推荐方法、装置、服务器以及存储介质

技术领域

本公开涉及互联网技术领域，尤其涉及一种推荐方法、装置、服务器以及存储介质。

背景技术

随着互联网技术的飞速发展和网络用户规模的逐渐扩大，互联网广告、互联网宣传等业务已经渗透到人们生活的方方面面，在互联网中通常需要为用户推荐业务对象。在推荐对象时，通常需要按照某一指标，对多个对象属于该指标的参数进行排序，选取排序靠前的对象进行推荐。

为了优先推荐一些对象，通常会提高这些对象的参数，从而提高这些对象被推荐的机会。在优先推荐这些对象时会耗费资源数量，因此通常会设置资源总数量，以约束资源数量。然而，如果需要优先推荐的对象数量较多，如何基于资源总数量，在较多的对象中选择要提高参数的目标对象，成为亟待解决的问题。

发明内容

本公开提供一种推荐方法、装置、服务器以及存储介质，能够确定出推荐效率较高的对象，进而能够获得较多的资源数量，实现了推荐效率和所获得的资源数量的最大化。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种推荐方法，该方法包括：

获取第一对象的第一资源数量和第二对象的第二资源数量，该第一对象基于待推荐的多个对象中目标参数大于目标阈值的对象确定，该第二对象为目标对象集合中的任一个对象，该第一资源数量为推荐该第一对象时获得的资源数量，该第二资源数量为推荐该第二对象时获得的资源数量；

基于该第一资源数量与该第二资源数量之间的资源差距以及该第二资源数量，确定该第二对象的推荐效率，该推荐效率与该第二资源数量正相关，该推荐效率与该资源差距负相关；

响应于该第二对象的推荐效率达到第一阈值，则提高该第二对象的目标参数。

本公开实施例中，根据目标参数大于目标阈值的对象的资源数量和目标对象集合中的任一个对象的资源数量，能够确定出该对象的推荐效率，由于该推荐效率与推荐该对象时所获得的资源数量正相关，因此，该对象的推荐效率越大，则推荐该对象时获得的资源数量越多，进而通过判断该推荐效率是否达到第一阈值，来判断是否提高该对象的目标参数，能够确定出推荐效率较高的对象，进而能够获得较多的资源数量，实现了推荐效率和所获得的资源数量的最大化。

在一些实施例中，该响应于该第二对象的推荐效率达到第一阈值，则提高该第二对象的目标参数之后，该方法还包括：

基于该第二对象提高后的目标参数，在该第二对象和该待推荐的多个对象中，选取目标参数大于该目标阈值的对象；

对该目标参数大于该目标阈值的对象进行推荐，以及，记录推荐该目标参数大于该目标阈值的对象时所耗费的资源数量。

根据第二对象提高后的目标参数以及待推荐的多个对象的目标参数，选取目标参数大于目标阈值的对象进行推荐，在实现对一些对象优先推荐的同时，还能够确保对象的推荐效果，提高了推荐对象时所获得的资源数量。

在一些实施例中，该响应于该第二对象的推荐效率达到第一阈值，则提高该第二对象的目标参数包括：

响应于该第二对象的推荐效率达到第一阈值，且当前已推荐的对象所耗费的资源数量满足目标条件，则提高该第二对象的目标参数。

在判断是否提高第二对象的目标参数时，不仅考虑到了推荐效率和第一阈值，还考虑到了已推荐的对象所耗费的资源数量，以避免所耗费的资源数量过多。

在一些实施例中，该获取第一对象的第一资源数量和第二对象的第二资源数量之前，该方法还包括：

按照目标时间段中的多个子时间段，对该目标时间段内的资源总数量进行均匀划分，得到每个子时间段对应的资源数量，以使该多个子时间段的资源数量总和等于该资源总数量，该资源总数量表示在该目标时间段内推荐对象所耗费的资源总数量；

对于该多个子时间段中的任一个子时间段，基于该子时间段对应的资源数量和该子时间段已耗费的资源数量之间的差值，对该第一阈值进行调整，得到调整后的该第一阈值，其中，该第一阈值与该差值负相关。

上述过程不仅能够将目标时间段的资源总数量，平滑到该目标时间段的各个子时间段，避免在目标时间段的初始阶段就有大量的对象被提高目标参数，进而导致剩余时间段内的对象无法被提高目标参数，能够有效控制目标时间段内提高目标参数这一过程的速度，还能够基于实时耗费的资源数量，来对第一阈值进行调整，在已耗费的资源数量较少、差值较大时，降低第一阈值，尽可能地提高第二对象的目标参数，在已耗费的资源数量较多、差值较小时，提高第一阈值，降低第二对象被提高目标参数的机会，避免所耗费的资源数量过多。

在一些实施例中，该方法还包括：

在该目标时间段内已推荐的多个对象中，获取属于目标发布者的多个对象已耗费的资源数量，若该已耗费的资源数量大于第二阈值，则提高该属于目标发布者的多个对象的第一阈值，若该已耗费的资源数量小于或等于该第二阈值，则降低属于目标发布者的多个对象的第一阈值。

对于资源数量总消耗较大的发布者，可以适当提高第一阈值，对于资源数量总消耗较小的发布者，可以适当降低第一阈值，提升优先推荐的公平性和健康性。

在一些实施例中，该方法还包括：

在该目标对象集合中，选取属于目标领域的至少一个第三对象的第三资源数量，该第三资源数量为推荐该第三对象时获得的资源数量；

基于该第一资源数量和该至少一个第三对象的第三资源数量，确定该目标领域的推荐效率；

响应于该目标领域的推荐效率达到该第一阈值，则提高该目标领域所包括的至少一个第三对象的目标参数。

通过选取属于同一领域的多个对象的资源数量，进而确定该领域的推荐效率，能够更加快速地判断出是否提高多个对象的目标参数，无需一一针对对象来确定推荐效率，提高了整个推荐过程的执行效率。

在一些实施例中，该基于该第一资源数量和该至少一个第三对象的第三资源数量，确定该目标领域的推荐效率包括：

基于该至少一个第三对象的第三资源数量，确定该目标领域的目标资源总和；

基于该第一资源数量和该至少一个第三对象的第三资源数量之间的资源差距，确定该目标领域的资源差距总和；

基于该目标领域的目标资源总和与资源差距总和，确定该目标领域的推荐效率，该目标领域的推荐效率与该目标资源总和正相关，该目标领域的推荐效率与该资源差距总和负相关。

在该过程中基于整个领域的目标资源总和与资源差距总和，来确定该领域的推荐效率，能够快速确定出一个领域的推荐效率，便于后续推荐效率的判断过程和推荐过程。

根据本公开实施例的第二方面，提供一种推荐装置，该装置包括：

获取单元，被配置为执行获取第一对象的第一资源数量和第二对象的第二资源数量，该第一对象基于待推荐的多个对象中目标参数大于目标阈值的对象确定，该第二对象为目标对象集合中的任一个对象，该第一资源数量为推荐该第一对象时获得的资源数量，该第二资源数量为推荐该第二对象时获得的资源数量；

确定单元，被配置为执行基于该第一资源数量与该第二资源数量之间的资源差距以及该第二资源数量，确定该第二对象的推荐效率，该推荐效率与该第二资源数量正相关，该推荐效率与该资源差距负相关；

提高单元，被配置为执行响应于该第二对象的推荐效率达到第一阈值，则提高该第二对象的目标参数。

在一些实施例中，该装置还包括：

选取单元，被配置为执行基于该第二对象提高后的目标参数，在该第二对象和该待推荐的多个对象中，选取目标参数大于该目标阈值的对象；

推荐单元，被配置为执行对该目标参数大于该目标阈值的对象进行推荐，以及，记录推荐该目标参数大于该目标阈值的对象时所耗费的资源数量。

在一些实施例中，该提高单元，被配置为执行：

响应于该第二对象的推荐效率达到第一阈值，且当前已推荐的对象所耗费的资源数量满足目标条件，则提高该第二对象的目标参数。

在一些实施例中，该装置还包括：

划分单元，被配置为执行按照目标时间段中的多个子时间段，对该目标时间段内的资源总数量进行均匀划分，得到每个子时间段对应的资源数量，以使该多个子时间段的资源数量总和等于该资源总数量，该资源总数量表示在该目标时间段内推荐对象所耗费的资源总数量；

调整单元，被配置为执行对于该多个子时间段中的任一个子时间段，基于该子时间段对应的资源数量和该子时间段已耗费的资源数量之间的差值，对该第一阈值进行调整，得到调整后的该第一阈值，其中，该第一阈值与该差值负相关。

在一些实施例中，该调整单元，还被配置为执行：

在该目标时间段内已推荐的多个对象中，获取属于目标发布者的多个对象已耗费的资源数量，若该已耗费的资源数量大于第二阈值，则提高该属于目标发布者的多个对象的第一阈值，若该已耗费的资源数量小于或等于该第二阈值，则降低属于目标发布者的多个对象的第一阈值。

在一些实施例中，该装置还包括：

选取单元，被配置为执行在该目标对象集合中，选取属于目标领域的至少一个第三对象的第三资源数量，该第三资源数量为推荐该第三对象时获得的资源数量；

该确定单元，还被配置为执行基于该第一资源数量和该至少一个第三对象的第三资源数量，确定该目标领域的推荐效率；

该提高单元，还被配置为执行若该目标领域的推荐效率达到该第一阈值，则提高该目标领域所包括的至少一个第三对象的目标参数。

在一些实施例中，该确定单元包括：

目标资源总和确定子单元，被配置为执行基于该至少一个第三对象的第三资源数量，确定该目标领域的目标资源总和；

资源差距总和确定子单元，被配置为执行基于该第一资源数量和该至少一个第三对象的第三资源数量之间的资源差距，确定该目标领域的资源差距总和；

推荐效率确定子单元，被配置为执行基于该目标领域的目标资源总和与资源差距总和，确定该目标领域的推荐效率，该目标领域的推荐效率与该目标资源总和正相关，该目标领域的推荐效率与该资源差距总和负相关。

根据本公开实施例的第三方面，提供一种服务器，该服务器包括：

一个或多个处理器；

用于存储该处理器可执行程序代码的存储器；

其中，该处理器被配置为执行该程序代码，以实现上述的推荐方法。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，该计算机可读存储介质包括：当该计算机可读存储介质中的程序代码由服务器的处理器执行时，使得服务器能够执行上述的推荐方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的推荐方法。

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一种推荐方法的实施环境示意图；

图2是根据一示例性实施例示出的一种推荐方法的流程图；

图3是根据一示例性实施例示出的一种推荐方法的流程图；

图4是根据一示例性实施例示出的一种推荐方法的流程图；

图5是根据一示例性实施例示出的一种推荐方法的流程图；

图6是根据一示例性实施例示出的一种推荐装置的框图；

图7是根据一示例性实施例示出的一种服务器的框图。

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。

本公开所涉及的数据可以为经用户授权或者经过各方充分授权的数据。

图1是本公开实施例提供的一种推荐方法的实施环境示意图，参见图1，该实施环境中包括：终端101和服务器102。

终端101可以为智能手机、智能手表、台式电脑、手提电脑、虚拟现实终端、增强现实终端、无线终端和膝上型便携计算机等设备中的至少一种，终端101具有通信功能，可以接入互联网，终端101可以泛指多个终端中的一个，本实施例仅以终端101来举例说明。本领域技术人员可以知晓，上述终端的数量可以更多或更少。

在一些实施例中，终端101可以运行有视频应用程序、直播应用程序、社交应用程序等。用户在使用视频应用程序、直播应用程序或社交应用程序的过程中，服务器102可以向这些应用程序推送广告视频、宣传视频等业务对象。

服务器102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文件系统，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。服务器102可以是上述涉及到的应用程序的后台服务器。服务器102与终端101可以通过有线或无线通信方式进行直接或间接的连接，本公开实施例对此不作限定。在一些实施例中，上述服务器102的数量可以更多或更少，本公开实施例对此不加以限定。当然，服务器102还可以包括其他功能服务器，以便提供更全面且多样化的服务。

本公开实施例中，服务器102用于获取第一对象的第一资源数量和第二对象的第二资源数量，基于该第一资源数量与该第二资源数量之间的资源差距以及该第二资源数量，确定该第二对象的推荐效率，响应于该第二对象的推荐效率达到第一阈值，则提高该第二对象的目标参数。其中，第一对象基于待推荐的多个对象中目标参数大于目标阈值的对象确定，该第二对象为目标对象集合中的任一个对象，该第一资源数量为推荐该第一对象时获得的资源数量，该第二资源数量为推荐该第二对象时获得的资源数量，推荐效率与该第二资源数量正相关，该推荐效率与该资源差距负相关。

本公开实施例提供的名额数据分配方法，可以应用在互联网广告、互联网宣传等业务场景，例如，可以应用在广告视频、宣传视频等业务对象的推荐场景下。需要说明的是，服务器102在推荐业务对象时，通常需要经过召回、粗排、精排三个阶段。其中，召回阶段是推荐的第一阶段，是根据用户特征和对象特征，从海量的对象库里，快速找回一部分用户潜在感兴趣的对象，将这部分对象加入到召回队列中。粗排阶段是推荐的第二阶段，是按照一些粗排的业务指标(如点击率)，对召回队列内的对象进行排序，筛选出排序靠前的对象，将所筛选出的对象加入到粗排队列中，以减少召回的对象数目，减轻精排阶段的排序压力。精排阶段是推荐的第三阶段，是按照一些精排的业务指标(如千次展示收益)，对粗排队列中的对象进一步进行排序得到精排队列，筛选出排序最靠前的对象进行推荐。本公开实施例后续采用目标参数来表示精排阶段的业务指标的参数。

本公开实施例提供的名额数据分配方法，可以应用在精排阶段，来对一部分对象进行优先推荐。其中，这部分对象是指属于特定领域或创新领域的对象，也即是包含有特定内容或创新内容的对象，如公益宣传视频、创新广告视频等。需要说明的是，在广告业务或宣传业务的场景下，有需求对一些特定领域或创新领域中的对象进行优先推荐，以达到宣传该领域的目的，也即是，在精排阶段中，将这部分对象的目标参数提高，进而提高这些对象被推荐的机会，从而达到扶持特定领域或创新领域的目的。

图2是根据一示例性实施例示出的一种推荐方法的流程图，如图2所示，该实施例以服务器为执行主体，包括以下步骤：

在步骤201中，服务器获取第一对象的第一资源数量和第二对象的第二资源数量，该第一对象基于待推荐的多个对象中目标参数大于目标阈值的对象确定，该第二对象为目标对象集合中的任一个对象，该第一资源数量为推荐该第一对象时获得的资源数量，该第二资源数量为推荐该第二对象时获得的资源数量。

在步骤202中，服务器基于该第一资源数量与该第二资源数量之间的资源差距以及该第二资源数量，确定该第二对象的推荐效率，该推荐效率与该第二资源数量正相关，该推荐效率与该资源差距负相关。

在步骤203中，服务器响应于该第二对象的推荐效率达到第一阈值，则提高该第二对象的目标参数。

本公开实施例提供的技术方案，根据目标参数大于目标阈值的对象的资源数量和目标对象集合中的任一个对象的资源数量，能够确定出该对象的推荐效率，由于该推荐效率与推荐该对象时所获得的资源数量正相关，因此，该对象的推荐效率越大，则推荐该对象时获得的资源数量越多，进而通过判断该推荐效率是否达到第一阈值，来判断是否提高该对象的目标参数，能够确定出推荐效率较高的对象，进而能够获得较多的资源数量，实现了推荐效率和所获得的资源数量的最大化。

上述图2所示仅为本公开的基本流程，下面基于一种具体实施方式，来对本公开提供的方案进行进一步阐述，图3是根据一示例性实施例示出的一种推荐方法的流程图，参见图3，该方法包括：

在步骤301中，服务器获取第一对象的第一资源数量和第二对象的第二资源数量，该第一对象基于待推荐的多个对象中目标参数大于目标阈值的对象确定，该第二对象为目标对象集合中的任一个对象，该第一资源数量为推荐该第一对象时获得的资源数量，该第二资源数量为推荐该第二对象时获得的资源数量。

其中，待推荐的多个对象可以是精排阶段所确定的精排队列中的多个对象。精排队列用于存储待推荐的多个对象，本公开实施例后续以精排队列为例对方案进行说明。目标参数是指精排阶段进行排序的指标参数。可选地，目标参数为点击率、出价信息、用户交互频率、用户兴趣度评分中任一项，也可以为上述多个参数中任意两项或多项的综合评分，当然，目标参数还可以为其他能够表示展示对象时产生正向效果的参数。本公开实施例对所选用的目标参数不作限定。

目标阈值为预先设定的固定阈值。本公开实施例中，采用目标参数大于目标阈值的对象来表示待推荐的多个对象中当前获得推荐机会的对象，也就是说，若不考虑优先推荐其他对象，在该待推荐的多个对象中，目标参数大于目标阈值的对象是会被推荐的对象。

目标对象集合是指精排队列中目标参数小于或等于目标阈值的对象中满足优先推荐条件的对象集合，也即是目标参数小于或等于目标阈值的对象中需要优先进行推荐的对象的集合。满足优先推荐条件的对象是指包含有特定内容或创新内容的对象，如公益宣传视频、创新广告视频等。第一资源数量为推荐该第一对象时获得的资源数量，可理解为推荐该第一对象时获得的正向收益。第二资源数量为推荐该第二对象时获得的资源数量，可理解为推荐该第二对象时获得的正向收益。可选地，资源数量可以为千次展示收益(costper mile，CPM)，该千次展示收益是指每一千次展示能够获得的收益。

在一些实施例中，服务器响应于接收到粗排阶段所确定的粗排队列，按照粗排队列中多个对象的目标参数进行排序得到精排队列，基于精排队列中目标参数大于目标阈值的对象，确定第一对象。在精排队列中目标参数小于或等于该目标阈值的多个对象中，确定满足优先推荐条件的对象集合为目标对象集合，从该目标对象集合中，选取一个对象，作为该第二对象。分别获取第一对象的第一资源数量和第二对象的第二资源数量，再进行后续操作。

在一些实施例中，服务器选取第一对象的过程包括下述任一项：

(1)若精排队列中存在一个对象的目标参数大于目标阈值，则服务器将该对象作为第一对象。

(2)若精排队列中存在多个对象的目标参数大于目标阈值，则服务器在该多个对象中随机选取一个对象，作为第一对象，或者，服务器在该多个对象中，选取目标参数最高的对象作为第一对象。在该过程中，若存在目标参数大于目标阈值的多个对象时，可以选取其中的一个或者选取目标参数最高的作为第一对象，能够快速的确定出第一对象，便于执行后续操作。

(3)服务器在精排队列所包括的多个对象中，选取目标参数最高的对象，作为第一对象。也即是服务器从精排队列中，获取排列顺序靠前的对象，作为第一对象。如此，通过直接选取队列中排列顺序靠前的对象，能够更加快速的确定出第一对象，提高了确定第一对象的效率，进而提高了推荐效率。本公开实施例后续以选取目标参数最高的对象作为第一对象为例。

在一些实施例中，服务器选取第二对象的过程包括下述任一项：

(1)服务器从目标对象集合中，随机选取一个对象，作为该第二对象。在该实施例中，通过随机选取的方式来选取第二对象，能够快速地确定出第二对象，提高了推荐效率。

(2)服务器从目标对象集合中，选取目标参数最高的对象，作为该第二对象。在该实施例中，通过选取目标参数最高的对象，同样能够快速地确定出第二对象，还能够提高对第二对象优先推荐的可能性，这样，能够加快推荐的速度，进一步提高了推荐效率。

在一些实施例中，以千次展示收益为例，服务器获取第一对象的第一资源数量和第二对象的第二资源数量的过程为：对第一对象和第二对象的点击率进行预测，得到第一对象和第二对象的预测点击率，确定第一对象的预测点击率、单次点击收益和常数1000的乘积，为该第一对象的千次展示收益，将该第一对象的千次展示收益作为第一对象的第一资源数量，确定第二对象的预测点击率、单次点击收益和常数1000的乘积，为该第二对象的千次展示收益，将该第二对象的千次展示收益作为第二对象的第二资源数量。在该实施例中，通过预测千次展示收益，能够快速地确定出对应对象的资源数量，便于后续对象推荐的过程。

上述过程是基于目标参数确定出第一对象和第二对象后，再获取第一对象的第一资源数量和第二对象的第二资源数量的过程。在另一些实施例中，目标参数和资源数量均可以为千次展示收益。以选取目标参数最高的对象作为第一对象为例，则步骤301的相应过程为：服务器响应于接收到粗排阶段所确定的粗排队列，按照粗排队列中多个对象的千次展示收益进行排序得到精排队列，确定精排队列中排序最靠前的对象的千次展示收益，作为该第一对象的第一资源数量。在精排队列中除第一对象以外的多个对象中，确定满足优先推荐条件的对象集合为目标对象集合，从该目标对象集合中，选取一个对象的千次展示收益，作为该第二对象的第二资源数量，再进行后续操作。

在步骤302中，服务器基于该第一资源数量与该第二资源数量之间的资源差距以及该第二资源数量，确定该第二对象的推荐效率，该推荐效率与该第二资源数量正相关，该推荐效率与该资源差距负相关。

其中，资源差距可以是第一资源数量与第二资源数量之间的资源差值，后续以资源差值为例对方案进行说明。资源差距用于表示推荐该第二对象时所耗费的资源数量，可理解为推荐该第二对象时的负向损失。例如，若第一资源数量为10，第二资源数量为5，则推荐第一对象时所获得的资源数量为10，推荐第二对象时所获得的资源数量为5，为了优先推荐该第二对象，负向损失为第一资源数量与第二资源数量之间的资源差值(10-5＝5)。应理解地，负向损失是一种资源数量的补贴，因此优先推荐的过程也可理解为一种资源数量的补贴过程，推荐效率也可理解为补贴使用效率。

需要说明的是，目标对象集合中的多个对象均为步骤301中排序非最靠前的对象，因此，目标对象集合中的多个对象所获得的资源数量比第一对象(排序靠前的对象)所获得的资源数量低，故目标对象集合中的任一对象和第一对象之间的资源差值，也即是该任一对象所获得的资源数量比第一对象所获得的资源数量低多少。还需要说明的是，上述所涉及到的第一资源数量、第二资源数量、第一资源数量与第二资源数量之间的资源差值，均为精排阶段预测得到的。

在一些实施例中，服务器获取第一对象的第一资源数量和第二对象的第二资源数量之后，基于该第一资源数量与该第二资源数量之间的资源差距、该第二资源数量和公式(1)，确定该第二对象的推荐效率。

式中，bonus_roi为第二对象的推荐效率，cpm_industry_origin为第二对象的第二资源数量，cpm_left为第一对象的第一资源数量，|cpm_industry_origin-cpm_left|为第一资源数量与第二资源数量之间的资源差距。在该过程中，定义了推荐效率，由于第二对象的第二资源数量越大，则第一资源数量与第二资源数量之间的资源差距越小，这时推荐效率越大，此时对第二对象进行优先推荐，能够确保负向损失最小的情况下，最大化所获得的正向收益。

在一些实施例中，服务器是在第二对象存在被优先推荐的可能性，且其会产生负向影响的情况下，采用上述公式(1)计算该对象的推荐效率，再执行后续步骤。为便于对该过程的理解，下面基于可能存在的三种可能情况进行详细说明：

首先，假设在不考虑优先推荐的场景下，目标参数最高的对象(第一对象)的第一资源数量为cpm_left(后续简称为无补贴top1收益)；在考虑优先推荐的场景下，目标参数最高的对象的资源数量为cpm_industry_bonus(后续简称为有补贴top1收益)，需要说明的是，此时目标参数最高的对象有可能是第一对象，也有可能是提高参数重排序后的第二对象)；第二对象的第二资源数量为cpm_industry_origin(后续简称为第二对象的收益)。那么，在推荐对象时，可能会存在图1所示出的三种情况。

表1

如表3所示，三种情况分别为：

(1)有补贴top1收益＞第二对象的收益＞无补贴top1收益，这种情况下，有补贴top1收益最大，此时收益最大的对象为提高参数重排序后的第二对象，因此第二对象存在被优先推荐的可能性，且第二对象的收益大于无补贴top1收益，也即是第二对象的收益大于第一对象的收益，这种情况下，若对第二对象进行优先推荐，不会产生负向影响；

(2)有补贴top1收益＞无补贴top1收益＞第二对象的收益，这种情况下，有补贴top1收益最大，此时收益最大的对象为提高参数重排序后的第二对象，因此第二对象存在被优先推荐的可能性，而无补贴top1收益大于第二对象的收益，也即是第二对象的收益小于第一对象的收益，这种情况下，若对第二对象进行优先推荐，可能会产生负向影响；

(3)无补贴top1收益＞有补贴top1收益＞第二对象的收益，这种情况下，有补贴top1收益小于无补贴top1收益，因此不存在优先推荐的可能性，也就不会产生负向影响。

因此，根据上述论述可以发现，当存在优先推荐的可能性，且第二对象的第二资源数量小于第一对象的第一资源数量时，可以采用上述公式(1)来计算第二对象的推荐效率，相应过程可以为：在执行步骤301之前，可以预先提高第二对象的目标参数，按照该第二对象提高后的目标参数进行重排序，再根据第二对象提高后的目标参数、第二对象原始的目标参数以及第一对象的目标参数进行判断，判断该第二对象是否属于上述情况(2)，也即是判断该第二对象是否属于存在被优先推荐的可能性，且会产生负向影响的情况，若该第二对象属于存在被优先推荐的可能性，且会产生负向影响的情况，则采用上述公式(1)来计算该第二对象的推荐效率，若该第二对象不属于存在被优先推荐的可能性，且会产生负向影响的情况，则无需计算该第二对象的推荐效率。如此，对于一些不存在被优先推荐可能性的对象，或者不会产生负向影响的对象，则无需对其进行推荐效率的计算，大大地减少了服务器的处理内容，提高了服务器的处理速度，能够有效的确定出第二对象的推荐效率，提高了推荐对象的准确性。

在步骤303中，服务器响应于该第二对象的推荐效率达到第一阈值，则提高该第二对象的目标参数。

其中，第一阈值为预先设定的固定阈值。

在一些实施例中，服务器响应于该第二对象的推荐效率达到第一阈值，则按照预先设定的调整值，提高该第二对象的目标参数。例如，若第二对象的目标参数为5，调整值为2，则提高后的目标参数为5*2＝10。

在一些实施例中，服务器确定出第二对象的推荐效率后，响应于该第二对象的推荐效率达到第一阈值，且当前已推荐的对象所耗费的资源数量满足目标条件，则提高该第二对象的目标参数。在该过程中，在判断是否提高第二对象的目标参数时，不仅考虑到了推荐效率和第一阈值，还考虑到了已推荐的对象所耗费的资源数量，以避免所耗费的资源数量过多。

在另一些实施例中，响应于该第二对象的推荐效率未达到第一阈值，则不提高该第二对象的目标参数。

其中，目标条件为预先设定的条件。可选地，目标条件为当前已推荐的对象所耗费的资源数量小于资源总数量，该资源总数量为耗费的资源数量上限。应理解地，在无优先推荐的场景下，第一对象为原始推荐对象，相比其他对象，服务器推荐第一对象时获得的资源数量通常是最大的，在对一些对象进行优先推荐的场景下，需要撤销对原始推荐对象的推荐(也即是第一对象)，而推荐该优先推荐的对象时获得的资源数量通常小于第一对象的资源数量，因此，优先推荐这一事件通常会产生负向损失，为了避免负向损失过大，通常会限制负向损失的阈值，也即是上述所提到的资源总数量。

需要说明的是，上述所提到的当前已推荐的对象所耗费的资源数量，是指实际上推荐对象时所耗费的资源数量。应理解地，服务器在实施本方案之前，会设置目标时间段(如一天)的资源总数量，以限制所耗费的资源数量不超过已设置的资源总数量，该资源总数量表示在该目标时间段内推荐对象所耗费的资源总数量。例如，资源总数量可以为50，响应于该第二对象的推荐效率达到第一阈值，根据当前已推荐的对象所耗费的资源数量和资源总数量50进行判断，若当前已推荐的对象所耗费的资源数量小于50(如40)，则执行提高该第二对象的目标参数的步骤，若当前已推荐的对象所耗费的资源数量大于或等于50(如55)，则不执行提高该第二对象的目标参数的步骤。

上述过程是在第二对象的推荐效率达到第一阈值时，再判断当前已推荐的对象所耗费的资源数量是否满足目标条件的过程。在另一些实施例中，服务器还能够先判断当前已推荐的对象所耗费的资源数量是否满足目标条件，在当前已推荐的对象所耗费的资源数量满足目标条件时，再执行步骤301和步骤302。如此，能够提前获知所耗费的资源数量是否满足目标条件，则服务器在所耗费的资源数量满足目标条件的情况下，继续确定推荐效率，在所耗费的资源数量不满足目标条件的情况下，无需执行确定推荐效率的过程，大大地减少了服务器的处理内容。例如，资源总数量可以为50，若当前已推荐的对象所耗费的资源数量小于50(如40)，则继续执行步骤301和步骤302，若当前已推荐的对象所耗费的资源数量大于或等于50(如55)，则不再执行步骤301和步骤302。

在一些实施例中，服务器按照目标时间段中的多个子时间段，对该目标时间段内的资源总数量进行均匀划分，得到每个子时间段对应的资源数量，以使该多个子时间段的资源数量总和等于该资源总数量。进而，对于该多个子时间段中的任一个子时间段，基于该子时间段对应的资源数量和该子时间段已耗费的资源数量，判断该子时间段当前已推荐的对象所耗费的资源数量是否小于对应子时间段对应的资源数量，若该子时间段当前已推荐的对象所耗费的资源数量小于对应子时间段对应的资源数量，则继续执行上述优先推荐对象的过程，若该子时间段当前已推荐的对象所耗费的资源数量大于或等于对应子时间段对应的资源数量，则不再执行上述优先推荐对象的过程。在该实施例中，服务器还能够将目标时间段的资源总数量，平滑到该目标时间段的各个子时间段，避免在目标时间段的初始阶段就有大量的对象被提高目标参数，进而导致剩余时间段内的对象无法获得被提高目标参数的机会，能够有效控制目标时间段内提高目标参数这一过程的速度。

可选地，服务器基于小时级别的时间粒度，对该目标时间段内的资源总数量进行划分，例如，1小时，或者，服务器基于分钟级别的时间粒度，对该目标时间段内的资源总数量进行划分，例如，5分钟。如此，能够平滑资源总数量的使用速度，使得资源总数量在目标时间段内平滑用完。

在一些实施例中，服务器按照目标时间段中的多个子时间段，对该目标时间段内的资源总数量进行均匀划分，得到每个子时间段对应的资源数量，以使该多个子时间段的资源数量总和等于该资源总数量。对于该多个子时间段中的任一个子时间段，基于该子时间段对应的资源数量和该子时间段已耗费的资源数量之间的差值，对该第一阈值进行调整，得到调整后的该第一阈值，其中，该第一阈值与该差值负相关。

可选地，服务器基于PID(proportional–integral–derivative，比例-积分-微分)反馈调节器，来对第一阈值进行调整。图4是根据一示例性实施例示出的一种推荐方法的流程图，参见图4，对于该多个子时间段中的任一个子时间段，将该子时间段对应的资源数量和该子时间段已耗费的资源数量，输入该PID反馈调节器，则该PID反馈调节器计算该子时间段对应的资源数量和该子时间段已耗费的资源数量之间的差值，并确定差值对应的第一阈值，也就得到了调整后的第一阈值。在该过程中，采用PID反馈调节器，调整第一阈值，使得资源总数量在目标时间段内平滑用完，避免目标时间段的初始阶段就有大量的对象消耗资源总数量。

在该实施例中，服务器不仅能够将目标时间段的资源总数量，平滑到该目标时间段的各个子时间段，避免在目标时间段的初始阶段就有大量的对象被提高目标参数，进而导致剩余时间段内的对象无法被提高目标参数，能够有效控制目标时间段内提高目标参数这一过程的速度，还能够基于实时耗费的资源数量，来对第一阈值进行调整，在已耗费的资源数量较少、差值较大时，降低第一阈值，尽可能地提高第二对象的目标参数，在已耗费的资源数量较多、差值较小时，提高第一阈值，降低第二对象被提高目标参数的机会，避免所耗费的资源数量过多，确保目标时间段内平滑利用资源总数量的情况下进行优选，最大化推荐效率。

在另一些实施例中，服务器在目标时间段内已推荐的多个对象中，获取属于目标发布者的多个对象已耗费的资源数量，若该已耗费的资源数量大于第二阈值，则提高该属于目标发布者的多个对象的第一阈值，若该已耗费的资源数量小于或等于该第二阈值，则降低属于目标发布者的多个对象的第一阈值。其中，属于目标发布者的多个对象是指属于同一广告主的多个对象。在该实施例中，对于资源数量总消耗较大的发布者，可以适当提高第一阈值，对于资源数量总消耗较小的发布者，可以适当降低第一阈值，提升优先推荐的公平性和健康性。

需要说明的是，在上述过程中，可能会出现补贴大量集中到某些头部产品上的情况，为了平衡提高目标参数的机会，保证一定的公平性，可以基于各个发布者的总消耗对第一阈值进行调整，从而提升优先推荐的公平性和健康性。

在步骤304中，服务器基于该第二对象提高后的目标参数，在该第二对象和该待推荐的多个对象中，选取目标参数大于目标阈值的对象。

在一些实施例中，服务器提高第二对象的目标参数后，基于该第二对象提高后的目标参数，对该第二对象和该待推荐的多个对象进行重排序，选取目标参数大于目标阈值的对象，再进行后续推荐操作。

可选地，服务器提高第二对象的目标参数后，基于该第二对象提高后的目标参数，对该第二对象和该待推荐的多个对象进行重排序，选取目标参数最高的对象，也即是选取排序靠前的对象，再进行后续推荐操作。

上述步骤301至步骤304是基于目标对象集合中的第二对象，判断是否提高第二对象的目标参数，进而重新确定目标参数大于目标阈值的对象的过程。需要说明的是，服务器在判断是否提高该第二对象的目标参数之后，还需要继续遍历目标对象集合中的其余对象，直至当前已推荐的对象所耗费的资源数量达到资源总数量，则停止确定推荐效率以及判断推荐效率是否大于第一阈值的过程。相应过程为：服务器提高该第二对象的目标参数后，继续在目标对象集合中选取下一对象，并获取该下一对象的资源数量，基于该下一对象的资源数量和第一对象的第一资源数量，确定该下一对象的推荐效率，响应于该下一对象的推荐效率达到第一阈值，则提高该下一对象的目标参数，重复执行上述选取下一对象、确定下一对象的推荐效率的过程，直至当前已推荐的对象所耗费的资源数量达到资源总数量，则停止执行上述选取下一对象、确定下一对象的推荐效率的过程。

还需要说明的是，步骤304可以在确定出目标对象集合中多个提高目标参数的对象后再执行，也即是，服务器确定出多个推荐效率达到第一阈值的对象后，提高该多个对象的目标参数，基于该多个对象提高后的目标参数，对该多个对象和待推荐的多个对象进行重排序，选取排序最靠前的对象，也即是选取目标参数大于目标阈值的对象。在该过程中，无需每确定出一个推荐效率达到第一阈值的对象，就执行一次重排序过程，极大地减小了服务器的处理内容，提高了服务器的处理速度。

在步骤305中，服务器对该目标参数大于目标阈值的对象进行推荐，以及，记录推荐该目标参数大于目标阈值的对象时所耗费的资源数量。

在一些实施例中，服务器确定出目标参数大于目标阈值的对象后，对该目标参数大于目标阈值的对象进行推荐，获取推荐该目标参数大于目标阈值的对象时获得的资源数量，确定第一对象的第一资源数量与该目标参数大于目标阈值的对象获得的资源数量的差值，作为推荐该目标参数大于目标阈值的对象时所耗费的资源数量，并记录该推荐该目标参数大于目标阈值的对象时所耗费的资源数量，便于后续推荐过程的执行。在该过程中，根据第二对象提高后的目标参数以及待推荐的多个对象的目标参数，选取目标参数大于目标阈值的对象进行推荐，在实现对一些对象优先推荐的同时，还能够确保对象的推荐效果，提高了推荐对象时所获得的资源数量。

本公开实施例提供的技术方案，根据目标参数大于目标阈值的对象的资源数量和目标对象集合中的任一个对象的资源数量，能够确定出该对象的推荐效率，由于该推荐效率与推荐该对象时所获得的资源数量正相关，因此，该对象的推荐效率越大，则推荐该对象时获得的资源数量越多，进而通过判断该推荐效率是否达到第一阈值，来判断是否提高该对象的目标参数，能够确定出推荐效率较高的对象，进而能够获得较多的资源数量，实现了推荐效率和所获得的资源数量的最大化。

图3是基于目标对象集合中任一对象的推荐效率，判断是否提高第二对象的目标参数，进而进行推荐的过程。在另一些实施例中，服务器还能够基于一个领域的多个对象，确定该领域的推荐效率，进而判断是否提高该领域所包括的多个对象的目标参数，再进行推荐的过程。图5是根据一示例性实施例示出的一种推荐方法的流程图，参见图5，该方法包括：

在步骤501中，服务器获取第一对象的第一资源数量，该第一对象基于待推荐的多个对象中目标参数大于目标阈值的对象确定，该第一资源数量为推荐该第一对象时获得的资源数量。

需要说明的是，步骤501的内容参见步骤301，不再赘述。

在步骤502中，服务器在该目标对象集合中，选取属于目标领域的至少一个第三对象的第三资源数量，该第三资源数量为推荐该第三对象时获得的资源数量。

其中，目标领域是指满足优先推荐条件的业务领域，例如，特定领域或创新领域。领域可理解为行业，则目标领域可以是特定行业或创新行业。相应地，属于目标领域的对象也即是属于特定行业或创新行业的对象，例如公益视频、创新视频。应理解地，每个对象均携带用于指示领域的标识。第三资源数量为推荐该第三对象时获得的资源数量，可理解为推荐该第三对象时获得的正向收益。

在一些实施例中，服务器在该目标对象集合中，根据该目标对象集合中多个对象的标识，选取属于目标领域的至少一个第三对象，并获取该至少一个第三对象的第三资源数量。在该过程中，选取属于同一领域的对象的资源数量，便于后续确定该领域的推荐效率的过程。

在步骤503中，服务器基于该第一资源数量和该至少一个第三对象的第三资源数量，确定该目标领域的推荐效率。

在一些实施例中，服务器基于该至少一个第三对象的第三资源数量，确定该目标领域的目标资源总和，基于该第一资源数量和该至少一个第三对象的第三资源数量之间的资源差距，确定该目标领域的资源差距总和，基于该目标领域的目标资源总和与资源差距总和，确定该目标领域的推荐效率，该目标领域的推荐效率与该目标资源总和正相关，该目标领域的推荐效率与该资源差距总和负相关。

在一些实施例中，服务器基于该目标领域的目标资源总和与资源差距总和，确定该目标领域的推荐效率的过程包括：服务器基于该目标领域的目标资源总和、资源差距总和和公式(2)，确定该目标领域的推荐效率。

式中，bonus_roi′为目标领域的推荐效率，∑cpm_industry_origin为目标领域的目标资源总和，∑|cpm_industry_origin-cpm_left|为目标领域的资源差距总和。

上述过程中，基于整个领域的目标资源总和与资源差距总和，来确定该领域的推荐效率，能够快速确定出一个领域的推荐效率，便于后续推荐效率的判断过程和推荐过程。

在步骤504中，服务器响应于该目标领域的推荐效率达到该第一阈值，则提高该目标领域所包括的至少一个第三对象的目标参数。

上述过程中，通过选取属于同一领域的多个对象的资源数量，进而确定该领域的推荐效率，能够更加快速地判断出是否提高多个对象的目标参数，无需一一针对对象来确定推荐效率，提高了整个推荐过程的执行效率。

需要说明的是，服务器在判断是否提高该目标领域所包括的至少一个第三对象的目标参数之后，还需要继续遍历目标对象集合中的其余领域的对象，直至当前已推荐的对象所耗费的资源数量达到资源总数量，则停止确定推荐效率以及判断推荐效率是否大于第一阈值的过程。相应过程为：服务器提高该目标领域所包括的至少一个第三对象的目标参数后，继续在目标对象集合中选取属于另一领域的对象，并获取该属于另一领域的对象的资源数量，基于该另一领域的对象的资源数量和第一对象的第一资源数量，确定该另一领域的推荐效率，响应于该另一领域的推荐效率达到第一阈值，则提高该另一领域的对象的目标参数，重复执行上述选取另一领域、确定推荐效率的过程，直至当前已推荐的对象所耗费的资源数量达到资源总数量，则停止执行上述选取另一领域、确定推荐效率的过程。

在步骤505中，服务器基于该至少一个第三对象提高后的目标参数，在该至少一个第三对象和该待推荐的多个对象中，选取目标参数大于目标阈值的对象。

在步骤506中，服务器对该目标参数大于目标阈值的对象进行推荐，以及，记录推荐该目标参数大于目标阈值的对象时所耗费的资源数量。

步骤504和步骤506的内容参见步骤303至步骤305，不再赘述。

本公开实施例提供的技术方案，根据目标参数大于目标阈值的对象的资源数量和目标对象集合中的任一个对象的资源数量，能够确定出该对象的推荐效率，由于该推荐效率与推荐该对象时所获得的资源数量正相关，因此，该对象的推荐效率越大，则推荐该对象时获得的资源数量越多，进而通过判断该推荐效率是否达到第一阈值，来判断是否提高该对象的目标参数，能够确定出推荐效率较高的对象，进而能够获得较多的资源数量，实现了推荐效率和所获得的资源数量的最大化。

图6是根据一示例性实施例示出的一种推荐装置的框图。参照图6，该装置包括获取单元601、确定单元602和提高单元603。

获取单元601，被配置为执行获取第一对象的第一资源数量和第二对象的第二资源数量，该第一对象为待推荐的多个对象中目标参数大于目标阈值的对象，该第二对象为目标对象集合中的任一个对象，该第一资源数量为推荐该第一对象时获得的资源数量，该第二资源数量为推荐该第二对象时获得的资源数量；

确定单元602，被配置为执行基于该第一资源数量与该第二资源数量之间的资源差距以及该第二资源数量，确定该第二对象的推荐效率，该推荐效率与该第二资源数量正相关，该推荐效率与该资源差距负相关；

提高单元603，被配置为执行响应于该第二对象的推荐效率达到第一阈值，则提高该第二对象的目标参数。

在一些实施例中，该装置还包括：

选取单元，被配置为执行基于该第二对象提高后的目标参数，在该第二对象和该待推荐的多个对象中，选取目标参数大于目标阈值的对象；

推荐单元，被配置为执行对该目标参数大于目标阈值的对象进行推荐，以及，记录推荐该目标参数大于目标阈值的对象时所耗费的资源数量。

在一些实施例中，该提高单元603，被配置为执行：

响应于该第二对象的推荐效率达到第一阈值，且当前已推荐的对象所耗费的资源数量满足目标条件，则提高该第二对象的目标参数。

在一些实施例中，该装置还包括：

划分单元，被配置为执行按照目标时间段中的多个子时间段，对该目标时间段内的资源总数量进行均匀划分，得到每个子时间段对应的资源数量，以使该多个子时间段的资源数量总和等于该资源总数量，该资源总数量表示在该目标时间段内推荐对象所耗费的资源总数量；

调整单元，被配置为执行对于该多个子时间段中的任一个子时间段，基于该子时间段对应的资源数量和该子时间段已耗费的资源数量之间的差值，对该第一阈值进行调整，得到调整后的该第一阈值，其中，该第一阈值与该差值负相关。

在一些实施例中，该调整单元，还被配置为执行：

在该目标时间段内已推荐的多个对象中，获取属于目标发布者的多个对象已耗费的资源数量，若该已耗费的资源数量大于第二阈值，则提高该属于目标发布者的多个对象的第一阈值，若该已耗费的资源数量小于或等于该第二阈值，则降低属于目标发布者的多个对象的第一阈值。

在一些实施例中，该装置还包括：

选取单元，被配置为执行在该目标对象集合中，选取属于目标领域的至少一个第三对象的第三资源数量，该第三资源数量为推荐该第三对象时获得的资源数量；

该确定单元602，还被配置为执行基于该第一资源数量和该至少一个第三对象的第三资源数量，确定该目标领域的推荐效率；

该提高单元603，还被配置为执行若该目标领域的推荐效率达到该第一阈值，则提高该目标领域所包括的至少一个第三对象的目标参数。

在一些实施例中，该确定单元602包括：

目标资源总和确定子单元，被配置为执行基于该至少一个第三对象的第三资源数量，确定该目标领域的目标资源总和；

资源差距总和确定子单元，被配置为执行基于该第一资源数量和该至少一个第三对象的第三资源数量之间的资源差距，确定该目标领域的资源差距总和；

推荐效率确定子单元，被配置为执行基于该目标领域的目标资源总和与资源差距总和，确定该目标领域的推荐效率，该目标领域的推荐效率与该目标资源总和正相关，该目标领域的推荐效率与该资源差距总和负相关。

本公开实施例提供的技术方案，根据目标参数大于目标阈值的对象的资源数量和目标对象集合中的任一个对象的资源数量，能够确定出该对象的推荐效率，由于该推荐效率与推荐该对象时所获得的资源数量正相关，因此，该对象的推荐效率越大，则推荐该对象时获得的资源数量越多，进而通过判断该推荐效率是否达到第一阈值，来判断是否提高该对象的目标参数，能够确定出推荐效率较高的对象，进而能够获得较多的资源数量，实现了推荐效率和所获得的资源数量的最大化。

需要说明的是：上述实施例提供的推荐装置在推荐时，仅以上述各功能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完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的推荐装置与推荐方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图7是根据一示例性实施例示出的一种服务器的框图，该服务器700可因配置或性能不同而产生比较大的差异，可以包括一个或多个处理器(Central Processing Units，CPU)701和一个或多个的存储器702，其中，该一个或多个存储器702中存储有至少一条程序代码，该至少一条程序代码由该一个或多个处理器701加载并执行以实现上述各个方法实施例提供的推荐方法。当然，该服务器700还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器700还可以包括其他用于实现设备功能的部件，在此不做赘述。

在示例性实施例中，还提供了一种包括程序代码的计算机可读存储介质，例如包括程序代码的存储器702，上述程序代码可由服务器700的处理器701执行以完成上述推荐方法。可选地，计算机可读存储介质可以是只读内存(read-only memory，ROM)、随机存取存储器(random access memory)，RAM)、只读光盘(compact-disc read-only memory，CD-ROM)、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的推荐方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。