信息推荐的方法、装置、设备及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种信息推荐的方法、装置、设备及存储介质。

背景技术

目前，在用户访问实体(如店铺、商品或者视频等)过后，可以向用户推送该实体的相关信息。例如，用户在线上对店铺浏览过后，在系统生成该店铺的相关推送消息之后，就会将相关推送消息向用户推送。

但是，目前这种向用户推送消息的方式，仅仅局限于用户之前访问过的实体，具有一定的局限性，不利于用户了解更多感兴趣的实体。并且，向用户推送的消息也是通用性的，同样不利于用户有针对性的获知感兴趣的消息。

发明内容

有鉴于此，本发明实施例提供一种信息推荐的方法、装置、设备及存储介质，以实现有针对性的向用户推荐除被访问实体之外实体的消息。

为实现上述目的，本发明实施例提供如下技术方案：

本申请第一方面提供了一种信息推荐的方法，包括：

获取用户的属性信息、以及第一预设时间内的行为信息；其中，所述行为信息为用户在第一预设时间内对实体的访问行为信息；

获取待预测实体的属性信息；

利用预测模型处理所述用户的属性信息和所述第一预设时间内的行为信息、以及所述待预测实体的属性信息，得到用户对所述待预测实体的访问概率；其中，所述预测模型基于样本用户的属性信息和第二预设时间内的行为信息、样本实体的属性信息、以及所述样本用户对所述样本实体的访问结果训练得到，其中，所述样本用户的行为信息为所述样本用户在所述第二预设时间内对实体的访问行为信息；

将与所述用户对所述待预测实体的访问概率相匹配的信息向用户推送。

可选地，所述获取用户的第一预设时间内的行为信息，包括：

获取所述用户在所述第一预设时间内的行为事件；

从所述用户在所述第一预设时间内的行为事件中，解析出所述用户的所涉实体以及所述用户对所涉实体的行为信息；

建立所述用户的所涉实体以及所述用户对所涉实体的行为信息、与所述用户的标识的绑定关系。

可选地，所述将与所述用户对所述待预测实体的访问概率相匹配的信息向用户推送，包括：

确定所述用户对应的推送方式；

以所述用户对应的推送方式，将与所述用户对所述待预测实体的访问概率相匹配的信息向用户推送。

可选地，所述获取用户的属性信息、以及第一预设时间内的行为信息，包括：

获取所述用户的标识；

利用所述用户的标识，获取所述用户的属性信息以及第一预设时间内的行为信息。

可选地，所述预测模型的构建方法包括：

获取样本用户的属性信息、以及所述样本用户在所述第二预设时间内的行为事件；

解析所述样本用户在预设时间内的行为事件，得到所述样本用户在预设时间内的行为事件中的所涉实体、用户对所述行为事件中的所涉实体的行为信息、以及用户对所述行为事件中所涉实体的访问结果；

获取所述样本实体的属性信息；其中，所述样本实体为所述样本用户在预设时间内的行为事件中的所涉实体；

以所述样本用户的属性信息、所述样本用户在所述第二预设时间内对所述行为事件中的所涉实体的行为信息、所述样本实体的属性信息、以及所述样本用户对所述样本实体的访问结果，对神经网络模型进行训练，得到所述预测模型。

本申请第二方面提供了一种信息推荐的装置，包括：

第一获取单元，用于获取用户的属性信息、以及第一预设时间内的行为信息；其中，所述行为信息为用户在所述第一预设时间内对实体的访问行为信息；

第二获取单元，用于获取待预测实体的属性信息；

处理单元，用于利用预测模型处理所述用户的属性信息和所述第一预设时间内的行为信息、以及所述待预测实体的属性信息，得到用户对所述待预测实体的访问概率；其中，所述预测模型基于样本用户的属性信息和第二预设时间内的行为信息、样本实体的属性信息、以及所述样本用户对所述样本实体的访问结果训练得到，其中，所述样本用户的行为信息为所述样本用户在所述第二预设时间内对实体的访问行为信息；

推送单元，用于将与所述用户对所述待预测实体的访问概率相匹配的信息向用户推送。

可选地，所述第一获取单元获取用户的第一预设时间内的行为信息时，用于：

获取所述用户在第一预设时间内的行为事件；从所述用户在第一预设时间内的行为事件中，解析出所述用户的所涉实体以及所述用户对所涉实体的行为信息；建立所述用户的所涉实体以及所述用户对所涉实体的行为信息、与所述用户的标识的绑定关系。

可选地，所述推送单元，包括：

确定单元，用于确定所述用户对应的推送方式；

推送子单元，用于以所述用户对应的推送方式，将与所述用户对所述待预测实体的访问概率相匹配的信息向用户推送。

可选地，所述第一获取单元获取用户的属性信息、以及第一预设时间内的行为信息时，用于：

获取所述用户的标识；利用所述用户的标识，获取所述用户的属性信息以及所述第一预设时间内的行为信息。

可选地，信息推荐的装置还包括：

第三获取单元，用于获取样本用户的属性信息、以及所述样本用户在所述第二预设时间内的行为事件；

解析单元，用于解析所述样本用户在预设时间内的行为事件，得到所述样本用户在所述第二预设时间内的行为事件中的所涉实体、用户对所述行为事件中的所涉实体的行为信息、以及用户对所述行为事件中所涉实体的访问结果；

第四获取单元，用于获取所述样本实体的属性信息；其中，所述样本实体为所述样本用户在所述第二预设时间内的行为事件中的所涉实体；

训练单元，用于以所述样本用户的属性信息、所述样本用户在所述第二预设时间内对所述行为事件中的所涉实体的行为信息、所述样本实体的属性信息、以及所述样本用户对所述样本实体的访问结果，对神经网络模型进行训练，得到所述预测模型。

本申请第三方面提供了一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述第一方面任意一项所述的方法。

本申请第四方面一种计算机存储介质，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上述第一方面任意一项所述的方法。

从上述技术方案可以看出，本申请实施例提供的一种信息推荐的方法中，基于样本用户的属性信息和第二预设时间内的行为信息、样本实体的属性信息、以及所述样本用户对所述样本实体的访问结果训练，得到预测模型，如此，本方案通过获取用户的属性信息、第一预设时间内的行为信息，以及待预测实体的属性信息，利用预测模型处理用户的属性信息和第一预设时间内的行为信息、预计待预测实体的属性信息，得到用户对待预测实体的访问概率，最终将与用户对待预测实体的访问概率相匹配的信息想用户推送，从而实现了有针对性的向用户推荐除被访问实体之外实体的消息。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种预测模型的构建方法的流程示意图；

图2为本申请实施例提供的一种信息推荐的方法的流程示意图；

图3为本申请实施例提供的一种获取预设时间内的行为信息的流程示意图；

图4为本申请实施例提供的一种将与用户对待预测实体的访问概率相匹配的信息向用户推送的流程示意图；

图5为本申请实施例提供的一种预先构建预测模型并利用预测模型进行信息推荐的示例图；

图6为本申请实施例提供的一种信息推荐的装置的结构框图；

图7为本申请实施例提供的一种用于执行信息推荐的方法的电子设备的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

参见图1，本申请实施例公开的一种预测模型的构建方法，包括以下步骤：

S101、获取样本用户的属性信息、以及样本用户在预设时间内的行为事件。

在步骤S101中，行为信息为样本用户在预设的时间内对实体的访问行为信息。其中，实体可以为线上的商品、店铺、视频和线下的店铺。

需要说明的是，样本用户的属性信息包含样本用户的基础信息以及本预设时间内的行为事件的描述信息，例如：包括样本用户的姓名、性别、年龄等基础信息、本预设时间内的行为事件的同行人数等描述信息。另外，预设时间为一个根据实际需求设定的时间，并无特定要求。

行为事件为样本用户的行为发生事件。样本用户线下逛街时，轨迹客流系统可以通过线下场景的视频数据，来提取样本用户的逛店轨迹，解析样本用户的逛店轨迹，得到在预设时间内的行为事件，如进出场事件、进出楼层事件、进出店铺事件等。样本用户线上浏览时，也可以通过分析样本用户的浏览轨迹，得到在预设时间内的行为事件。

还需要说明的是，本步骤的一种实施方式包括：

获取样本用户的标识；利用样本用户的标识，获取样本用户的属性信息、以及样本用户在预设时间内的行为事件。

样本用户的标识属于样本用户的身份信息，可以是样本用户的名称、账号，或者样本用户的生物特征信息。在获取样本用户的属性信息和预设时间内的行为事件之前，先获取样本用户的标识，如此利用样本用户的标识，从大数据量的用户的属性信息中，找到样本用户的标识对应的样本用户的属性信息；同理，也从大数据量的用户的行为事件中，找到样本用户的标识对应的样本用户的行为事件。

样本用户线下逛街时，线下场景的视频数据中，利用样本用户的标识，例如人脸图像、人头图像或人体图像等生物特征信息，从线下场景的视频数据找到属于样本用户的视频数据，提取样本用户的逛店轨迹。并且，利用样本用户的标识，从其他数据库中获取样本用户的基础信息。当然，样本用户本预设时间段内的行为事件的描述信息，也是通过分析样本用户的视频数据得到。

样本用户线上浏览时，利用样本用户的标识，例如样本用户的名称、账号等，从线上用户的浏览轨迹中，找到样本用户的浏览轨迹，再分析样本用户的浏览轨迹，得到在预设时间内的行为事件和样本用户的属性信息中的本预设时间内的行为事件的描述信息。另外，样本用户的基础信息，也可以是通过样本用户的标识来获取。

S102、对样本用户的属性信息中的身份信息进行匿名化处理。

为了避免用户身份泄露，可以将样本用户的基础信息中能够显示出样本用户身份的信息其他代号表示。当然，代号可以为特定称呼、号码、字母、以及数字与字母的结合。

例如：将样本用户的姓名等身份信息匿名化，而利用从1开始递增的记录ID来代替，如此可以将样本用户的身份信息进行脱敏，无法获知个体的身份信息。如此，多个样本用户在预设时间内的行为事件和属性信息的记录方式可以如表1所示：

表1

还需要说明的是，步骤S101中，获取的样本用户的属性信息中，身份信息已经经过匿名化处理。即获取身份信息被匿名化后的属性信息，如此，在收集样本数据时，就对样本用户的身份无感知，进一步加强了用户身份的保密性。

在步骤S101获取身份信息被匿名化后的属性信息，那可以跳过步骤S102执行下述步骤。

S103、解析样本用户在预设时间内的行为事件，得到样本用户在预设时间内的行为事件中的所涉实体、用户对行为事件中的所涉实体的行为信息、以及用户对行为事件中所涉实体的访问结果。

在具体实现步骤S103的过程中，解析样本用户在预设时间内的行为事件，得到在预设时间内样本用户在线上对店铺、商品或视频的访问行为记录，针对样本用户线上对店铺或者商品的访问行为，还可以从用户的行为事件中得到样本用户对店铺中商品的购买情况。针对样本用户的线下行为，也可以需要解析样本用户在预设时间内的行为事件，得到样本用户对线下店铺的浏览记录和过店记录。

用户对行为事件中的所涉实体的访问结果，用于说明用户对实体是否进行了访问。

S104、获取样本实体的属性信息。

其中，样本实体为样本用户在预设时间内的行为事件中的所涉实体。针对样本用户的线上行为，样本实体的属性信息可以为店铺名、店铺类型等描述信息，针对样本用户的线下行为，样本实体的属性信息可以为店铺名、店铺楼层、店铺类型、人均消费等描述信息。

若样本实体是商品，那样本实体的属性信息则为商品名，商品类型等，样本实体是视频，样本实体的属性信息为视频名、视频类型等。

S105、以匿名化处理后的样本用户的属性信息、样本用户在预设时间内对行为事件中的所涉实体的行为信息、样本实体的属性信息、以及样本用户对样本实体的访问结果，对神经网络模型进行训练，得到预测模型。

在利用匿名化处理后的样本用户的属性信息、样本用户在预设时间内对行为事件中的所涉实体的行为信息、样本实体的属性信息、以及样本用户对样本实体的访问结果，对神经网络模型进行训练，可以先将上述数据进行标准化处理，例如按照表2展示的格式，对上述数据进行处理，得到多个训练样本。

表2中以一个样本用户线下对店铺的访问行为为例。

表2

表2中，匿名化用户的前序行为包括：样本用户在预设时间内对行为事件中的所涉实体的行为信息，主要指：样本用户对预设时间内的行为事件所涉实体的访问结果。标签为样本用户对样本实体的访问结果。

神经网络模型进行上述样本数据的训练，能够学习特征与标签之间的关系，训练得到的预设模型能够在真实场景中，根据输入的待测试数据，预测某用户是否进某店的可能性。即标签是为进店和未进店的概率。

需要特别说明的是，样本用户的属性信息的基础信息中，是包括样本用户的身份信息，而由于在训练模型过程时，避免用户身份泄密，所以需要对样本用户的身份信息进行匿名化，匿名化后的信息在对模型训练时不需要被利用，因此，在步骤S101时，获取样本用户的属性信息，可以不获取样本用户的身份信息。

基本上述实施例训练得到的预测模型，本申请实施例公开的一种信息推荐的方法，参见图2，包括以下步骤：

S201、获取用户的属性信息、以及预设时间内的行为信息。

其中，行为信息为用户在预设的时间内对实体的访问行为信息。

与上述实施例公开的内容相同，用户的属性信息包括用户的基础信息以及本预设时间内的行为事件的描述信息。用户在预设时间内的行为信息，则指代用户在预设时间内针对实体发生的访问行为的行为信息。本实施例中，预设时间为用户在对待预测实体的访问概率预测之前的一段时间，可以设定为预测用户对待预测实体的访问概率的预测当天。一般情况下，本步骤中所设定的预设时间，与上述实施例中步骤S101中的预设时间不同，由于步骤S101中的预设时间的行为事件需要对模型进行训练，所以可以设定预设时间较长一些，本步骤则可以设定较短一些。

用户为线上访问行为，则行为信息根据用户在线上的浏览轨迹得到。用户为线下逛街行为，则行为信息根据用户的逛店轨迹得到。

还需要说明的是，若用户是线下逛街行为，为了能获知用户的逛店轨迹，还需要用户通过信息推荐的装置，完成注册和授权。

可选地，可以通过先获取用户的标识；再利用用户的标识，获取用户的属性信息以及预设时间内的行为信息的方式，来实现步骤S201。

用户的标识属于用户的身份信息，可以是用户的名称、账号，或者用户的生物特征信息。

还需要说明的是，本步骤中，获取的用户的属性信息中也可以不包括用户的标识等身份信息。

为了更好的理解步骤S201中获取预设时间内的行为信息的具体过程，参见图3，本申请实施例公开的获取预设时间内的行为信息，包括以下步骤：

S301、获取用户在预设时间内的行为事件。

与上述实施例公开的内容相同，用户在预设时间内的行为事件为用户在预设时间内的行为发生事件。在用户线下逛街时，轨迹客流系统可以通过线下场景的视频数据提取用户的逛店轨迹，并解析用户的逛店轨迹，得到在预设时间段内的行为事件，如进出场事件、进出楼层事件、进出店铺事件等。用户线上浏览时，也可以通过分析用户的浏览轨迹，得到在预设时间内的行为事件，例如：对店铺的浏览、以及购买店铺中商品的行为事件；对线上视频的浏览或者跳过的行为事件。

与上述实施例等同，用户在预设时间内的行为事件，可以利用用户的标识来获取。具体可参见上述实施例对应内容。

S302、从用户在预设时间内的行为事件中，解析出用户的所涉实体以及用户对所涉实体的行为信息。

用户在预设时间内的行为事件，有些是针对实体发生的，有些是不涉及实体，所以要从用户在预设时间内的行为事件中，解析出用户的所涉实体以及用户对所涉实体的行为信息。

S303、建立用户的所涉实体以及用户对所涉实体的行为信息、与用户的标识的绑定关系。

其中，用户的所涉实体以及用户对所涉实体的行为信息、与用户的标识建立了绑定关系之后，用户的属性信息、用户的所涉实体以及用户对所涉实体的行为信息即构成了一条测试样本中的用户数据。

当然，用户的标识指代的是用户的身份信息中的标识性信息，例如用户名称。

S202、获取待预测实体的属性信息。

本实施例中，要根据用户的属性信息、以及预设时间内的行为信息，对用户访问实体的概率进行预测，因为还需要待预测实体的属性信息。

当然，待预测实体的属性信息为实体的描述信息，可参见上述实施例中步骤S104的内容。

S203、利用预测模型处理用户的属性信息和预设时间内的行为信息、以及待预测实体的属性信息，得到用户对待预测实体的访问概率。

其中，预测模型利用用户的属性信息和预设时间内的行为信息、以及待预测实体的属性信息、对用户待预测实体的访问概率进行预测。

用户的属性信息和预设时间内的行为信息、以及待预测实体的属性信息、也可以按照上述实施例中的表2的格式进行处理，得到输入到预测模型的特征。预测模型处理特征，得到表2中的标签的内容，即用户对待预测实体的访问概率值。

例如，利用预测模型分别处理针对多个待预测实体的特征，得到用户对多个待预测实体的访问概率分别为店1：0.93、店2：0.8、店3：0.57。

S204、将与用户对待预测实体的访问概率相匹配的信息向用户推送。

需要说明的是，因为用户对实体的访问概率不同，向用户推送的信息也不同，因此，在通过步骤S203得到用户对待预测实体的访问概率之后，要向用户推送与该访问概率相匹配的信息。

一般情况下，若待预测实体为店铺或者商品，用户对待预测实体的访问概率较高，则向用户推送待预测实体的优惠活动信息，用户对待预测实体的访问概率较低，则向用户推送待预测实体的宣传信息。

若待预测实体为线上的视频，用户对待预测实体的访问概率较高，则向用户推送待预测实体的高光时刻，用户对待预测实体的访问概率较低，则向用户推送待预测实体的介绍信息。

总体来看，若用户对待预测实体的访问概率较高，则与用户对待预测实体的访问概率相匹配的信息是：待预测实体的自身信息，该自身信息是用户对待预测实体进行访问时所能利用；若用户对待预测实体的访问概率较低，那与用户对待预测实体的访问概率相匹配的信息是：待预设实体的宣传信息，宣传信息主要用于吸引用户对待预测实体的注意力。

还需要说明的是，在获取的用户的属性信息中包括用户的标识等身份信息时，在得到与用户对待预测实体的访问概率相匹配的信息之后，可以利用用户的标识等身份信息，来确定待推送的对象，再执行步骤S204。

但是如果获取的用户的属性信息中不包括用户的标识等身份信息，则需要在获取的属性信息、以及预设时间内的行为信息过程中，也确定出用户的身份，以便执行本步骤。

本申请实施例提供的一种信息推荐的方法中，基于样本用户的属性信息和预设时间内的行为信息、样本实体的属性信息、以及所述样本用户对样本实体的访问结果训练，得到预测模型，如此，本方案通过获取用户的属性信息、预设时间内的行为信息，以及待预测实体的属性信息，利用预测模型处理用户的属性信息和预设时间内的行为信息、预计待预测实体的属性信息，得到用户对待预测实体的访问概率，最终将与用户对待预测实体的访问概率相匹配的信息想用户推送，从而实现了有针对性的向用户推荐除被访问实体之外实体的消息。

需要说明的是，在向用户推送与用户对待预测实体的访问概率相匹配的信息时，还可以考虑针对用户不同，采用针对的推送方式。基于此，参见图4，本申请实施例公开的将与用户对待预测实体的访问概率相匹配的信息向用户推送，包括以下步骤：

S401、确定用户对应的推送方式。

具体的，根据用户是线上浏览还是线下逛店，来确定用户的行为事件确定对应推送方式。当然，推送方式可以是短信发送、智能设备的软件消息推送、智能设备包括但不限于PC、PAD和手机。

另外，多种不同的推送方式，可以通过与用户的标识进行绑定来完成与用户的对应性。如此，在确定用户对应的推送方式时，通过用户标识来进行筛查得到。

S402、以用户对应的推送方式，将与用户对待预测实体的访问概率相匹配的信息向用户推送。

还需要说明的是，本申请实施例提供的信息的推荐方法，整体方案可如图5所示，图5中，通过匿名化数据收集，得到训练预测模型的样本数据，在利用样本数据对预测模型进行训练，得到训练后的预测模型。预测模型训练完成之后，针对用户的属性信息和预设时间段内的行为信息，对某个待预测实体进行访问概率的预测，在根据对待预测实体的访问概率得到要推送的个性化推荐结果，并向用户进行推送。

与上述本申请实施例提供的信息推荐的方法相对应，本申请实施例还提供了信息推荐的装置。

参见图6，本申请实施例公开的信息推荐的装置，包括：

第一获取单元601，用于获取用户的属性信息、以及第一预设时间内的行为信息；其中，行为信息为用户在第一预设时间内对实体的访问行为信息。

可选的，第一获取单元601获取用户的第一预设时间内的行为信息时，具体用于：

获取用户在第一预设时间内的行为事件；从用户在第一预设时间内的行为事件中，解析出用户的所涉实体以及用户对所涉实体的行为信息；建立用户的所涉实体以及用户对所涉实体的行为信息、与用户的标识的绑定关系。

可选地，第一获取单元601获取用户的属性信息、以及第一预设时间内的行为信息时，用于：

获取用户的标识；利用用户的标识，获取用户的属性信息以及第一预设时间内的行为信息。

第二获取单元602，用于获取待预测实体的属性信息。

处理单元603，用于利用预测模型处理用户的属性信息和第一预设时间内的行为信息、以及待预测实体的属性信息，得到用户对待预测实体的访问概率；其中，预测模型基于样本用户的属性信息和第二预设时间内的行为信息、样本实体的属性信息、以及样本用户对样本实体的访问结果训练得到，其中，样本用户的行为信息为样本用户在第二预设时间内对实体的访问行为信息。

推送单元604，用于将与用户对待预测实体的访问概率相匹配的信息向用户推送。

本申请实施例提供的一种信息推荐的装置中，训练单元609基于样本用户的属性信息和预设时间内的行为信息、样本实体的属性信息、以及所述样本用户对所述样本实体的访问结果训练，得到预测模型，如此，第一获取单元601首先获取用户的属性信息、以及预设时间内的行为信息，第二获取单元602获取待预测实体的属性信息，处理单元603利用预测模型处理用户的属性信息和预设时间内的行为信息、预计待预测实体的属性信息，得到用户对待预测实体的访问概率后，由推送单元604将与用户对待预测实体的访问概率相匹配的信息想用户推送，从而实现有针对性的向用户推荐除被访问实体之外实体的消息。

本申请实施例中，上述几个单元的具体工作过程，可参见对应图2的实施例内容，此处不再赘述。

可选的，同样参见图6，推送单元604，包括：

确定单元6041，用于确定用户对应的推送方式。

推送子单元6042，用于以用户对应的推送方式，将与用户对待预测实体的访问概率相匹配的信息向用户推送。

可选的，本申请另一实施例公开的信息推荐的装置，除了包括第一获取单元、第二获取单元、处理单元和推送单元之外，还包括：

第三获取单元，用于获取样本用户的属性信息、以及样本用户在预设时间内的行为事件。

匿名化处理单元，用于对样本用户的属性信息中的身份信息进行匿名化处理。

解析单元，用于解析样本用户在预设时间内的行为事件，得到样本用户在预设时间内的行为事件中的所涉实体、用户对行为事件中的所涉实体的行为信息、以及用户对行为事件中所涉实体的访问结果。

第四获取单元，用于获取样本实体的属性信息；其中，样本实体为样本用户在预设时间内的行为事件中的所涉实体。

训练单元，用于以匿名化处理后的样本用户的属性信息、样本用户在预设时间内对行为事件中的所涉实体的行为信息、所述样本实体的属性信息、以及样本用户对样本实体的访问结果，对神经网络模型进行训练，得到预测模型。

本实施例中，第三获取单元、匿名化处理单元、第四获取单元和训练单元的具体工作过程，可参见本申请对应图1的实施例内容，此处不再赘述。

并且，匿名化处理单元是可选的，在第三获取单元获取的样本用户的属性信息中，身份信息被匿名化处理，那信息推荐的装置则不需要包括匿名化处理单元。或者，第三获取单元获取的样本用户的属性信息不包括身份信息，那信息推荐的装置则不需要包括匿名化处理单元。

本申请另一实施例还提供了一种电子设备，如图7所示，包括：

处理器701和存储装置702；

其中，存储装置702用于存储计算机程序；

处理器701用于执行所述计算机程序，所述程序被执行时，具体用于实现本申请如图1至图5所示的实施例公开的信息推荐的方法。

本申请另一实施例还提供了一种计算机存储介质，用于存储计算机程序，所述计算机程序被执行时，具体用于实现本申请如图1至图5所示的实施例公开的信息推荐的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。