进行对象推荐时的系统计算能力较差,导致为新用户推荐对象的准确性较低,推荐效果较差,推荐系统的系统性能较差。
发明内容
本公开提供一种推荐对象的方法、装置、系统及电子设备,用以提高推荐系统为新用户推荐对象时的系统计算能力,以提高为新用户推荐对象的准确性,提升推荐系统的系统性能。
本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种推荐对象的方法,所述方法应用于推荐服务器,所述推荐服务器包括请求处理器、特征处理器和推荐数据处理器,所述方法包括:
所述请求处理器获得目标账户的推荐请求,其中,所述目标账户的已推荐对象的数量小于第一设定数量;
所述请求处理器获得所述目标账户的第一账户属性信息;
所述特征处理器利用预先得到的账户特征生成器生成与所述第一账户属性信息对应的第一账户特征;其中,所述账户特征生成器是根据多个样本账户对应的训练数据训练得到的,每个样本账户的训练数据包括该样本账户的第二账户属性信息和该样本账户与对应的已推荐对象之间的历史互动数据,每个样本账户的已推荐对象的数量大于第二设定数量;
所述推荐数据处理器根据所述第一账户特征向所述目标账户推荐对象。
可选的,在所述特征处理器根据所述第一账户特征向所述目标账户推荐对象之后,所述方法还包括:
所述特征处理器获得所述目标账户与目标对象之间的第一互动数据,并根据所述第一账户属性信息和所述第一互动数据对所述账户特征生成器进行更新,以得到更新后的账户特征生成器,其中,所述目标对象为根据所述第一账户特征向所述目标账户推荐的对象。
可选的,根据所述第一账户属性信息和所述第一互动数据对所述账户特征生成器进行更新,以得到更新后的账户特征生成器,包括:
所述特征处理器获得更新账户的第三账户属性信息以及所述更新账户与对应的已推荐对象之间的第二互动数据,所述更新账户的已推荐对象的数量大于第三设定数量;
所述特征处理器使用所述第一账户属性信息和所述第一互动数据、所述第三账户属性信息和所述第二互动数据对所述账户特征生成器进行联合更新,以得到更新后的账户特征生成器。
可选的,所述方法还包括:
所述特征处理器利用所述更新后的账户特征生成器生成与所述第一账户属性信息对应的第二账户特征;
所述推荐数据处理器根据所述第二账户特征向所述目标账户推荐对象。
可选的,所述目标对象为根据所述第一账户特征向所述目标账户推荐的开始的第三设定数量的对象。
可选的,所述目标对象是以所述第一账户特征向所述目标账户开始推荐的预定时长内推荐的对象。
可选的,所述方法还包括:
所述特征处理器按照以下方式训练得到所述账户特征生成器:
对于每个样本账户,使用初始的账户特征生成器生成与该样本账户的第二账户属性信息对应的第三账户特征,并根据生成的第三账户特征确定该样本账户对对应的已推荐对象的预测点击概率;
根据每个样本账户对应的历史互动数据,确定每个样本账户对对应的已推荐对象的实际点击概率;
根据每个样本账户对对应的每个已推荐对象的预测点击概率和实际点击概率之间的差值对所述初始的账户特征生成器的训练参数进行更新,并利用更新后的训练参数对初始的账户特征生成器进行训练以得到训练完成的账户特征生成器。
根据本公开实施例的第二方面,提供一种推荐对象的系统,所述系统包括第一推荐单元和第二推荐单元,其中:
所述第一推荐单元,包括第一特征处理器和推荐数据处理器;其中,所述第一特征处理器用于根据目标账户的第一账户关联信息得到第一输入特征,以及将所述第一输入特征传递至所述推荐数据处理器;所述推荐数据处理器用于根据所述第一输入特征和所述第二推荐单元得到的放缩特征信息确定所述系统对待推荐对象的推荐参数,所述推荐参数用于确定多个待推荐对象中的目标推荐对象;其中,所述目标账户的已推荐对象的数量小于第一设定数量;
所述第二推荐单元,包括第二特征处理器和门控单元;其中,所述第二特征处理器用于利用预先得到的账户特征生成器生成与所述目标账户的第二账户关联信息对应的第二输入特征,并将所述第二输入特征传递至所述门控单元,所述第二账户关联信息为所述第一账户关联信息中用于描述所述目标账户的信息;所述门控单元用于根据所述第二输入特征得到所述放缩特征信息,并将所述放缩特征信息传递至所述推荐数据处理器,所述放缩特征信息用于表征所述第二账户关联信息对所述推荐参数的影响程度;
其中,所述账户特征生成器是根据多个样本账户对应的训练数据训练得到的,每个样本账户的训练数据包括该样本账户的第二账户属性信息和该样本账户与对应的已推荐对象之间的历史互动数据,每个样本账户的已推荐对象的数量大于第二设定数量。
根据本公开实施例的第三方面,提供一种推荐对象的装置,包括:
第一获得单元,用于获得目标账户的推荐请求,其中,所述目标账户的已推荐对象的数量小于第一设定数量;
第二获得单元,用于获得所述目标账户的第一账户属性信息;
处理单元,用于利用预先得到的账户特征生成器生成与所述第一账户属性信息对应的第一账户特征;其中,所述账户特征生成器是根据多个样本账户对应的训练数据训练得到的,每个样本账户的训练数据包括该样本账户的第二账户属性信息和该样本账户与对应的已推荐对象之间的历史互动数据,每个样本账户的已推荐对象的数量大于第二设定数量;
推荐单元,用于根据所述第一账户特征向所述目标账户推荐对象。
可选的,所述处理单元还用于:
获得所述目标账户与目标对象之间的第一互动数据,并根据所述第一账户属性信息和所述第一互动数据对所述账户特征生成器进行更新,以得到更新后的账户特征生成器,其中,所述目标对象为根据所述第一账户特征向所述目标账户推荐的对象。
可选的,所述处理单元用于:
获得更新账户的第三账户属性信息以及所述更新账户与对应的已推荐对象之间的第二互动数据,所述更新账户的已推荐对象的数量大于第三设定数量;
使用所述第一账户属性信息和所述第一互动数据、所述第三账户属性信息和所述第二互动数据对所述账户特征生成器进行联合更新,以得到更新后的账户特征生成器。
可选的,所述处理单元用于:
利用所述更新后的账户特征生成器生成与所述第一账户属性信息对应的第二账户特征;
对应的,所述推荐单元用于:
根据所述第二账户特征向所述目标账户推荐对象。
可选的,所述目标对象为根据所述第一账户特征向所述目标账户推荐的开始的第三设定数量的对象。
可选的,所述目标对象是以所述第一账户特征向所述目标账户开始推荐的预定时长内推荐的对象。
可选的,所述处理单元还用于:
对于每个样本账户,使用初始的账户特征生成器生成与该样本账户的第二账户属性信息对应的第三账户特征,并根据生成的第三账户特征确定该样本账户对对应的已推荐对象的预测点击概率;
根据每个样本账户对应的历史互动数据,确定每个样本账户对对应的已推荐对象的实际点击概率;
根据每个样本账户对对应的每个已推荐对象的预测点击概率和实际点击概率之间的差值对所述初始的账户特征生成器的训练参数进行更新,并利用更新后的训练参数对初始的账户特征生成器进行训练以得到训练完成的账户特征生成器。
根据本公开实施例的第四方面,提供一种电子设备,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种实现方式中的推荐对象的方法。
根据本公开实施例的第五方面,提供一种存储介质,当所述存储介质中的指令由电子设备的处理器执行时,所述电子设备能够执行上述任一种实现方式中的推荐对象的方法。
根据本公开实施例的第六方面,提供一种包含指令的计算机程序产品,当所述计算机程序产品在计算机上运行时,使得计算机执行上述任一种实现方式中的推荐对象的方法包括的步骤。
本公开的实施例提供的技术方案至少带来以下有益效果:
在本公开实施例中,在针对作为新用户的目标账户推荐对象时,采用预先训练的账户特征生成器与目标账户的第一账户属性信息对应的第一账户特征进行对象推荐,由于预先得到的账户特征生成器是利用系统中的已推荐对象的数量大于第二设定数量的样本账户(可以理解为是推荐系统中的老用户)对应的推荐数据训练得到的,也就是参照了推荐系统中大量的样本账户的推荐过程,通过样本账户的推荐表现来挖掘其中的规律和条件,由于为样本账户推荐的对象一般与该样本账户的匹配度是较高的,即能够尽量满足样本账户的兴趣需求,所以通过这种方式学习到的账户特征生成器具有了分析新用户的可能兴趣的能力,所以通过训练的账户特征生成器来对新用户进行对象推荐可以尽量提高符合大众喜好的对象推荐,提高了推荐系统为新用户推荐对象时的系统计算能力,使得推荐的对象是新用户感兴趣的对象的概率增加,从而可以尽量提高为新用户推荐对象的准确性,进而提升推荐系统的推荐效果和系统性能。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的本公开实施例适用的一种应用场景的示意图;
图2是根据一示例性实施例示出的本公开实施例中的推荐服务器的示意图;
图3是根据一示例性实施例示出的本公开实施例的推荐对象的方法的流程示意图;
图4是根据一示例性实施例示出的本公开实施例的推荐对象的方法的另一流程示意图;
图5是根据一示例性实施例示出的本公开实施例的推荐对象的系统的结构示意图;
图6是根据一示例性实施例示出的本公开实施例的推荐对象的装置的结构框图;
图7是根据一示例性实施例示出的本公开实施例的电子设备的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
其中,在本公开的描述中,除非另有说明,“多个”、“若干个”的含义是指两个或两个以上。
为更好地理解本公开实施例提供的技术方案,下面对本公开实施例提供的技术方案适用的应用场景做一些简单介绍,需要说明的是,以下介绍的应用场景仅用于说明本公开实施例而非限定。在具体实施时,可以根据实际需要灵活地应用本公开实施例提供的技术方案。
推荐系统是一种信息过滤系统,推荐系统中包括有大量的待推荐对象,针对各个用户进行对象过滤和筛选,可以为对应用户推荐适合的对象,所以又可以称作将推荐系统称作推荐对象的系统。根据推荐对象的不同,推荐系统例如可以包括资讯推荐系统、短视频推荐系统、音乐推荐系统、应用推荐系统等等。
请参见图1,图1为本公开实施例适用的一种应用场景,在该应用场景中包括多个终端设备(例如终端设备101、终端设备102、终端设备103)和服务器104,其中的服务器104可以是服务于推荐平台的后台服务器,例如是资讯推荐服务器、短视频推荐服务器,等等。每个终端设备可以对应一个用户,以终端设备102及短视频推荐场景为例,终端设备102对应用户2,用户2可以操作终端设备102向服务器104发送短视频推荐请求,进一步地,服务器104可以根据用户2的用户个人信息和用户行为信息向终端设备102推荐短视频以便用户2观看。
其中,用户个人信息例如是包括用户的用户标识(例如用户ID)、性别、年龄、观看喜好标签、所处位置等能够表征用户个人特征的一些相关信息,通过用户个人信息可以较为客观地表示出各个用户的自身特点,并且也可以提现出与其他用户之间的差异性。
用户行为信息用于表示用户对之前为其推荐的对象的操作行为相关的信息,以推荐对象是短视频为例,用户行为信息例如可以包括观看过的短视频的标识、观看时长、观看次数、点赞、评论、关注、分享、下载等信息,通过用户行为信息能够分析出用户感兴趣和不感兴趣的短视频类型和内容,例如用户经常对美食类的短视频进行点赞和评论,则可以分析出用户是对美食类的短视频是比较感兴趣的,这样,后续在为用户推荐短视频时则可以多推荐一些用户兴趣较大的美食类的短视频,以此可以尽量满足用户的兴趣需求,并且这样可以为多个用户进行差异化的个性化推荐,提高推荐的有效性。
在推荐系统中,用户一般主要注册账号才能使用推荐系统的相关功能,所以在推荐系统中可以账户来标识用户,一个用户可以注册多个账户,但是一个账户与一个用户对应。所以,上述的用户个人信息又可以称作账户属性信息,是用于描述用户对应的账户属性的相关信息,以及,上述的用户行为信息可以称作交互数据,是用于描述用户对应的账户与各个已推荐对象之间进行交互的互动数据。
需要说明的是,对于推荐系统中的老用户才具有用户行为信息,这里的用户行为信息具体是指历史操作行为信息,所以,老用户可以理解为是推荐系统已经为其推荐过对象的用户。与老用户相对的则是新用户,对应理解,新用户是指推荐系统还未为其推荐过对象的用户,例如是新注册到推荐系统中的用户,或者推荐系统为其推荐对象的数量非常少(例如1个或2个)的用户。由于新用户再推荐系统中没有交互行为或者交互行为非常少,可以将新用户称作是“零行为特征”用户,所以系统在为其推荐对象的时候是缺乏推荐依据的,所以在首次或者前几次推荐中一般采用的是随机推荐,可以称作“盲推”,很显然这样推荐的对象很可能并不是用户感兴趣的,所以这样的推荐效果是较差的。
如鉴于此,本公开实施例中可以预先根据推荐系统中老用户和为老用户推荐的对象的相关信息训练得到的账户特征生成器,使得该账户特征生成器能够学习到推荐系统根据用户个人信息分析用户兴趣所在的能力,然后再用账户特征生成器来生成与新用户的用户个人信息对应的用户嵌入向量,由于该用户嵌入向量是参照了推荐系统为老用户推荐的结果,所以即对于新用户推荐的对象也能够尽量是满足大众化的喜好习惯的,从而提高推荐对象的准确性和有效性。
也就是说,利用推荐系统中现有的老用户的推荐数据,通过元学习的方式学习推荐系统为用户推荐对象的适配机制,在将该适配机制平移用到新用户的推荐过程中,这样可以在一定程度上提高推荐的准确性,尤其是对于在系统中是“零行为特征”的新用户来说,可以明显提高推荐的有效性。
在具体实施过程中,推荐系统可以部署在如图1中的服务器104中,假设其中的用户3为新用户,在首次为用户3推荐对象时,服务器104可以使用预先训练得到的账户特征生成器为用户3生成对应的账户特征以进行对象推荐,以此提高初次推荐的准确性,也就是说,可以提高行为特征为零的新用户的初始点击率的预测精度,从而提高推荐效果。
其中,服务器104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、内容分发网络(Content Delivery Network,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101、终端设备102、终端设备103可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能电视、智能穿戴式设备等,但并不局限于此。各个终端设备与服务器104之间通信连接,例如可以无线通信连接或者有线通信连接,各个终端设备与服务器104之间的通信网络包括但不限于广域网、城域网或局域网。
为进一步说明本公开实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本公开实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本公开实施例提供的执行顺序。所述方法在实际的处理过程中或者装置执行时,可按照实施例或者附图所示的方法顺序执行或者并行执行。
本公开实施例提出的一种推荐对象的方法,该方法可以在能够推荐对象的推荐系统中实现,例如可以由图1中的服务器104执行。例如,本公开实施例中的推荐对象的方法有推送服务器执行,请参见图2所示的,本公开实施例中的推荐服务器包括请求处理器、特征处理器和推荐数据处理器。其中,请求处理器、特征处理器和推荐数据处理器可以是推荐服务器中的硬件处理器,此时,请求处理器、特征处理器和推荐处理器可以是同一个硬件处理器,或者也可以是不同的硬件处理器,本申请实施例不做限制。或者,请求处理器、特征处理器和推荐处理器也可以理解为是部署在推荐服务器中的软件逻辑模块,这些软件逻辑模块的功能实现都是通过推荐服务器中的硬件处理器控制和管理的。对于请求处理器、特征处理器和推荐处理器分别实现的功能将在后文描述。
图3是根据一示例性实施例示出的一种推荐对象的方法的流程示意图,该方法可以由例如图2中的推荐服务器执行,图3所示的流程图描述如下。
步骤301:获得目标账户的推荐请求,该目标账户的已推荐对象的数量小于第一设定数量。
在具体实施过程中,可以由推荐服务器中的请求处理器执行步骤301。
当用户希望推荐系统为其推荐对象时,可以登录账户向推荐系统触发相关的推荐请求,本申请实施例中的推荐系统例如是短视频推荐系统、资讯推荐系统、音乐推荐系统、电子书推荐系统等等。如前所述的,用户是通过账户与推荐系统交互,所以可以将用户以账户表示,并且,本申请实施例中的目标账户是指推荐系统为其推荐的对象(即目标账户的已推荐对象)的数量小于第一设定数量的账户,具体来说,可以将目标账户理解为是新账户,对应的用户称作新用户。新账户例如是新注册到推荐系统的账户,新注册的账户的已推荐对象是0,或者,推荐系统为其推荐的对象数量很少(例如1次或者2次)的账户也可以称作新账户,所以前述的第一设定数量例如可以是1,表明推荐对象还未对该账户推荐过对象,或者第一设定数量例如是2,推荐对象可以为账户推荐过一次(即数量很少)对象。
与上述的新账户(新用户)对应的是老账户(老用户),例如可以将已推荐对象的数量大于第二设定数量的账户称作是老账户,也就是说,对于老账户,推荐系统已经为其推荐过较多的对象,所以其中的第二设定数量例如是20或者30等等。所以一种可选的实施方式中,第二设定数量大于第一设定数量。
步骤302:获得目标账户的第一账户属性信息。
在具体实施过程中,可以由推荐服务器中的请求处理器执行步骤302。
目标账户的账户属性信息称作第一账户属性信息,第一账户属性信息可以理解为是目标账户的用户个人信息,具体来说,第一账户属性信息例如是包括目标账户的账户标识、用户性别、年龄、观看喜好标签、职业、所处位置等能够表征目标账户对应用户的个人特征的一些相关信息。
步骤303:利用预先得到的账户特征生成器生成与第一账户属性信息对应的第一账户特征;其中的账户特征生成器是根据多个样本账户对应的训练数据训练得到的,每个样本账户的训练数据包括该样本账户的第二账户属性信息和该样本账户与对应的已推荐对象之间的历史互动数据,每个样本账户的已推荐对象的数量大于第二设定数量。
采用预先训练得到的账户特征生成器生成与目标账户的第一账户属性信息对应的账户特征,例如称作第一账户特征,第一账户特征是表征目标账户的账户特性的特征信息。账户特征生成器是根据多个样本账户的训练数据得到的,每个样本账户的训练数据包括该样本账户的第二账户属性信息和该样本账户与对应的已推荐对象之间的历史互动数据。
其中,账户特征生成器是用于生成账户特征的生成器,账户特征生成器可以是一个网络或者机器学习模型,账户特征生成器是利用大量的样本账户训练得到的,由于每个样本账户的已推荐对象的数量大于第二设定数量,可以将样本账户解为是推荐系统中的老用户对应的老账户,老账户介绍可以参见前面的相关说明。
训练后的账户特征生成器具有分析推荐系统按照用户的实际特征进行匹配推荐的能力,这样通过元学习的方式使得账户特征生成器能够分析出各个用户的兴趣点所在,所以其生成的与目标账户的第一账户属性信息对应的第一账户特征是参照了推荐系统中大量的老用户的推荐过程,使用第一账户特征向目标账户推荐对象的话可以使得推荐的对象是能够尽量符合该目标账户的兴趣特性的,如此可以尽量提高推荐的准确性。
在具体实施过程中,可以由推荐服务器中的特征处理器执行步骤303,相对于相关技术中的推荐服务器,本公开实施例对其中的特征处理器进行了优化和改进,具体来说,在特征处理器中新增了上述的利用预先训练的账户特征生成器来生成与新账户对应的账户特征来为新用户进行对象推荐,可以提高对新账户推荐对象的准确性,以提高整个推荐服务器的推荐性能。
以下结合图4说明账户特征生成器的训练过程,在具体还是过程中,图4所示的流程可以由推荐服务器中的特征处理器执行,或者也可以由其它处理器执行,本公开实施例不做限制。图4所示的流程描述如下。
步骤401:对于每个样本账户,使用初始的账户特征生成器生成与该样本账户的第二账户属性信息对应的第三账户特征,并根据生成的第三账户特征确定该样本账户对对应的已推荐对象的预测点击概率。
为便于描述,将原本账户的账户属性信息称作第二账户属性信息,以及通过初始的账户特征生成器生成的与第二账户属性信息对应的账户特征称作第三账户特征。
其中,样本账户对对应的已推荐对象的预测点击概率,也可以理解为是推荐系统将该已推荐对象推荐给该样本账户的预测推荐概率。对已推荐对象的预测点击概率,是推荐系统预测的各个样本账户对与其对应的已推荐对象的点击率,即可以计算出各个样本账户有多大概率会点击已推荐对象,做一种预测计算。
步骤402:根据每个样本账户对应的历史互动数据,确定每个样本账户对对对应的已推荐对象的实际点击概率。
样本账户的历史互动数据用于表示样本账户对应的用户对之前为其推荐过的对象(称作已推荐对象)的交互行为相关的互动信息,例如对短视频的观看时长、观看次数、点赞、评论、关注、分享、下载等信息,通过历史互动数据能够分析出用户感兴趣和不感兴趣的对象类型和内容,例如用户经常对美食类的短视频进行点赞和评论,则可以分析出用户是对美食类的短视频是比较感兴趣的,这样,后续在为用户推荐短视频时则可以多推荐一些用户兴趣较大的美食类的短视频,以此可以尽量符合用户的兴趣爱好,满足其观看需求,并且这样可以为多个用户进行差异化的个性化推荐,提高推荐的有效性。
因为已推荐对象是已经推荐给样本账户的对象,所以样本账户对该各个已推荐对象是否查看、查看时长、是否点赞、是否评论、查看次数、是否分享等数据是已知的,通过这些数据则可以直接确定出各个样本账户对与其对应的已推荐对象的实际点击概率。
步骤403:根据每个样本账户对对应的每个已推荐对象的预测点击概率和实际点击概率之间的差值对初始的账户特征生成器的训练参数进行更新,并利用更新后的训练参数对初始的账户特征生成器进行训练以得到训练完成的账户特征生成器。
相当于是有监督训练,因为各个样本账户对其对应的已推荐对象之间的交互数据是已知的,所以可以以此为目标进行收敛训练,在训练的过程中,或多次得到每个样本账户对对应的每个已推荐对象的预测点击概率,然后根据每次的预测点击概率与实际点击概率之间的差值来更新训练参数,所以在训练过程中可能会对此更新训练参数,再通过多次更新的训练参数来迭代训练初始的账户特征模型的方式进行收敛训练,直到满足收敛条件(例如预测点击概率与实际点击概率之间的差值小于设定阈值)时即可以得到训练完成的账户特征生成器。
根据上述对于图4的介绍,本公开实施例是通过元学习的方式从推荐系统的老用户的推荐数据中学习到推荐系统对于用户的适配推荐能力,相当于是通过机器学习的方式利用老用户的推荐数据来训练得到账户特征生成器。其中,元学习是指学习“学习”的过程中,具体到本公开实施例来说,就是学习推荐系统中各个用户的兴趣以及根据各个用户的兴趣为其推荐匹配对象的能力,即,通过老用户的推荐表现来挖掘其中的规律和条件,由于为老用户推荐的对象一般与该老用户的匹配度是较高的,即能够尽量满足老用户的兴趣需求,所以通过这种方式学习到的账户特征生成器具有了分析新用户的可能兴趣的能力,这样,即使是对于行为特征为零的新用户也可以实现尽量准确的CTR预测和对象推荐,进而提升对新用户推荐对象的准确性。
步骤304:根据第一用户特征向量向用户推荐对象。
在具体实施过程中,可以由推荐服务器中的推荐数据处理器执行步骤304。
采用预先训练得到的账户特征生成器来生成与目标账户的第一账户属性信息对应的第一账户特征,由于账户特征生成器是通过元学习的方式学习到了推荐系统分析用户兴趣的能力,所以其生成的与第一账户属性信息对应的第一账户特征是参照了推荐系统中大量的老用户的推荐过程,使用第一账户特征向用户推荐对象的话可以使得推荐的对象是能够尽量符合用户的兴趣特点的,如此可以得到更为准确的预测点击率,从而提高了推荐对象的准确性和有效性,从而提高推荐系统的推荐效果和推荐性能。尤其是对于“零行为特征”的新用户来说,提高其初始对象推荐的准确性的效果尤为明显,从而提升推荐效果。
本公开实施例中,是利用系统中的老用户的相关推荐数据来得到的账户特征生成器,也就是参照系统中大量的老用户的推荐过程来挖掘对用户进行适配推荐的方式,因为老用户由于有较多的历史交互数据所以推荐的准确性一般都是较高的,所以通过参照老用户的推荐机制的方式可以在一定程度上提高对新用户的推荐准确性,比如,大多数25岁左右的女性上班族都喜欢美妆类视频,大多数30岁左右的男性上班族都喜欢汽车类视频,等等。通过这样的挖掘学习,可以得到不同类别标签的用户大致喜欢的对象类型,相当于是将大众化的喜好需求移植到新用户上,这样可以进行符合大众喜好的对象推荐,相对于随机的“盲推”方式来说,可以尽量提高对新用户推荐对象的准确性和有效性。
在本公开实施例中,在利用预先训练得到的账户特征生成器生成第一账户特征并根据第一账户特征向量向目标账户推荐对象之后,可以通过推荐服务器中的特征处理器获得目标账户与目标对象之间的第一互动数据,并根据目标账户的第一账户属性信息和第一互动数据对上述的账户特征生成器进行更新,以得到更新后的账户特征生成器。其中的目标对象是根据第一账户特征向目标账户推荐的对象,也就是说,目标对象是利用上述的账户特征生成器推荐的对象。
在首次为新用户推荐对象之后,该新用户可以推荐的对象进行交互,所以,推荐系统保存了该新用户的行为特征,继续以目标账户表示新用户,所以目标账户已经变成了非新账户。为了进一步地提高为该目标账户推荐对象的匹配度,可以利用目标账户与为其推荐的对象之间的互动数据来对前述的账户特征生成器进行更新,这样是充分利用目标账户已有的行为特征进行匹配的定向更新,这样在首次推荐之后仅通过几次推荐后的用户反馈就可以提高目标账户的点击率预测的准确性。
其中的目标对象为根据第一账户特征向目标账户推荐的开始的第三设定数量的对象,例如可以将利用第一账户特征向目标账户推荐对象开始的前5个对象作为目标对象;或者,目标对象可以是以第一账户特征向目标账户开始推荐的预定时长内推荐的对象,例如,可以将利用第一账户特征向目标账户开始推荐的2小时内推荐的对象作为目标对象。也就是说,可以在根据第一账户特征向目标推荐少量的对象之后就充分利用目标账户已经产生的互动数据(即第一互动数据)来快速地对账户特征生成器进行更新,以便于账户特征生成器能够尽快地学习到目标账户自身的兴趣和爱好特性,如此,可以快速、及时地根据目标账户对已推荐对象的第一互动数据对账户特征生成器进行更新。
上述更新过程,可以理解为是对账户特征生成器的重新训练过程,只不过重新训练时利用到的训练数据是目标账户自身的历史互动数据,这样可以针对目标账户用户进行针对性的更新训练,从而可以仅通过几次兑现个推荐就可以更快地提高新用户的点击率预测准确性。这样,在前面几次推荐之后,就可以尽量快速地学习到目标账户自身的兴趣所在,从而实现准确性更高的点击概率的预测,进而提高对象推荐的准确性。
在另外一种实施例中,在对账户特征生成器进行更新训练时,除了利用上述介绍的目标账户的第一互动数据,还可以同时利用其他一些老账户的推荐数据与目标账户对账户特征生成器进行联合更新训练。具体来说:
先获得更新账户的第三账户属性信息以及该更新账户与对应的已推荐对象之间的第二互动数据,该更新账户的已推荐对象的数量大于第三设定数量。其中的第三设定数量与前面的第二设定数据量可以相同或者也可以不同,第三设定数量例如是15、35等。将已推荐对象的数量大于第三设定数量的账户称作更新账户,即可以理解为是用于对账户特征生成器进行更新的老账户。在具体实施过程中,更新账户的数量可以是一个或者多个,不作限制。再使用目标账户的第一账户属性信息和对应的第一互动数据、更新账户的第三账户属性信息和对应的第二互动数据对前述的账户特征生成器进行联合更新,以得到更新后的账户特征生成器。
也就是说,在对账户特征生成器进行更新时,不仅利用目标账户(即新用户)在前几次推荐过程中的推荐数据,同时还利用了推荐系统中的老账户(即老用户)的推荐数据,通过老账户的推荐数据可以学习到大众化的推荐适配能力,以便于进行普适性的对象推荐,通过新账户在前几次推荐过程中的推荐数据可以学习到目标账户的个性化的兴趣爱好,从而实现更为个性化的推荐。所以,通过新用户和老用户对账户特征生成器进行联合更新的方式,可以同时满足普适性的大众推荐需求和各个用户的个性化推荐,尽量提升推荐效果。
如前所述的,在获得更新后的账户特征生成器之后,可以通过更新后的账户特征生成器再对目标账户进行对象推荐。具体来说,可以使用更新后的账户特征生成器生成与目标账户的第一账户属性信息对应的账户特征,由于账户特征生成器已经被更新过,所以此时生成的账户特征与前面提到的利用未更新的账户特征生成器生成的账户特征是存在区别的,例如将通过更新的账户特征生成器生成的与第一账户属性信息对应的账户特征称作第二账户特征。进一步的,可以根据第二账户特征向目标账户继续推荐对象,以提高对目标账户的推荐对象的准确性。
在具体实施过程中,可以通过推荐服务器中的特征处理器对账户特征生成器进行更新操作以得到更新后的账户特征生成器,以及,可以通过推荐服务器中的推荐处理器使用更新后的账户特征生成器继续向目标账户推荐对象。
基于上述本公开实施例相同构思,本公开实施例提供一种推荐对象的系统,如图5所示的,该推荐对象的系统包括第一推荐单元和第二推荐单元,其中:
第一推荐单元,包括第一特征处理器和推荐数据处理器;其中,第一特征处理器用于根据目标账户的第一账户关联信息得到第一输入特征,以及将第一输入特征传递至推荐数据处理器;推荐数据处理器用于根据第一输入特征和所述第二推荐单元得到的放缩特征信息确定本公开实施例中的推荐对象的系统对待推荐对象的推荐参数,该推荐参数用于确定多个待推荐对象中的目标推荐对象;其中,目标账户的已推荐对象的数量小于第一设定数量;
第二推荐单元,包括第二特征处理器和门控单元;其中,第二特征处理器用于利用预先得到的账户特征生成器生成与目标账户的第二账户关联信息对应的第二输入特征,并将第二输入特征传递至门控单元,第二账户关联信息为第一账户关联信息中用于描述目标账户的信息;门控单元用于根据第二输入特征得到放缩特征信息,并将放缩特征信息传递至所述推荐数据处理器,该放缩特征信息用于表征所述第二账户关联信息对推荐参数的影响程度;
其中,账户特征生成器是根据多个样本账户对应的训练数据训练得到的,每个样本账户的训练数据包括该样本账户的第二账户属性信息和该样本账户与对应的已推荐对象之间的历史互动数据,每个样本账户的已推荐对象的数量大于第二设定数量。
其中的目标账户可以理解为是上述方法实施例中介绍的目标账户,即目标账户是系统中的新账户,而账户特征生成器也可以参见上述方法实施例中的账户特征生成器的描述,此处就不再重复了。
本公开实施例中的账户关联信息是用于描述与账户具有关联性的相关信息,账户关联信息划分为两种,一种称作第一账户关联信息,另一种称作第二账户关联信息。在一种可能的实施例中,第一账户关联信息包括账户属性信息、账户对已推荐对象的历史互动数据、待推荐对象的对象属性信息这三种信息,而第二账户关联信息包括账户属性信息、账户对已推荐对象的历史互动数据中的至少一种,例如第二账户关联信息是账户属性信息,获得第二账户关联信息是账户属性信息和账户对已推荐对象的历史互动数据。可见,第二账户关联信息是第一账户关联信息中的部分信息,第二账户关联信息是第一账户关联信息中用于描述账户自身的信息,可以这样理解,第二账户关联信息是第一账户关联信息中与账户自身具有强相关的信息。
其中的推荐参数用于确定多个待推荐对象中的目标推荐对象,目标推荐对象可以理解为是选择出的需要推荐给用户的对象,也就是说,可以根据各个待推荐对象的推荐参数来确定是否将其推荐给用户,所以,又可以将推荐参数立即为是推荐权重,推荐权重越大表明对应的待推荐对象被推荐给用户的概率越大。通过推荐参数可表征待推荐对象被推荐给账户的推荐概率,可以理解的是,推荐参数所表征的推荐权重值越大,表明被推荐的概率越大,在另一方面,推荐参数可以通过待推荐对象被用户点击的概率(即点击率)来表征,一般是将预测的点击率越大的对象优先推荐给用户,因为点击率越大表明用户感兴趣的概率越大。
本申请实施例中的放缩特征信息是用于表征第二账户关联信息对推荐参数的影响程度,可以将放缩特征信息理解为是对待推荐对象的推荐参数预测的额外的一个权重因子,由于放缩特征信息是第二推荐单元根据与账户自身强相关的第二账户关联信息得到的,在第一推荐单元利用第一账户关联信息计算推荐参数的基础上,相当于是通过第二推荐单元将第二账户关联信息(例如账户属性信息)在推荐参数预测过程中考虑的权重增大,即强化了与账户自身强相关的账户关联信息在推荐参数计算过程中的作用,针对每次推荐参数的预测可以更为准确地捕获目标账户和每个待推荐对象之间的相关性,这样得到的点击概率更能反映用户的实际情况,以提高点推荐参数预测的准确性,从而可以提高推荐系统推荐的准确性和有效性。
这样,通过第二推荐单元中的门控单元将第一推荐单元和第二推荐单元建立了关联,第一推荐单元在预测待推荐对象的推荐参数时不仅使用了第一推荐单元中提供的第一输入特征,同时还使用了第二推荐单元中提供的放缩特征信息,而第一输入特征例如是根据同时包括账户属性信息、历史互动数据和对象属性信息等账户关联信息的第一账户关联信息得到的,而放缩特征信息是根据与目标账户的自身具有强相关的第二账户关联信息得到的,也就是说,在确定待推荐对象的推荐参数时是两次使用到了目标账户自身强相关的信息(例如账户属性信息),也就是强化了用户个人信息对最终的推荐参数的影响,换言之,在预测点击率时加重了对用户个人信息的考虑,这样得到的点击率是充分考虑用户自身因素的,所以这样得到的推荐参数是更能够符合用户自身的实际需求的,提高了对对象推荐参数预测的有效性和准确性,进一步地,根据这种方式得到的推荐参数来进行对象推荐的推荐结果也能够更符合用户自身的情况,例如推荐的对象是更能够让用户感兴趣的,进而能够提高用户对推荐对象实际的点击率,从而提高了推荐系统推荐对象的准确性和有效性。
并且,在充分考虑各个用户自身因素利用第一推荐单元和第二推荐单元进行强化推荐后,这样更能体现出各个用户之间的差异,这样可以充分考虑各个用户自身的爱好差异进行个性化的差异推荐,从而实现更为个性化的推荐效果。
此外,本公开实施例中的账户特征生成器具有分析推荐系统按照用户的实际特征进行匹配推荐的能力,这样通过元学习的方式使得账户特征生成器能够分析出各个用户的兴趣点所在,所以其生成的与目标账户的第二账户关联信息对应的第二输入特征是参照了推荐系统中大量的老用户的推荐过程,过老用户的推荐表现来挖掘其中的规律和条件,由于为来老用户推荐的对象一般与该老用户的匹配度是较高的,即能够尽量满足老用户的兴趣需求,所以通过这种方式学习到的账户特征生成器具有了分析新用户的可能兴趣的能力,提高了推荐系统为新用户推荐对象时的系统计算能力,如此,使用第二输入特征向目标账户推荐对象的话可以使得推荐的对象是能够尽量符合目标账户的兴趣特性的,如此可以尽量提高对新用户推荐对象的准确性,提升推荐系统的推荐性能。
基于上述本公开实施例相同构思,本公开实施例提供一种推荐对象的装置,图6是根据一示例性实施例示出的一种推荐对象的装置的结构框图,如图6所示,该推荐展示的装置包括第一获得单元601、第二获得单元602、处理单元603和推荐单元604。其中:
第一获得单元601,用于获得目标账户的推荐请求,其中,目标账户的已推荐对象的数量小于第一设定数量;
第二获得单元602,用于获得目标账户的第一账户属性信息;
处理单元603,用于利用预先得到的账户特征生成器生成与第一账户属性信息对应的第一账户特征;其中,账户特征生成器是根据多个样本账户对应的训练数据训练得到的,每个样本账户的训练数据包括该样本账户的第二账户属性信息和该样本账户与对应的已推荐对象之间的历史互动数据,每个样本账户的已推荐对象的数量大于第二设定数量;
推荐单元604,用于根据第一账户特征向目标账户推荐对象。
在一种可能的实施方式中,处理单元603还用于:
获得目标账户与目标对象之间的互动数据,并根据第一账户属性信息和互动数据对账户特征生成器进行更新,以得到更新后的账户特征生成器,其中,目标对象为根据第一账户特征向目标账户推荐的对象。
在一种可能的实施方式中,处理单元603用于:
获得更新账户的第三账户属性信息以及更新账户与对应的已推荐对象之间的第二互动数据,更新账户的已推荐对象的数量大于第三设定数量;
使用第一账户属性信息和第一互动数据、第三账户属性信息和第二互动数据对账户特征生成器进行联合更新,以得到更新后的账户特征生成器。
在一种可能的实施方式中,处理单元603用于:
利用更新后的账户特征生成器生成与第一账户属性信息对应的第二账户特征;
对应的,推荐单元604用于:
根据第二账户特征向目标账户推荐对象。
在一种可能的实施方式中,目标对象为根据第一账户特征向目标账户推荐的开始的第三设定数量的对象。
在一种可能的实施方式中,目标对象是以第一账户特征向目标账户开始推荐的预定时长内推荐的对象。
在一种可能的实施方式中,处理单元603还用于:
对于每个样本账户,使用初始的账户特征生成器生成与该样本账户的第二账户属性信息对应的第三账户特征,并根据生成的第三账户特征确定该样本账户对对应的已推荐对象的预测点击概率;
根据每个样本账户对应的历史互动数据,确定每个样本账户对对应的已推荐对象的实际点击概率;
根据每个样本账户对对应的每个已推荐对象的预测点击概率和实际点击概率之间的差值对初始的账户特征生成器的训练参数进行更新,并利用更新后的训练参数对初始的账户特征生成器进行训练以得到训练完成的账户特征生成器。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开实施例中对模块的划分是示意性的,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,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器中,也可以是单独物理存在,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。
基于上述本公开实施例相同构思,本公开实施例还提供一种电子设备,该电子设备包括如前实施例中所描述的推荐对象的系统,具体来说,该电子设备例如是前述图1中的服务器104,该电子设备可以通过运行集成在其中的推荐对象的系统为用户推荐对象,例如推荐短视频,或者推荐资讯,或者推荐应用,或者推荐音乐等等。如图7所示,本公开实施例中的电子设备包括至少一个处理器701,以及与至少一个处理器701连接的存储器702和通信接口703,本公开实施例中不限定处理器701与存储器702之间的具体连接介质,图7中是以处理器701和存储器702之间通过总线700连接为例,总线700在图7中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。总线700可以分为地址总线、数据总线、控制总线等,为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在本公开实施例中,存储器702存储有可被至少一个处理器701执行的指令,至少一个处理器701通过执行存储器702存储的指令,可以执行前述的推送展示对象的方法中所包括的步骤。
其中,处理器701是电子设备的控制中心,可以利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器702内的指令以及调用存储在存储器702内的数据,电子设备的各种功能和处理数据,从而对电子设备进行整体监控。可选的,处理器701可包括一个或多个处理单元,处理器701可集成应用处理器和调制解调处理器,其中,处理器701主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器701中。在一些实施例中,处理器701和存储器702可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器701可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列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,可以实现或者执行本公开实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器702作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器702可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器702是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本公开实施例中的存储器702还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
通信接口703是能够用于进行通信的传输接口,例如可以通过通信接口703接收数据或者发送数据。
继续参见图7,该电子设备还包括帮助电子设备内的各个器件之间传输信息的基本输入/输出系统(I/O系统)704、用于存储操作系统705、应用程序706和其他程序模块707的大容量存储设备708。
基本输入/输出系统704包括有用于显示信息的显示器709和用于用户输入信息的诸如鼠标、键盘之类的输入设备710。其中显示器709和输入设备710都通过连接到系统总线700的基本输入/输出系统704连接到处理器701。基本输入/输出系统704还可以包括输入输出控制器以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备708通过连接到系统总线700的大容量存储控制器(未示出)连接到处理器701。大容量存储设备708及其相关联的计算机可读介质为该服务器包提供非易失性存储。也就是说,大容量存储设备708可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
根据本公开的各种实施例,该电子设备包还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即该电子设备可以通过连接在系统总线700上的通信接口703连接到网络711,或者说,也可以使用通信接口703来连接到其他类型的网络或远程计算机系统(未示出)。
基于同一发明构思,本公开还提供一种存储介质,该存储介质可以是计算机可读存储介质,该存储介质中存储有计算机指令,当该计算机指令在计算机上运行时,使得计算机执行如前述的推荐对象的方法的步骤。
基于同一发明构思,本公开还提供一种芯片系统,该芯片系统包括处理器,还可以包括存储器,用于实现如前述的推荐对象的方法的步骤。该芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。
在一些可能的实施方式中,本公开提供的推荐对象的方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在电子设备上运行时,程序代码用于使电子设备执行前文所描述的根据本公开各种示例性实施方式的推荐对象的方法中的步骤。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本公开的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本公开范围的所有变更和修改。
显然,本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样,倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内,则本公开也意图包含这些改动和变型在内。
- 对象推荐方法、对象推荐装置、电子设备及可读存储介质
- 对象推荐模型、对象推荐方法、装置及电子设备