对象推荐方法、装置、电子设备和存储介质

技术领域

本发明实施例涉及计算机技术领域，具体而言，涉及一种对象推荐方法、装置、电子设备和存储介质。

背景技术

随着人们生活水平的不断提升，汽车成为人们出行常用的代步工具。然而，由于汽车的使用寿命长且价格较高，使得人们的购买汽车的频率较低，导致用户与汽车交易相关的数据较少，对于大多数用户来说，汽车购买的次数仅为1-2次。在对用户购买意愿的预测过程中无法根据用户仅有的购买信息来预测用户相关的购买意愿。无法准确的为用户推送用户想要的汽车，导致用户无法高效的获得需要的汽车信息。因此，需要提供一种更加精确的推荐方法，以提高汽车推荐的准确性。

发明内容

本发明实施例正是基于上述问题，提出了一种新的技术方案，通过根据当前用户的行为信息确定所述当前用户的短期兴趣特征，根据与当前用户相似的多个用户集合的历史对象信息确定用户的长期兴趣特征，再根据短期兴趣特征和长期兴趣特征和推荐模型来确定推荐对象，从而有利于提高推荐对象的准确性。

有鉴于此，根据本发明实施例的第一方面，提出了一种对象推荐方法，所述对象推荐方法包括：

获取用户授权的用户数据，所述用户数据包括用户信息、历史对象信息和相关对象信息；

根据当前用户的行为信息确定所述当前用户的短期兴趣特征；

根据用户信息和历史对象信息确定与所述当前用户相似的用户集合和对象集合，所述用户集合包括属性信息相似的用户，所述对象集合包括与历史对象相似的多个对象；

根据用户集合和对象集合确定所述当前用户的长期兴趣特征；

将所述短期兴趣特征以及所述长期兴趣特征输入推荐模型确定推荐对象，所述推荐模型根据多个用户数据预先训练获得；以及

发送所述推荐对象。

优选地，所述根据用户的行为信息确定所述当前用户的短期兴趣特征包括：

采用图嵌入算法根据行为信息确定所述用户的短期兴趣特征。

优选地，所述根据相似用户集合中相似用户的历史对象信息确定所述当前用户的长期兴趣特征包括：

采用图嵌入算法根据用户集合和对象集合确定所述用户的长期兴趣特征。

优选地，所述根据用户信息和历史对象信息确定与所述当前用户相似的用户集合和对象集合包括：

采用聚类算法确定与所述用户信息相似的相似用户集合；以及

采用聚类算法确定与所述历史对象信息相似的相似对象集合。

优选地，所述推荐模型以短期兴趣特征以及长期兴趣特征为输入，以历史对象信息为输出，采用逻辑回归算法或者极端梯度增压算法训练获得。

优选地，在所述获取用户授权的用户数据前，所述对象推荐方法还包括：

对多个用户的用户信息以及历史对象信息进行预处理，并保存到第一数据库；以及

对当前用户的用户信息以及行为信息进行预处理，并保存到第二数据库；

所述获取用户授权的用户数据包括：

从第一数据库中获取多个用户的用户信息以及历史对象信息；以及

从第二数据库从获取当前用户的用户信息以及行为信息。

根据本发明实施例的第二方面，提出了一种对象推荐装置，所述装置包括：

数据获取单元，用于获取用户授权的用户数据，所述用户数据包括用户信息、历史对象信息和相关对象信息；

短期特征确定单元，用于根据当前用户的行为信息确定所述当前用户的短期兴趣特征；

聚类单元，用于根据用户信息和历史对象信息确定与所述当前用户相似的用户集合和对象集合，所述用户集合包括属性信息相似的用户，所述对象集合包括与历史对象相似的多个对象；

长期特征确定单元，用于根据用户集合和对象集合确定所述当前用户的长期兴趣特征；

预测单元，用于将所述短期兴趣特征以及所述长期兴趣特征输入推荐模型确定推荐对象，所述推荐模型根据多个用户数据预先训练获得；以及

发送单元，用于发送所述推荐对象。

优选地，所述短期特征确定单元包括：

短期特征确定子单元，用于采用图嵌入算法根据行为信息确定所述用户的短期兴趣特征。

优选地，所述长期特征确定单元包括：

长期特征确定子单元，用于采用图嵌入算法根据用户集合和对象集合确定所述用户的长期兴趣特征。

优选地，所述聚类单元包括：

第一聚类子单元，用于采用聚类算法确定与所述用户信息相似的相似用户集合；以及

第二聚类子单元，用于采用聚类算法确定与所述历史对象信息相似的相似对象集合。

优选地，所述推荐模型以短期兴趣特征以及长期兴趣特征为输入，以历史对象信息为输出，采用逻辑回归算法或者极端梯度增压算法训练获得。

优选地，所述对象推荐装置还包括：

第一预处理单元，用于对多个用户的用户信息以及历史对象信息进行预处理，并保存到第一数据库；

第二预处理单元，用于对当前用户的用户信息以及行为信息进行预处理，并保存到第二数据库；

所述数据获取单元包括：

第一数据获取子单元，用于从第一数据库中获取多个用户的用户信息以及历史对象信息；

第二数据获取子单元，用于从第二数据库从获取当前用户的用户信息以及行为信息。

根据本发明实施例的第三方面，提出了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如第一方面中任一项所述的方法。

根据本发明实施例的第四方面，提出了一种电子设备，其中，所述移动终端包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如第一方面中任一项所述的方法。

本发明实施例的对象推荐方法包括：获取用户授权的用户数据；根据当前用户的行为信息确定所述当前用户的短期兴趣特征；根据用户信息和历史对象信息确定与所述当前用户相似的用户集合和对象集合；根据用户集合和对象集合确定所述当前用户的长期兴趣特征；将所述短期兴趣特征以及所述长期兴趣特征输入推荐模型确定推荐对象，所述推荐模型根据多个用户数据预先训练获得；发送所述推荐对象。本发明实施例通过根据短期兴趣特征和长期兴趣特征两个维度确定推荐对象，能够提高推荐对象的精确度。

附图说明

通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：

图1为本发明实施例提供的对象推荐系统的示意图；

图2为本发明实施例的对象推荐方法的流程示意图；

图3是本发明实施例的对象推荐装置的结构示意图；

图4是本发明实施例的电子设备的示意图。

具体实施方式

以下基于实施例对本发明实施例进行描述，但是本发明实施例并不仅仅限于这些实施例。在下文对本发明实施例的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明实施例的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。

此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。

除非上下文明确要求，否则在本发明实施例中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。

在本发明实施例的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

对于购买频率低的对象，很难根据用户比较少的购买数据来预测用户想要购买的对象参数，对象参数可以包括对象的品牌以及价位等。有鉴于此，本发明实施例提供一种推荐方法，以提高购买数据较少的对象的推荐精度。

应理解，本发明实施例所述推荐对象可以是汽车、房子或者大中型家用电器等。在以下的描述中以推荐对象为汽车进行举例说明。

在本发明实施例，可以基于预先训练好的推荐模型，通过终端侧程序记录的多个目标用户的人机交互行为和网络访问行为数据来确定用户可能感兴趣的对象并将对象推荐给用户。

图1为本发明实施例提供的一种推荐系统的示意图。如图1所示，推荐系统包括：多个终端设备1和服务器2。其中，终端设备1可以是智能手机、平板电脑或者个人计算机(Personal Computer，PC)等，服务器2可以是单个服务器，也可以是以分布式方式配置的服务器集群，还可以是云服务器。多个终端设备1和服务器2之间通过网络3进行数据交互。

在本发明实施例中，终端设备1可以是用户所使用的智能手机或者PC等，在用户使用终端设备1时，往往会产生人机交互行为和网络访问行为数据，通过服务器2或者终端设备1分析这些数据可以确定用户的消费习惯以及购买倾向等。

在一些实施例中，服务器2可以包括一个或多个处理引擎(例如，单核心处理引擎或多核心处理器)。仅作为范例，服务器2可以包括中央处理器(中央处理器)、特定应用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可程序门阵列(FPGA)、可程序逻辑装置(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等中的一种或多种组合。

在一些实施例中，网络3可以是任意形式的有线或者无线网络，或其任意组合。仅作为范例，网络3可以是有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、广域网(WAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络、全球移动通讯系统(GSM)网络、码分多址(CDMA)网络、时分多址(TDMA)网络、通用分组无线服务(GPRS)网络、增强数据速率GSM演进(EDGE)网络、宽带码分多址接入(WCDMA)网络、高速下行分组接入(HSDPA)网络、长期演进(LTE)网络、用户数据报协议(UDP)网络、传输控制协议/互联网协议(TCP/IP)网络、短讯息服务(SMS)网络、无线应用协议(WAP)网络、超宽带(UWB)网络、移动通信(1G、2G、3G、4G、5G)网络、Wi-Fi、Li-Fi、窄带物联网(NB-IoT)、红外通信等中的一种或多种组合。

图2是本发明实施例的对象推荐方法流程图。如图2所示，本发明实施例的推荐方法包括以下步骤：

步骤S210，获取用户授权的用户数据，所述用户数据包括用户信息、历史对象信息和行为信息。

在本实施例中，用户数据是经用户授权获取的原始数据进行预处理存储在数据库中。所述原始数据可以包括用户的属性信息、行为信息以及历史对象信息。所述属性信息可以是用户的个人信息，包括年龄、性别、收入以及是否有车等信息。所述行为信息可以包括用户的行为数据，包括点击、浏览以及搜索等信息。具体可以包括用户浏览的对象的页面信息以及浏览时长，所述页面信息可以是包括浏览商品首页、视屏页面、详情页面、评价页面以及参数页面等多种页面以及在该页面停留的浏览时长。具体来说，在本实施例中，对象信息可以包括汽车的品牌、型号以及价格等信息。历史对象信息为用户曾经使用过的汽车信息。可以是通过交易平台中用户的订单记录获得，也可以通过用户输入的信息获得。在一种可选的实现方式中，用户的行为信息还可以包括采集经过用户授权的多个平台的信息，包括打车、租车以及代驾等行为的信息。并据此来评价用户的消费习惯。

在一个可选的实施例中，在所述获取用户授权的用户数据前，还包括：

步骤S200，对用户数据进行预处理。

具体地，所述预处理包括：

对多个用户的用户信息以及历史对象信息进行预处理，并保存到第一数据库中。用户信息包括用户性别、年龄、收入水平等。历史对象信息也就是用户历史购买的汽车信息，可以包括：汽车指导价、排量、变速箱类型等。具体采用Hive技术存储离线数据到第一数据库中。hive是基于海杜普(Hadoop)的数据仓库工具，其可以用于进行数据提取、转化、加载，在实际应用中，hive可以用于大数据的存储和预处理等功能，全链路处理器可以用于存储和预处理基本数据和表现数据。

对当前用户的用户信息以及行为信息进行预处理，并保存到第二数据库中。用户行为信息包括实时点击序列：首页、商详页、视频页面等。具体采用Redis技术存储实时点击数据到第二数据库中。Redis是常用的缓存管理工具，因其读取内存的特性，常被高并发对性能有要求的项目所采用。

在该实现方式中，获取用户授权的用户数据具体包括从第一数据库中获取多个用户的用户信息以及历史对象信息；以及从第二数据库从获取当前用户的用户信息以及行为信息。

具体地，主要分为连续数据预处理、离散数据预处理和统计特征生成。连续数据预处理主要处理类似：车成本价、成交价等特征，对异常值进行处理(填充或者当作空缺值)。离散数据预处理模块中主要对时间、属性等特征进行预处理，时间特征按天/周/月进行分箱处理，对属性特征encoding方法或one-hot方式处理等；统计特征生成具体为对用户过去一段时间内打过专车、快车，访问买车页面等统计次数，将处理得到的结构化数据分别存储在实时Redis装置和离线hive大数据存储装置中。

步骤S220，根据当前用户的行为信息确定所述当前用户的短期兴趣特征。

所述根据用户的行为信息确定所述当前用户的短期兴趣特征包括：采用图嵌入(Graph Embedding)算法根据行为信息确定所述用户的短期兴趣特征。具体来说，通过将用户预定时间内的行为数据进行图嵌入处理得到用户的短期行为特征。图嵌入处理具体为将用户数据输入预先训练的图嵌入模型中，本发明实施例中的图嵌入方法包括：深度行走(Deep Walk)、Node2Vec以及大规模信息网络嵌入(Large-scale Information NetworkEmbedding，LINE)等。

步骤S230，根据用户信息和历史对象信息确定与所述当前用户相似的用户集合和对象集合。所述用户集合包括属性信息相似的用户，所述对象集合包括与历史对象相似的多个对象。

具体来说，根据用户的属性信息和点击的车型为主要特征进行聚类来确定相似用户。以用户当前行为信息以及用户的属性信息等特征来进行聚类。在一种可选的实现方式中，根据聚类算法将与当前用户年龄、收入以及点击行为相似的用户确定为相似用户。具体点击行为可以是浏览或者购买与用户近期浏览过相似的车型。采用聚类算法确定与所述当前用户点击过的车型相似的对象集合。以相似用户购买过的车辆的品牌型号或者价格等作为主要的特征进行聚类，确定相似对象。

在本步骤中，通过聚合，可以去除低频交易记录以及不相关的用户，可以减少无关的数据，提高预测效率以及预测精度。

所述聚类算法可以包括K均值聚类算法(K-means clustering algorithm,K-Means)、均值偏移聚类算法(Mean Shift)、基于高密度联通区域的聚类算法(Density-based Spatial Clustering of Applications with Noise,DBSCAN)以及层次聚类算法(Hierarchical Clustering)。

步骤S240，根据用户集合和对象集合确定所述当前用户的长期兴趣特征。

具体来说，将用户集合中的每个用户的信息通过图嵌入算法处理表示为向量。具体地，通过对函数(1)求解将用户集合表示成嵌入向量。其中，book为点击行为的正集合，neg为点击行为的负集合，v

将对象集合中的车辆的信息通过图嵌入算法处理表示为向量。具体地，通过对函数(2)求解将对象集合表示成嵌入向量。其中，book为点击行为的正集合，neg为点击行为的负集合，v

将通过相似用户集合确定的嵌入向量和通过相似对象集合确定的嵌入向量连接，确定用户的长期兴趣特征。以表示一类用户关于汽车组的长期兴趣的向量表示。本发明实施例使用聚类方法表达了用户群和汽车组的长期兴趣特征，能够避免用户购买汽车的数据较少而导致预测不精确的问题。同时还降低了数据的维度，能够提高模型的预测效率。

步骤S250，将所述短期兴趣特征以及所述长期兴趣特征输入推荐模型确定推荐对象，所述推荐模型根据多个用户数据预先训练获得。

在一种可选的实现方式中，所述推荐模型以短期兴趣特征以及长期兴趣特征为输入，以历史对象为输出，采用逻辑回归(Logistic Regression，LR)算法或者极端梯度增压(Gradient Boosting Decision Tree，GBDT)算法训练获得。

其中，LR算法是机器学习中做分类任务常用的模型，其本质是一种广义的线性回归分析模型，LR模型的模型结构简单，训练速度快，而且对于输出变量有很好的概率解释。其中，XGBoost算法是一种可扩展机器学习系统，该系统可以作为开源的软件包，同时，该系统的影响已经在大量的机器学习和数据挖掘挑战中被广泛地认可，在本发明实施例中，随着数据量的不断增大，XGBoost可以起到良好的分类作用。所述历史对象为用户历史点击或浏览的对象。

在一种可选的实现方式中，通过不断将用户实际购车的数据重新输入模型进行训练，以不断提高模型的预测能力。

步骤S260，发送所述推荐对象。

具体地，将推荐对象发送到用户终端进行展示。

本发明实施例基于graph_embedding技术表示用户短期兴趣特征和长期兴趣特征，预测用户对汽车的点击概率。本发明实施例的方法除了能够准确用于用户买车推荐，也适用于其他低频业务的推荐场景中，具有普适性。

本发明实施例基于graph_embedding技术，既考虑了用户短期兴趣特征，又使用聚类方法表达了用户集合和对象集合的长期兴趣特征，并用实际成交数据反复迭代打磨推荐模型，有很强的泛化适应性。从前期的数据收集，到模型特征graph_embedding表示，之后结合短期、长期兴趣特征使用监督模型用户群和汽车组的点击概率预测，最后形成精确的推荐对象，并将推荐对象是否被点击反馈给模型，反复打磨。使用这一完整链路准确有效地表示用户对汽车的兴趣，从而推荐合适的汽车给用户，为现有汽车销售行业销售汽车提供一个新的思路，也为低频交易的行业的对象推荐提供一个新的思路。

本发明实施例的对象推荐方法包括：获取用户授权的用户数据；根据当前用户的行为信息确定所述当前用户的短期兴趣特征；根据用户信息和历史对象信息确定与所述当前用户相似的用户集合和对象集合；根据用户集合和对象集合确定所述当前用户的长期兴趣特征；将所述短期兴趣特征以及所述长期兴趣特征输入推荐模型确定推荐对象，所述推荐模型根据多个用户数据预先训练获得；发送所述推荐对象。本发明实施例通过将短期兴趣特征和长期兴趣特征输入推荐模型确定推荐对象，能够提高推荐对象的精确度。

图3是本发明实施例的对象推荐装置的结构示意图。如图3所示，在一种可选的实现方式中，本发明实施例的对象推荐装置包括：数据获取单元310，短期特征确定单元320，聚类单元330，长期特征确定单元340，预测单元350和发送单元360。

数据获取单元310，用于获取用户授权的用户数据，所述用户数据包括用户信息、历史对象信息和相关对象信息。

所述数据获取单元310包括：第一数据获取子单元和第二数据获取子单元。

第一数据获取子单元用于从第一数据库中获取多个用户的用户信息以及历史对象信息。

第二数据获取子单元用于从第二数据库从获取当前用户的用户信息以及行为信息。

短期特征确定单元320用于根据当前用户的行为信息确定所述当前用户的短期兴趣特征。

所述短期特征确定单元320包括：短期特征确定子单元。

短期特征确定子单元用于采用图嵌入算法根据行为信息确定所述用户的短期兴趣特征。

聚类单元330，用于根据用户信息和历史对象信息确定与所述当前用户相似的用户集合和对象集合，所述用户集合包括属性信息相似的用户，所述对象集合包括与历史对象相似的多个对象。

所述聚类单元330包括：第一聚类子单元和第二聚类子单元。

第一聚类子单元用于采用聚类算法确定与所述用户信息相似的相似用户集合。

第二聚类子单元用于采用聚类算法确定与所述历史对象信息相似的相似对象集合。

长期特征确定单元340用于根据用户集合和对象集合确定所述当前用户的长期兴趣特征。

所述长期特征确定单元包括：长期特征确定子单元。

长期特征确定子单元用于采用图嵌入算法根据用户集合和对象集合确定所述用户的长期兴趣特征。

预测单元350用于将所述短期兴趣特征以及所述长期兴趣特征输入推荐模型确定推荐对象，所述推荐模型根据多个用户数据预先训练获得。

其中，所述推荐模型以短期兴趣特征以及长期兴趣特征为输入，以历史对象信息为输出，采用逻辑回归算法或者极端梯度增压算法训练获得。

发送单元360用于发送所述推荐对象。

在另一种可选的实现方式中，所述对象推荐装置还包括：第一预处理单元300a和第二预处理单元300b。

第一预处理单元300a用于对多个用户的用户信息以及历史对象信息进行预处理，并保存到第一数据库。

第二预处理单元300b用于对当前用户的用户信息以及行为信息进行预处理，并保存到第二数据库。

图4是本发明实施例的电子设备的示意图。如图4所示，图4所示的电子设备为对象推荐装置，其包括通用的计算机硬件结构，其至少包括处理器401和存储器402。处理器401和存储器402通过总线403连接。存储器402适于存储处理器401可执行的指令或程序。处理器401可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器401通过执行存储器402所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线403将上述多个组件连接在一起，同时将上述组件连接到显示控制器404和显示装置以及输入/输出(I/O)装置405。输入/输出(I/O)装置405可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置405通过输入/输出(I/O)控制器406与系统相连。

本领域的技术人员应明白，本发明的实施例可提供为方法、装置(设备)或计算机程序产品。因此，本发明实施例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，本发明实施例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读存储介质(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。

本发明是参照根据本发明实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。

这些计算机程序指令可以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，该指令装置实现流程图一个流程或多个流程中指定的功能。

也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中指定的功能的装置。

本发明的另一实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本发明实施例各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的

本发明实施例提供了TS1、一种对象推荐方法，所述对象推荐方法包括：

获取用户授权的用户数据，所述用户数据包括用户信息、历史对象信息和相关对象信息；

根据当前用户的行为信息确定所述当前用户的短期兴趣特征；

根据用户信息和历史对象信息确定与所述当前用户相似的用户集合和对象集合，所述用户集合包括属性信息相似的用户，所述对象集合包括与历史对象相似的多个对象；

根据用户集合和对象集合确定所述当前用户的长期兴趣特征；

将所述短期兴趣特征以及所述长期兴趣特征输入推荐模型确定推荐对象，所述推荐模型根据多个用户数据预先训练获得；以及

发送所述推荐对象。

TS2、根据TS1所述的方法，所述根据用户的行为信息确定所述当前用户的短期兴趣特征包括：

采用图嵌入算法根据行为信息确定所述用户的短期兴趣特征。

TS3、根据TS1所述的方法，所述根据相似用户集合中相似用户的历史对象信息确定所述当前用户的长期兴趣特征包括：

采用图嵌入算法根据用户集合和对象集合确定所述用户的长期兴趣特征。

TS4、根据TS1所述的方法，所述根据用户信息和历史对象信息确定与所述当前用户相似的用户集合和对象集合包括：

采用聚类算法确定与所述用户信息相似的相似用户集合；以及

采用聚类算法确定与所述历史对象信息相似的相似对象集合。

TS5、根据TS1所述的方法，所述推荐模型以短期兴趣特征以及长期兴趣特征为输入，以历史对象信息为输出，采用逻辑回归算法或者极端梯度增压算法训练获得。

TS6、根据TS1所述的方法，在所述获取用户授权的用户数据前，所述对象推荐方法还包括：

对多个用户的用户信息以及历史对象信息进行预处理，并保存到第一数据库；以及

对当前用户的用户信息以及行为信息进行预处理，并保存到第二数据库；

所述获取用户授权的用户数据包括：

从第一数据库中获取多个用户的用户信息以及历史对象信息；以及

从第二数据库从获取当前用户的用户信息以及行为信息。

TS7、一种对象推荐装置，所述装置包括：

数据获取单元，用于获取用户授权的用户数据，所述用户数据包括用户信息、历史对象信息和相关对象信息；

短期特征确定单元，用于根据当前用户的行为信息确定所述当前用户的短期兴趣特征；

聚类单元，用于根据用户信息和历史对象信息确定与所述当前用户相似的用户集合和对象集合，所述用户集合包括属性信息相似的用户，所述对象集合包括与历史对象相似的多个对象；

长期特征确定单元，用于根据用户集合和对象集合确定所述当前用户的长期兴趣特征；

预测单元，用于将所述短期兴趣特征以及所述长期兴趣特征输入推荐模型确定推荐对象，所述推荐模型根据多个用户数据预先训练获得；以及

发送单元，用于发送所述推荐对象。

TS8、根据TS7所述的装置，所述短期特征确定单元包括：

短期特征确定子单元，用于采用图嵌入算法根据行为信息确定所述用户的短期兴趣特征。

TS9、根据TS7所述的装置，所述长期特征确定单元包括：

长期特征确定子单元，用于采用图嵌入算法根据用户集合和对象集合确定所述用户的长期兴趣特征。

TS10、根据TS7所述的装置，所述聚类单元包括：

第一聚类子单元，用于采用聚类算法确定与所述用户信息相似的相似用户集合；以及

第二聚类子单元，用于采用聚类算法确定与所述历史对象信息相似的相似对象集合。

TS11、根据TS7所述的装置，所述推荐模型以短期兴趣特征以及长期兴趣特征为输入，以历史对象信息为输出，采用逻辑回归算法或者极端梯度增压算法训练获得。

TS12、根据TS7所述的装置，所述对象推荐装置还包括：

第一预处理单元，用于对多个用户的用户信息以及历史对象信息进行预处理，并保存到第一数据库；

第二预处理单元，用于对当前用户的用户信息以及行为信息进行预处理，并保存到第二数据库；

所述数据获取单元包括：

第一数据获取子单元，用于从第一数据库中获取多个用户的用户信息以及历史对象信息；

第二数据获取子单元，用于从第二数据库从获取当前用户的用户信息以及行为信息。

TS13、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如TS1至6中任一项所述的方法。

TS14、一种电子设备，所述电子设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如TS1至6中任一项所述的方法。

TS15、一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现TS1至6中任一项所述方法的步骤。