信息推荐方法、装置、电子设备、存储介质及程序产品

技术领域

本申请涉及人工智能技术领域，尤其涉及一种信息推荐方法、装置、电子设备、存储介质及程序产品。

背景技术

人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

在相关技术中，通常关注目标对象从源域偏好到目标域偏好或从全局偏好到单域偏好的迁移，忽视了对目标对象的混合行为序列以及目标对象源域偏好、目标域偏好和混合域偏好之间关联关系的建模，这样，在跨域推荐的过程中，由于缺乏对于目标域偏好和混合域偏好之间关联关系的建模，导致推荐精确度较差。

发明内容

本申请实施例提供一种信息推荐方法、装置、电子设备、计算机可读存储介质及计算机程序产品，能够有效提高信息推荐的精确度。

本申请实施例的技术方案是这样实现的：

本申请实施例提供一种信息推荐方法，包括：

将目标对象在目标域的第一历史行为序列，以及所述目标对象在源域的第二历史行为序列进行融合，得到融合行为序列；

确定所述第一历史行为序列的第一序列特征，并确定所述融合行为序列的融合序列特征；

基于所述第一历史行为序列、所述第二历史行为序列和所述融合行为序列，确定所述第二历史行为序列的第二序列特征；

基于所述第一序列特征、所述第二序列特征和所述融合序列特征，预测所述目标对象在所述目标域下的对象特征；

结合所述对象特征和所述目标域中各待推荐信息的信息特征，对所述目标对象进行所述目标域下的信息推荐。

本申请实施例提供一种信息推荐装置，包括：

融合模块，用于将目标对象在目标域的第一历史行为序列，以及所述目标对象在源域的第二历史行为序列进行融合，得到融合行为序列；

第一确定模块，用于确定所述第一历史行为序列的第一序列特征，并确定所述融合行为序列的融合序列特征；

第二确定模块，用于基于所述第一历史行为序列、所述第二历史行为序列和所述融合行为序列，确定所述第二历史行为序列的第二序列特征；

预测模块，用于基于所述第一序列特征、所述第二序列特征和所述融合序列特征，预测所述目标对象在所述目标域下的对象特征；

信息推荐模块，用于结合所述对象特征和所述目标域中各待推荐信息的信息特征，对所述目标对象进行所述目标域下的信息推荐。

在一些实施例中，上述融合模块，还用于获取所述第一历史行为序列中的各第一序列元素，以及各所述第一序列元素的时间戳；获取所述第二历史行为序列中的各第二序列元素，以及各所述第二序列元素的时间戳；按照所述时间戳的先后顺序，对各所述第一序列元素和各所述第二序列元素进行排序，将排序后的各所述第一序列元素和所述第二序列元素，确定为所述融合行为序列。

在一些实施例中，上述第一确定模块，还用于获取所述第一历史行为序列的第一编码特征，以及所述融合行为序列的融合编码特征，其中，所述第一编码特征包括多个第一子特征，所述第一子特征与所述第一历史行为序列中的第一序列元素一一对应；基于所述第一编码特征和所述融合编码特征，确定所述第一编码特征中的各所述第一子特征的权重；按照各所述第一子特征的权重，将各所述第一子特征进行加权求和，得到所述第一序列特征。

在一些实施例中，上述第一确定模块，还用于针对所述第一编码特征中的各所述第一子特征分别执行以下处理：获取所述第一编码特征中的目标第一子特征，以及所述融合编码特征中的目标融合子特征；其中，所述融合编码特征包括多个融合子特征，所述融合子特征与所述融合行为序列中的融合序列元素一一对应，所述目标第一子特征，为所述第一历史行为序列中最后一个第一序列元素对应的第一子特征，所述目标融合子特征，为所述融合历史行为序列中最后一个融合序列元素对应的融合子特征；基于所述第一子特征、所述目标第一子特征以及所述目标融合子特征，确定所述第一子特征对应的参考子特征；对所述第一子特征对应的所述参考子特征进行归一化处理，得到所述第一子特征的权重。

在一些实施例中，上述第一确定模块，还用于将所述第一子特征的范数、所述目标第一子特征和所述第一子特征进行相乘，得到第一相乘结果；确定所述第一子特征和所述目标第一子特征的内积，并确定所述内积的范数；将所述内积的范数、所述目标融合子特征和所述目标第一子特征进行相乘，得到第二相乘结果；将所述第一相乘结果和所述第二相乘结果进行相减，得到所述第一子特征对应的参考子特征。

在一些实施例中，上述第一确定模块，还用于获取所述第一历史行为序列的第一编码特征，以及所述融合行为序列的融合编码特征，其中，所述融合编码特征包括多个融合子特征，所述融合子特征与所述融合行为序列中的融合序列元素一一对应；基于所述第一编码特征和所述融合编码特征，确定所述融合编码特征中的各融合子特征的权重；按照各所述融合子特征的权重，将各所述融合子特征进行加权求和，得到所述融合序列特征。

在一些实施例中，上述第一确定模块，还用于针对所述融合编码特征中的各所述融合子特征分别执行以下处理：获取所述第一编码特征中的目标第一子特征，以及所述融合编码特征中的目标融合子特征；其中，所述第一编码特征包括多个第一子特征，所述第一子特征与所述第一历史行为序列中的第一序列元素一一对应，所述目标第一子特征，为所述第一历史行为序列中最后一个第一序列元素对应的第一子特征，所述目标融合子特征，为所述融合历史行为序列中最后一个融合序列元素对应的融合子特征；基于所述融合子特征、所述目标第一子特征以及所述目标融合子特征，确定所述融合子特征对应的参考子特征；对所述融合子特征对应的所述参考子特征进行归一化处理，得到所述融合子特征的权重。

在一些实施例中，上述第二确定模块，还用于获取所述第一历史行为序列的第一编码特征、所述融合行为序列的融合编码特征，以及所述第二历史行为序列的第二编码特征，其中，所述第二编码特征包括多个第二子特征，所述第二子特征与所述第二历史行为序列中的第二序列元素一一对应；基于所述第一编码特征、所述第二编码特征以及所述融合编码特征，确定所述第二编码特征中的各所述第二子特征的权重；按照各所述第二子特征的权重，将各所述第二子特征进行加权求和，得到所述第二序列特征。

在一些实施例中，上述第二确定模块，还用于针对所述第二编码特征中的各所述第二子特征分别执行以下处理：获取所述第一编码特征中的目标第一子特征，以及所述融合编码特征中的目标融合子特征；其中，所述融合编码特征包括多个融合子特征，所述融合子特征与所述融合行为序列中的融合序列元素一一对应，所述目标第一子特征，为所述第一历史行为序列中最后一个第一序列元素对应的第一子特征，所述目标融合子特征，为所述融合历史行为序列中最后一个融合序列元素对应的融合子特征；基于所述第二子特征、所述目标第一子特征以及所述目标融合子特征，确定所述第二子特征对应的参考子特征；对所述第二子特征对应的所述参考子特征进行归一化处理，得到所述第二子特征的权重。

在一些实施例中，上述信息推荐模块，还用于获取所述目标域中各待推荐信息的信息特征；将所述对象特征分别与各所述信息特征进行比较，得到各所述信息特征对应的可信度；将最大的所述可信度对应的所述待推荐信息，确定为在所述目标域下针对所述目标对象的目标推荐信息；向所述目标对象对应的终端发送所述目标推荐信息。

在一些实施例中，目标信息推荐模型包括第一目标编码层、第二目标编码层、第三目标编码层和目标预测层；上述第一确定模块，还用于调用所述第一目标编码层，对所述第一历史行为序列进行编码，得到所述第一序列特征；上述第一确定模块，还用于调用所述第二目标编码层，对所述融合行为序列进行编码，得到所述融合序列特征；上述第二确定模块，还用于调用所述第三目标编码层，结合所述第一历史行为序列、所述第二历史行为序列和所述融合行为序列，对所述第二历史行为序列进行编码，得到所述第二序列特征；上述预测模块，还用于调用所述目标预测层，结合所述第一序列特征、所述第二序列特征和所述融合序列特征，对所述目标对象进行特征预测，得到所述目标对象在所述目标域下的对象特征。

在一些实施例中，上述信息推荐装置，还包括：训练模块，用于获取信息推荐模型，所述信息推荐模型包括第一编码层、第二编码层、第三编码层和预测层；将样本对象在所述目标域的第一历史行为样本序列，以及所述样本对象在所述源域的第二历史行为样本序列进行融合，得到融合行为样本序列；调用所述第一编码层，对所述第一历史行为样本序列进行编码，得到第一序列样本特征，并调用所述第二编码层，对所述融合行为样本序列进行编码，得到融合序列样本特征；并调用所述第三编码层，结合所述第一历史行为样本序列、所述第二历史行为样本序列和所述融合行为样本序列，对所述第二历史行为样本序列进行编码，得到第二序列样本特征；调用预测网络，结合所述第一序列样本特征、所述第二序列样本特征和所述融合序列样本特征，对所述目标对象进行特征预测，得到所述样本对象在所述目标域下的对象样本特征；结合所述对象样本特征和所述目标域中各待推荐信息的信息特征，确定第一损失值；基于所述第一序列样本特征、所述融合序列样本特征以及所述第二序列样本特征，确定第二损失值，并确定第三损失值；将所述第一损失值、所述第二损失值以及所述第三损失值进行加权求和，得到目标损失值；基于所述目标损失值，对所述信息推荐模型的模型参数进行更新，得到所述目标信息推荐模型。

在一些实施例中，上述训练模块，还用于确定所述对象样本特征和各所述信息特征之间的可信度；针对各所述可信度分别执行以下处理：将所述可信度和所述可信度的对数相乘，得到第一相乘结果；将所述可信度与1之间的差值，确定为目标差值；将所述目标差值和所述目标差值的对数相乘，得到第二相乘结果；将所述第一相乘结果和所述第二相乘结果相加，得到可信度加和；将各所述可信度的可信度加和进行相加，得到加和结果，并将所述加和结果的相反数，确定为所述第一损失值。

在一些实施例中，上述训练模块，还用于确定所述第一序列样本特征和所述融合序列样本特征之间的第一对比损失值；并确定所述第一序列样本特征和所述第二序列样本特征之间的第二对比损失值；并确定所述融合序列样本特征和所述第二序列样本特征之间的第三对比损失值；将所述第一对比损失值、所述第二对比损失值和所述第三对比损失值进行加权求和，得到所述第二损失值。

在一些实施例中，上述训练模块，还用于确定所述第一序列样本特征和所述第二序列样本特征之间的第一特征距离，并确定所述融合序列样本特征和所述第二序列样本特征之间的第二特征距离；基于所述第一特征距离和所述第二特征距离之间的差值，确定所述第三损失值。

本申请实施例提供一种电子设备，包括：

存储器，用于存储计算机可执行指令或者计算机程序；

处理器，用于执行所述存储器中存储的计算机可执行指令或者计算机程序时，实现本申请实施例提供的信息推荐方法。

本申请实施例提供一种计算机可读存储介质，存储有计算机可执行指令，用于引起处理器执行时，实现本申请实施例提供的信息推荐方法。

本申请实施例提供了一种计算机程序产品，该计算机程序产品包括计算机程序或计算机可执行指令，该计算机程序或计算机可执行指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机可执行指令，处理器执行该计算机可执行指令，使得该电子设备执行本申请实施例上述的信息推荐方法。

本申请实施例具有以下有益效果：

通过将第一历史行为序列和第二历史行为序列进行融合，得到融合行为序列，确定第一历史行为序列对应的第一序列特征、第二历史行为序列对应的第二序列特征以及融合行为序列对应的融合序列特征，并基于第一序列特征、第二序列特征和融合序列特征，预测目标对象在目标域下的对象特征，结合对象特征和目标域中各待推荐信息的信息特征，对目标对象进行目标域下的信息推荐。如此，由于融合行为序列充分融合了目标对象在源域和目标域的历史行为，在预测目标对象在目标域下的对象特征时，充分考虑目标对象在源域和目标域的历史行为，从而有效提高了所确定的对象特征的准确性，从而在基于对象特征对目标对象进行目标域下的信息推荐时，有效提高了信息推荐的精确度。

附图说明

图1是本申请实施例提供的信息推荐系统的架构示意图；

图2是本申请实施例提供的用于信息推荐的电子设备的结构示意图；

图3至图8是本申请实施例提供的信息推荐方法的流程示意图；

图9至图10是本申请实施例提供的信息推荐方法的原理示意图；

图11是本申请实施例提供的目标信息推荐模型的原理示意图；

图12是本申请实施例提供的普适性实验的效果对比图；

图13是本申请实施例提供的参数实验的结果示意图；

图14是本申请实施例提供的多域表征可视化的结果示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

在以下的描述中，所涉及的术语“第一第二第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一第二第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。

1)人工智能(Artificial Intelligence，AI)：是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。

2)卷积神经网络(CNN，Convolutional Neural Networks)：是一类包含卷积计算且具有深度结构的前馈神经网络(FNN，Feed forward Neural Networks)，是深度学习(Deep Learning)的代表算法之一。卷积神经网络具有表征学习(RepresentationLearning)能力，能够按其阶层结构对输入图像进行平移不变分类(Shift-InvariantClassification)。

3)卷积层：卷积神经网络中每层卷积层(Convolutional Layer)由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。

4)池化层：在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤。池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。池化层选取池化区域与卷积核扫描特征图步骤相同，由池化大小、步长和填充控制。

5)全连接层(Fully-Connected Layer)：卷积神经网络中的全连接层等价于传统前馈神经网络中的隐含层。全连接层位于卷积神经网络隐含层的最后部分，并只向其它全连接层传递信号。特征图在全连接层中会失去空间拓扑结构，被展开为向量并通过激励函数。

6)待推荐信息：是一种待传递的信息，待推荐信息具有多种传播形态，例如，新闻、广告等，其中广告可以携带购买链接。

7)推荐指标：衡量目标对象针对待推荐信息的反馈积极性的指标，例如，针对待推荐信息的点击率、转化率等。

8)推荐系统：是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。

9)对比学习：思想起源于无监督学习，相比于监督学习算法，无监督学习由于没有标签的指导，训练过程学习样本的特征会更加困难。对比学习的核心思想就是通过数据增强构造原来样本的多样性，损失函数的设计用来拉进正样本与锚样本的距离，增大与负样本的距离，在这一过程中，网络更容易学到由源样本经过数据增强之后的多个样本所具有的共同特征，而这一特征对于源样本来说更可能是本质性的。

在本申请实施例的实施过程中，申请人发现相关技术存在以下问题：

在相关技术中，主要包括推荐系统(Recommendation System，RS)，跨域顺序推荐系统(Cross-domain Sequential Recommendation，CDSR)和对比学习(ContrastiveLearning，CL)用于推荐的相关工作，其中推荐系统，用于研究由于单域序列中交互信息的不平衡性和稀疏性，很难达到理想的效果；而结合了多域信息的跨域顺序推荐系统仅关注目标对象从源域偏好到目标域偏好或从全局偏好到单域偏好的迁移，忽视了对目标对象的混合行为序列以及目标对象源域偏好、目标域偏好和混合域偏好之间关联关系的建模；对比学习，用于推荐的现有工作中很少从跨域序列建模的角度来构建对比任务，因此，相关技术中，在跨域推荐的过程中，由于缺乏对于目标域偏好和混合域偏好之间关联关系的建模，导致推荐精确度较差。

本申请实施例提供一种信息推荐方法、装置、电子设备、计算机可读存储介质及计算机程序产品，能够有效提高信息推荐的精确度，下面说明本申请实施例提供的信息推荐系统的示例性应用。

参见图1，图1是本申请实施例提供的信息推荐系统100的架构示意图，终端(示例性示出了终端400)通过网络300连接服务器200，网络300可以是广域网或者局域网，又或者是二者的组合。

终端400用于供目标对象使用客户端410，在图形界面410-1(示例性示出了图形界面410-1)显示推荐信息。终端400和服务器200通过有线或者无线网络相互连接。

在一些实施例中，服务器200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 DeliveryNetwork，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400可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能电视、智能手表、车载终端等，但并不局限于此。本申请实施例提供的电子设备可以实施为终端，也可以实施为服务器。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例中不做限制。

在一些实施例中，服务器200获取目标对象在目标域的第一历史行为序列，以及目标对象在源域的第二历史行为序列，基于第一历史行为序列和第二历史行为序列，预测目标对象在目标域下的对象特征，结合对象特征和目标域中各待推荐信息的信息特征，对目标对象进行目标域下的信息推荐，将目标推荐信息发送至目标对象对应的终端400。

在另一些实施例中，终端400获取目标对象在目标域的第一历史行为序列，以及目标对象在源域的第二历史行为序列，基于第一历史行为序列和第二历史行为序列，预测目标对象在目标域下的对象特征，并将对象特征发送至服务器200，服务器200结合对象特征和目标域中各待推荐信息的信息特征，对目标对象进行目标域下的信息推荐，将目标推荐信息发送至目标对象对应的终端400。

在另一些实施例中，本申请实施例可以借助于云技术(Cloud Technology)实现，云技术是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。

云技术是基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、以及应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源。

参见图2，图2是本申请实施例提供的用于信息推荐的电子设备500的结构示意图，其中，图2所示出的电子设备500可以是图1中的服务器200或者终端400，图2所示的电子设备500包括：至少一个处理器410、存储器450、至少一个网络接口420。电子设备500中的各个组件通过总线系统440耦合在一起。可理解，总线系统440用于实现这些组件之间的连接通信。总线系统440除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统440。

处理器410可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。

存储器450可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器450可选地包括在物理位置上远离处理器410的一个或多个存储设备。

存储器450包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM，Read Only Memory)，易失性存储器可以是随机存取存储器(RAM，Random Access Memory)。本申请实施例描述的存储器450旨在包括任意适合类型的存储器。

在一些实施例中，存储器450能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。

操作系统451，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；

网络通信模块452，用于经由一个或多个(有线或无线)网络接口420到达其他电子设备，示例性的网络接口420包括：蓝牙、无线相容性认证(WiFi，Wireless Fidelity)、和通用串行总线(USB，Universal Serial Bus)等。

在一些实施例中，本申请实施例提供的信息推荐装置可以采用软件方式实现，图2示出了存储在存储器450中的信息推荐装置455，其可以是程序和插件等形式的软件，包括以下软件模块：融合模块4551、第一确定模块4552、第二确定模块4553、预测模块4554、信息推荐模块4555，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。

在另一些实施例中，本申请实施例提供的信息推荐装置可以采用硬件方式实现，作为示例，本申请实施例提供的信息推荐装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本申请实施例提供的信息推荐方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC，Application Specific IntegratedCircuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)或其他电子元件。

在一些实施例中，终端或服务器可以通过运行计算机程序或计算机可执行指令来实现本申请实施例提供的信息推荐方法。举例来说，计算机程序可以是操作系统中的原生程序(例如，专用的信息推荐程序)或软件模块，例如，可以嵌入到任意程序(如即时通信客户端、相册程序、电子地图客户端、导航客户端)中的信息推荐模块；例如可以是本地(Native)应用程序(APP，Application)，即需要在操作系统中安装才能运行的程序。总而言之，上述计算机程序可以是任意形式的应用程序、模块或插件。

将结合本申请实施例提供的服务器或终端的示例性应用和实施，说明本申请实施例提供的信息推荐方法。

参见图3，图3是本申请实施例提供的信息推荐方法的流程示意图，将结合图3示出的步骤101至步骤106进行说明，本申请实施例提供的信息推荐方法可以由服务器或终端单独实施，或者由服务器及终端协同实施，下面将以服务器单独实施为例进行说明。

在步骤101中，将目标对象在目标域的第一历史行为序列，以及目标对象在源域的第二历史行为序列进行融合，得到融合行为序列。

在一些实施例中，目标域(Target Domain)是指目标对象的历史行为相对比较稀疏的领域或使用场景，源域(Source Domain)是指目标对象的历史行为相对稠密的领域或使用场景，在迁移学习中，源域是指知识迁出的领域或使用场景，目标域是指知识迁入的领域或使用场景，通过将目标对象在源域中相对丰富的历史行为迁移至目标域中，预测在目标域下针对目标对象的目标推荐信息，从而在预测过程中，充分利用目标对象在源域中丰富的历史行为，有效提高所预测的目标推荐信息的准确性。

在一些实施例中，在同一应用场景中，源域和目标域的确定取决于目标对象的历史行为的稀疏程度的大小关系，源域中目标对象的历史行为的稀疏程度，小于或等于目标域中目标对象的历史行为的稀疏程度。源域和目标域的确定还取决于历史行为迁移的方向。

作为示例，在线上购物的应用场景中，源域可以为游戏物品的细分购买领域，目标域可以为实体玩具物品的细分购买领域。

承接上例，目标对象在源域(游戏物品的细分购买领域)的第二历史行为序列可以为：{目标对象在1月5日购买A游戏物品、目标对象在5月10日购买B游戏物品、目标对象在10月20日购买A游戏物品、目标对象在11月8日购买B游戏物品、目标对象在11月9日购买A游戏物品、目标对象在11月10日购买B游戏物品、目标对象在11月11日购买A游戏物品}。

承接上例，目标对象在目标域(实体玩具物品的细分购买领域)的第一历史行为序列可以为：{目标对象在1月5日购买A实体玩具、目标对象在11月11日购买B实体玩具}。

作为示例，在线上购物的应用场景中，源域可以为电影的细分购买领域，目标域可以为书籍的细分购买领域。

承接上例，目标对象在源域(电影的细分购买领域)的第二历史行为序列可以为：{目标对象在1月5日购买A电影的电影票、目标对象在5月10日购买B电影的电影票、目标对象在10月20日购买A电影的电影票、目标对象在11月8日购买B电影的电影周边产品、目标对象在11月9日购买A电影的电影票、目标对象在11月10日购买B电影的电影票、目标对象在11月11日购买A电影的电影周边产品}。

承接上例，目标对象在目标域(书籍的细分购买领域)的第一历史行为序列可以为：{目标对象在1月5日购买A书籍、目标对象在11月11日购买B书籍}。

作为示例，在多媒体播放的应用场景中，源域可以为音频播放的细分播放门类，目标域可以为视频播放的细分播放门类。

承接上例，目标对象在源域(音频播放的细分播放门类)的第二历史行为序列可以为：{目标对象在1月5日点击收听音频、目标对象在5月10日点击收听音频、目标对象在10月20日点击收听音频、目标对象在11月8日点击收听音频、目标对象在11月9日点击收听音频、目标对象在11月10日点击收听音频、目标对象在11月11日点击收听音频}。

承接上例，目标对象在目标域(视频播放的细分播放门类)的第一历史行为序列可以为：{目标对象在1月5日点击观看视频、目标对象在11月11日点击观看视频}。

在一些实施例中，参见图4，图4是本申请实施例提供的信息推荐方法的流程示意图，图4所示出的步骤101可以通过执行以下步骤1011至步骤1013实现。

在步骤1011中，获取第一历史行为序列中的各第一序列元素，以及各第一序列元素的时间戳。

在一些实施例中，第一历史行为序列包括至少两个第一序列元素，第一历史行为序列中的首个第一序列元素的时间戳为第一历史行为序列中最早的时间戳，第一历史行为序列中的各第一序列元素，按照时间戳的先后顺序排列，各第一序列元素对应一个时间戳。

在一些实施例中，第一序列元素的时间戳，表征目标对象触发第一序列元素对应的历史行为时，所对应的历史时间节点。

作为示例，当第一历史行为序列为：{目标对象在1月5日点击观看视频、目标对象在11月11日点击观看视频}时，第一序列元素为：目标对象在1月5日点击观看视频、目标对象在1月5日点击观看视频；其中，第一序列元素：目标对象在1月5日点击观看视频，对应的时间戳为：1月5日；第一序列元素：目标对象在11月11日点击观看视频，对应的时间戳为：11月11日。

在步骤1012中，获取第二历史行为序列中的各第二序列元素，以及各第二序列元素的时间戳。

在一些实施例中，第二历史行为序列包括至少两个第二序列元素，第二历史行为序列中的首个第二序列元素的时间戳为第二历史行为序列中最早的时间戳，第二历史行为序列中的各第二序列元素，按照时间戳的先后顺序排列，各第二序列元素对应一个时间戳。

在一些实施例中，第二序列元素的时间戳，表征目标对象触发第二序列元素对应的历史行为时，所对应的历史时间节点。

作为示例，当第二历史行为序列为：{目标对象在1月5日点击收听音频、目标对象在5月10日点击收听音频、目标对象在10月20日点击收听音频、目标对象在11月8日点击收听音频、目标对象在11月9日点击收听音频、目标对象在11月10日点击收听音频、目标对象在11月11日点击收听音频}时，第二序列元素为：(1)目标对象在1月5日点击收听音频、(2)目标对象在5月10日点击收听音频、(3)目标对象在10月20日点击收听音频、(4)目标对象在11月8日点击收听音频、(5)目标对象在11月9日点击收听音频、(6)目标对象在11月10日点击收听音频、(7)目标对象在11月11日点击收听音频；其中，第二序列元素：目标对象在1月5日点击收听音频，对应的时间戳为：1月5日；第二序列元素：目标对象在5月10日点击收听音频，对应的时间戳为：5月10日；第二序列元素：目标对象在10月20日点击收听音频，对应的时间戳为：10月20日。

在步骤1013中，按照时间戳的先后顺序，对各第一序列元素和各第二序列元素进行排序，将排序后的各第一序列元素和第二序列元素，确定为融合行为序列。

在一些实施例中，融合行为序列包括各第一序列元素和各第二序列元素，即融合行为序列中的融合序列元素可以为第一序列元素或第二序列元素。

作为示例，当第一历史行为序列为：{目标对象在1月5日点击观看视频、目标对象在11月11日点击观看视频}、第二历史行为序列为：{目标对象在1月5日点击收听音频、目标对象在5月10日点击收听音频、目标对象在10月20日点击收听音频、目标对象在11月8日点击收听音频、目标对象在11月9日点击收听音频、目标对象在11月10日点击收听音频、目标对象在11月11日点击收听音频}时；按照时间戳的先后顺序，对各第一序列元素和各第二序列元素进行排序，将排序后的各第一序列元素和第二序列元素，确定为融合行为序列：{目标对象在1月5日点击观看视频、目标对象在1月5日点击收听音频、目标对象在5月10日点击收听音频、目标对象在10月20日点击收听音频、目标对象在11月8日点击收听音频、目标对象在11月9日点击收听音频、目标对象在11月10日点击收听音频、目标对象在11月11日点击收听音频、目标对象在11月11日点击观看视频}。

如此，通过将目标对象在目标域的第一历史行为序列，以及目标对象在源域的第二历史行为序列进行融合，得到融合行为序列，通过融合行为序列，预测在目标域下针对目标对象的目标推荐信息，从而在预测过程中，充分结合目标对象在源域和目标域中的历史行为，有效提高所预测的目标推荐信息的准确性。

在步骤102中，确定第一历史行为序列的第一序列特征。

在一些实施例中，第一历史行为序列的第一序列特征，是基于第一历史行为序列和融合行为序列而确定的，第一历史行为序列的第一序列特征，用于表征目标对象在目标域下的整体历史行为，以及目标对象在目标域下的整体历史行为受目标对象在源域下的历史行为的影响程度。

在一些实施例中，参见图5，图5是本申请实施例提供的信息推荐方法的流程示意图，图5所示出的步骤102可以通过执行以下步骤1021至步骤1023实现。

在步骤1021中，获取第一历史行为序列的第一编码特征，以及融合行为序列的融合编码特征。

在一些实施例中，上述步骤1021可以通过如下方式实现：对第一历史行为序列进行编码，得到第一历史行为序列的第一编码特征；对融合行为序列进行编码，得到融合编码特征。

作为示例，参见图10，图10是本申请实施例提供的信息推荐方法的原理示意图，对第一历史行为序列

在一些实施例中，上述对第一历史行为序列进行编码，得到第一历史行为序列的第一编码特征，可以通过如下方式实现：确定第一历史行为序列的第一特征矩阵D

在一些实施例中，第一历史行为序列的隐式矩阵

其中，Q＝D

在一些实施例中，第一历史行为序列的第一编码特征的表达式可以为：

其中，H

在一些实施例中，融合编码特征H

在一些实施例中，上述第一编码特征包括多个第一子特征，第一子特征与第一历史行为序列中的第一序列元素一一对应。

在步骤1022中，基于第一编码特征和融合编码特征，确定第一编码特征中的各第一子特征的权重。

在一些实施例中，第一子特征的权重，用于表征第一子特征在第一编码特征中的重要程度，第一子特征的权重与第一子特征在第一编码特征中的重要程度正相关。

在一些实施例中，上述步骤1022可以针对第一编码特征中的各第一子特征分别执行以下处理实现：获取第一编码特征中的目标第一子特征，以及融合编码特征中的目标融合子特征；其中，融合编码特征包括多个融合子特征，融合子特征与融合行为序列中的融合序列元素一一对应，目标第一子特征，为第一历史行为序列中最后一个第一序列元素对应的第一子特征，目标融合子特征，为融合历史行为序列中最后一个融合序列元素对应的融合子特征；基于第一子特征、目标第一子特征以及目标融合子特征，确定第一子特征对应的参考子特征；对第一子特征对应的参考子特征进行归一化处理，得到第一子特征的权重。

作为示例，当第一编码特征为：

在一些实施例中，上述基于第一子特征、目标第一子特征以及目标融合子特征，确定第一子特征对应的参考子特征，可以通过如下方式实现：将第一子特征的范数、目标第一子特征和第一子特征进行相乘，得到第一相乘结果；确定第一子特征和目标第一子特征的内积，并确定内积的范数；将内积的范数、目标融合子特征和目标第一子特征进行相乘，得到第二相乘结果；将第一相乘结果和第二相乘结果进行相减，得到第一子特征对应的参考子特征。

在一些实施例中，上述第一子特征对应的参考子特征的表达式可以为：

其中，

在一些实施例中，上述第一子特征的权重的表达式可以为：

其中，

在步骤1023中，按照各第一子特征的权重，将各第一子特征进行加权求和，得到第一序列特征。

在一些实施例中，上述第一序列特征的表达式可以为：

/>

其中，sT表征第一序列特征，

如此，通过基于第一编码特征和融合编码特征，确定第一编码特征中的各第一子特征的权重，在确定第一编码特征中各第一子特征的权重的过程中，充分考虑融合编码特征，由于融合编码特征能更加全面反映目标对象在源域和目标域的历史行为，使得所确定的各第一子特征的权重更加准确，有效提高了所确定的第一子特征的权重的准确性，进而按照各第一子特征的权重，将各第一子特征进行加权求和，得到第一序列特征，有效提高所确定的第一序列特征的准确性。

在步骤103中，确定融合行为序列的融合序列特征。

在一些实施例中，融合行为序列的融合序列特征，是基于第一历史行为序列和融合行为序列而确定的，融合行为序列的融合序列特征，用于表征目标对象在源域和目标域下的整体历史行为。

在一些实施例中，参见图6，图6是本申请实施例提供的信息推荐方法的流程示意图，图6所示出的步骤103可以通过执行以下步骤1031至步骤1033实现。

在步骤1031中，获取第一历史行为序列的第一编码特征，以及融合行为序列的融合编码特征。

在一些实施例中，融合编码特征包括多个融合子特征，融合子特征与融合行为序列中的融合序列元素一一对应。

在步骤1032中，基于第一编码特征和融合编码特征，确定融合编码特征中的各融合子特征的权重。

在一些实施例中，融合子特征的权重，用于表征融合子特征在融合编码特征中的重要程度，融合子特征的权重与融合子特征在融合编码特征中的重要程度正相关。

在一些实施例中，上述步骤1032可以针对融合编码特征中各融合子特征分别执行以下处理实现：获取第一编码特征中的目标第一子特征，以及融合编码特征中的目标融合子特征；其中，第一编码特征包括多个第一子特征，第一子特征与第一历史行为序列中的第一序列元素一一对应，目标第一子特征，为第一历史行为序列中最后一个第一序列元素对应的第一子特征，目标融合子特征，为融合历史行为序列中最后一个融合序列元素对应的融合子特征；基于融合子特征、目标第一子特征以及目标融合子特征，确定融合子特征对应的参考子特征；对融合子特征对应的参考子特征进行归一化处理，得到融合子特征的权重。

作为示例，当第一编码特征为：

在一些实施例中，上述基于融合子特征、目标第一子特征以及目标融合子特征，确定融合子特征对应的参考子特征，可以通过如下方式实现：将融合子特征的范数、目标融合子特征和融合子特征进行相乘，得到第三相乘结果；确定融合子特征和目标融合子特征的内积，并确定内积的范数；将内积的范数、目标融合子特征和目标融合子特征进行相乘，得到第四相乘结果；将第三相乘结果和第四相乘结果进行相减，得到融合子特征对应的参考子特征。

在一些实施例中，上述融合子特征对应的参考子特征的表达式可以为：

其中，

在一些实施例中，上述融合子特征的权重的表达式可以为：

其中，

在步骤1033中，按照各融合子特征的权重，将各融合子特征进行加权求和，得到融合序列特征。

在一些实施例中，上述融合序列特征的表达式可以为：

其中，sM表征融合序列特征，

如此，通过基于第一编码特征和融合编码特征，确定融合编码特征中的各融合子特征的权重，在确定融合编码特征中各融合子特征的权重的过程中，充分考虑融合编码特征，由于融合编码特征能更加全面反映目标对象在源域和目标域的历史行为，使得所确定的各融合子特征的权重更加准确，有效提高了所确定的融合子特征的权重的准确性，进而按照各融合子特征的权重，将各融合子特征进行加权求和，得到融合序列特征，有效提高所确定的融合序列特征的准确性。

在步骤104中，基于第一历史行为序列、第二历史行为序列和融合行为序列，确定第二历史行为序列的第二序列特征。

在一些实施例中，第二历史行为序列的第二序列特征，是基于第一历史行为序列、融合行为序列和第二历史行为序列而确定的，第二历史行为序列的第二序列特征，用于表征目标对象在源域下的整体历史行为。

在一些实施例中，参见图7，图7是本申请实施例提供的信息推荐方法的流程示意图，图7所示出的步骤104可以通过执行以下步骤1041至步骤1043实现。

在步骤1041中，获取第一历史行为序列的第一编码特征、融合行为序列的融合编码特征，以及第二历史行为序列的第二编码特征。

在一些实施例中，第二编码特征包括多个第二子特征，第二子特征与第二历史行为序列中的第二序列元素一一对应。

在一些实施例中，上述步骤1041中第一编码特征、融合编码特征以及第二编码特征的编码过程，已在上文中详细说明，在此不做赘述。

在步骤1042中，基于第一编码特征、第二编码特征以及融合编码特征，确定第二编码特征中的各第二子特征的权重。

在一些实施例中，第二子特征的权重，用于表征第二子特征在第二编码特征中的重要程度，第二子特征的权重与第二子特征在第二编码特征中的重要程度正相关。

在一些实施例中，上述步骤1042可以针对第二编码特征中的各第二子特征分别执行以下处理实现：获取第一编码特征中的目标第一子特征，以及融合编码特征中的目标融合子特征；其中，融合编码特征包括多个融合子特征，融合子特征与融合行为序列中的融合序列元素一一对应，目标第一子特征，为第一历史行为序列中最后一个第一序列元素对应的第一子特征，目标融合子特征，为融合历史行为序列中最后一个融合序列元素对应的融合子特征；基于第二子特征、目标第一子特征以及目标融合子特征，确定第二子特征对应的参考子特征；对第二子特征对应的参考子特征进行归一化处理，得到第二子特征的权重。

作为示例，当第一编码特征为：

在一些实施例中，上述基于第二子特征、目标第一子特征以及目标融合子特征，确定第二子特征对应的参考子特征，可以通过如下方式实现：将第二子特征的范数、目标融合子特征和第二子特征进行相乘，得到第五相乘结果；确定第二子特征和目标融合子特征的内积，并确定内积的范数；将内积的范数、目标融合子特征和目标第一子特征进行相乘，得到第六相乘结果；将第五相乘结果和第六相乘结果进行相减，得到第二子特征对应的参考子特征。

在一些实施例中，上述第二子特征对应的参考子特征的表达式可以为：

其中，

在一些实施例中，上述第二子特征的权重的表达式可以为：

其中，

在步骤1043中，按照各第二子特征的权重，将各第二子特征进行加权求和，得到第二序列特征。

在一些实施例中，上述第二序列特征的表达式可以为：

其中，ss表征第二序列特征，

如此，通过基于第一编码特征、融合编码特征和第二编码特征，确定第二编码特征中的各第二子特征的权重，在确定第二编码特征中各第二子特征的权重的过程中，充分考虑融合编码特征，由于融合编码特征能更加全面反映目标对象在源域和目标域的历史行为，使得所确定的各第二子特征的权重更加准确，有效提高了所确定的第二子特征的权重的准确性，进而按照各第二子特征的权重，将各第二子特征进行加权求和，得到第二序列特征，有效提高所确定的第二序列特征的准确性。

在步骤105中，基于第一序列特征、第二序列特征和融合序列特征，预测目标对象在目标域下的对象特征。

作为示例，参见图10，基于第一序列特征s

在步骤106中，结合对象特征和目标域中各待推荐信息的信息特征，对目标对象进行目标域下的信息推荐。

作为示例，当目标对象的第一历史行为序列为：{目标对象在1月5日点击观看视频、目标对象在11月11日点击观看视频}时，目标域中的各待推荐信息可以为：视频A、视频B、视频C、视频D、视频E等等各种不同类型的视频。

在一些实施例中，参见图8，图8是本申请实施例提供的信息推荐方法的流程示意图，图8所示出的步骤106可以通过执行以下步骤1061至步骤1063实现。

在步骤1061中，获取目标域中各待推荐信息的信息特征。

在一些实施例中，上述步骤1061可以通过如下方式实现：获取目标域中的各待推荐信息，分别对各待推荐信息进行编码，得到各待推荐信息的信息特征。

在步骤1062中，将对象特征分别与各信息特征进行比较，得到各信息特征对应的可信度。

在一些实施例中，信息特征对应的可信度表征信息特征和对象特征之间的匹配程度，匹配程度与可信度的数值正相关。

在一些实施例中，上述步骤1062可以通过如下方式实现：针对各信息特征分别执行处理：确定信息特征和对象特征之间的可信度。

在步骤1063中，将最大的可信度对应的待推荐信息，确定为在目标域下针对目标对象的目标推荐信息。

作为示例，待推荐信息A对应的可信度为0.6、待推荐信息B对应的可信度为0.5、待推荐信息C对应的可信度为0.1、待推荐信息D对应的可信度为0.9，那么将最大的可信度0.9对应的待推荐信息D，确定为在目标域下针对目标对象的目标推荐信息。

在步骤1064中，向目标对象对应的终端发送目标推荐信息。

在一些实施例中，服务器从目标域的各待推荐信息中确定出目标推荐信息之后，服务器向目标对象对应的终端发送目标推荐信息。

如此，通过将准确的对象特征和各待推荐信息的信息特征之间进行比较，准确确定出待推荐信息中与目标对象最为匹配的目标推荐信息，将目标推荐信息发送至目标对象对应的终端，从而有效提高了推荐精确度。

在一些实施例中，本申请实施例提供的信息推荐方法可以基于目标信息推荐模型实现，目标信息推荐模型包括第一目标编码层、第二目标编码层、第三目标编码层和目标预测层。

作为示例，参见图11，图11是本申请实施例提供的目标信息推荐模型的原理示意图，本申请实施例提供的信息推荐方法可以基于目标信息推荐模型实现，目标信息推荐模型包括第一目标编码层、第二目标编码层、第三目标编码层和目标预测层。

在一些实施例中，上述步骤102可以通过如下方式实现：调用第一目标编码层，对第一历史行为序列进行编码，得到第一序列特征。

作为示例，参见图11，调用第一目标编码层，对第一历史行为序列S

在一些实施例中，上述步骤103可以通过如下方式实现：调用第二目标编码层，对融合行为序列进行编码，得到融合序列特征。

作为示例，参见图11，调用第二目标编码层，对融合行为序列S

在一些实施例中，上述步骤104可以通过如下方式实现：调用第三目标编码层，结合第一历史行为序列、第二历史行为序列和融合行为序列，对第二历史行为序列进行编码，得到第二序列特征。

作为示例，参见图11，调用第三目标编码层，结合第一历史行为序列S

在一些实施例中，上述步骤105可以通过如下方式实现：调用目标预测层，结合第一序列特征、第二序列特征和融合序列特征，对目标对象进行特征预测，得到目标对象在目标域下的对象特征。

作为示例，参见图11，调用目标预测层，结合第一序列特征H

在一些实施例中，申请实施例提供的信息推荐方法可以基于目标信息推荐模型实现，上述目标信息推荐模型可以通过对信息推荐模型进行训练而得到，下面详细对信息推荐模型的训练过程进行说明。

在一些实施例中，在上述步骤102之前，还可以通过如下方式训练得到目标信息推荐模型：获取信息推荐模型，信息推荐模型包括第一编码层、第二编码层、第三编码层和预测层；将样本对象在目标域的第一历史行为样本序列，以及样本对象在源域的第二历史行为样本序列进行融合，得到融合行为样本序列；调用第一编码层，对第一历史行为样本序列进行编码，得到第一序列样本特征，并调用第二编码层，对融合行为样本序列进行编码，得到融合序列样本特征；并调用第三编码层，结合第一历史行为样本序列、第二历史行为样本序列和融合行为样本序列，对第二历史行为样本序列进行编码，得到第二序列样本特征；调用预测网络，结合第一序列样本特征、第二序列样本特征和融合序列样本特征，对目标对象进行特征预测，得到样本对象在目标域下的对象样本特征；结合对象样本特征和目标域中各待推荐信息的信息特征，确定第一损失值；基于第一序列样本特征、融合序列样本特征以及第二序列样本特征，确定第二损失值，并确定第三损失值；将第一损失值、第二损失值以及第三损失值进行加权求和，得到目标损失值；基于目标损失值，对信息推荐模型的模型参数进行更新，得到目标信息推荐模型。

在一些实施例中，目标信息推荐模型和信息推荐模型的模型结构相同，模型参数不同，目标信息推荐模型的模型参数是通过对信息推荐模型的模型参数进行更新而得到的。

在一些实施例中，上述样本对象和上述目标对象是不同的对象，可以理解的是，不同的对象在目标域下的历史行为序列不同，不同的对象在源域下的历史行为序列不同。

在一些实施例中，上述结合对象样本特征和目标域中各待推荐信息的信息特征，确定第一损失值，可以通过如下方式实现：确定对象样本特征和各信息特征之间的可信度；针对各可信度分别执行以下处理：将可信度和可信度的对数相乘，得到第一相乘结果；将可信度与1之间的差值，确定为目标差值；将目标差值和目标差值的对数相乘，得到第二相乘结果；将第一相乘结果和第二相乘结果相加，得到可信度加和；将各可信度的可信度加和进行相加，得到加和结果，并将加和结果的相反数，确定为第一损失值。

在一些实施例中，上述第一损失值的表达式可以为：

其中，

在一些实施例中，上述基于第一序列样本特征、融合序列样本特征以及第二序列样本特征，确定第二损失值，可以通过如下方式实现：确定第一序列样本特征和融合序列样本特征之间的第一对比损失值；并确定第一序列样本特征和第二序列样本特征之间的第二对比损失值；并确定融合序列样本特征和第二序列样本特征之间的第三对比损失值；将第一对比损失值、第二对比损失值和第三对比损失值进行加权求和，得到第二损失值。

在一些实施例中，上述第二损失值的表达式可以为：

其中，L

在一些实施例中，上述第一对比损失值的表达式可以为：

其中，B表示采样得到的批次，

在一些实施例中，上述第二对比损失值的表达式可以为：

其中，B表示采样得到的批次，

在一些实施例中，上述第三对比损失值的表达式可以为：

其中，B表示采样得到的批次，

在一些实施例中，上述确定第三损失值，可以通过如下方式实现：确定第一序列样本特征和第二序列样本特征之间的第一特征距离，并确定融合序列样本特征和第二序列样本特征之间的第二特征距离；基于第一特征距离和第二特征距离之间的差值，确定第三损失值。

在一些实施例中，上述第三损失值的表达式可以为：

其中，LFDM表征第三损失值，

在一些实施例中，上述目标损失值的表达式可以为：

L＝L

其中，L表征目标损失值，L

如此，通过将第一历史行为序列和第二历史行为序列进行融合，得到融合行为序列，确定第一历史行为序列对应的第一序列特征、第二历史行为序列对应的第二序列特征以及融合行为序列对应的融合序列特征，并基于第一序列特征、第二序列特征和融合序列特征，预测目标对象在目标域下的对象特征，结合对象特征和目标域中各待推荐信息的信息特征，对目标对象进行目标域下的信息推荐。如此，由于融合行为序列充分融合了目标对象在源域和目标域的历史行为，在预测目标对象在目标域下的对象特征时，充分考虑目标对象在源域和目标域的历史行为，从而有效提高了所确定的对象特征的准确性，从而在基于对象特征对目标对象进行目标域下的信息推荐时，有效提高了信息推荐的精确度。

下面，将说明本申请实施例在一个实际的跨域推荐的应用场景中的示例性应用。

在一个实际的跨域推荐的应用场景中，参见图9，图9是本申请实施例提供的信息推荐方法的原理示意图，目标对象1在源域的第二历史行为序列4可以为：目标对象在时间戳11对应的时间节点阅读了动漫书籍、目标对象在时间戳14对应的时间节点阅读了围棋书籍；目标对象1在目标域的第一历史行为序列2可以为：目标对象在时间戳12对应的时间节点观看了电影A、目标对象在时间戳13对应的时间节点观看了电影B；目标对象1的融合行为序列3为：目标对象在时间戳11对应的时间节点阅读了动漫书籍、目标对象在时间戳12对应的时间节点观看了电影A、目标对象在时间戳13对应的时间节点观看了电影B、目标对象在时间戳14对应的时间节点阅读了围棋书籍。基于上述第一历史行为序列特征、第二历史行为序列特征和融合序列特征，通过本申请实施例提供的信息推荐方法对目标对象进行目标域下的信息推荐。

本申请实施例提出了一种有效且普适的面向跨域推荐的三元学习，首次提出了三元序列的建模学习，即在跨域推荐任务下除了源域和目标域的行为序列之外还额外考虑了目标对象在混合域的行为信息，并通过三元跨域注意力机制和三元对比学习策略对三域序列表征的相关性和差异性进行多粒度建模，从而提高现有模型跨域推荐性能。

本申请实施例通过与现有算法对比和消融实验发现了所提出的Tri-CDR在从游戏(较稠密)到玩具(较稀疏)和电影(较稠密)到书本(较稀疏)的设置上能获得更大的推荐性能提升，这与跨域推荐的基本假设相一致，同时也证实了Tri-CDR在跨域正向知识迁移中的实际意义，因此本申请实施例可对应于特定的应用场景，即针对看一看中视频tab下消费行为较为稀疏的目标对象推荐，利用目标对象在视频场景下丰富的消费行为信息辅助视频tab场景下拥有稀疏交互行为的目标对象的推荐过程。

首先分别在源域和目标域，定义源行为序列和目标域行为序列

下面描述了本申请实施例所提出的模型框架一一面向跨域推荐的三元序列学习方法(Tri-CDR)，该框架对目标对象在源域、目标域和混合域的行为序列进行联合建模以提高跨域推荐性能。参见图10，图10即为Tri-CDR的整体结构。具体来说，首先通过三个序列编码器分别对目标对象的源域、目标域和混合域的行为序列进行建模，从而生成对应的隐表征。然后，提出了三元跨域注意力策略(TCA)，在学习目标对象在三个域的序列表征时，突出与目标对象的目标域偏好和全局兴趣相关的知识，从而减轻负向知识迁移。为了更好地模拟多元序列表征之间的关联关系，设计了一个三元跨域对比学习机制(TCL)，其中包含两个对比约束：(a)粗粒度的相似度建模，这使得来自同一目标对象的源域、目标域和混合域序列表征更加相似；(b)细粒度的距离建模，考虑了多个领域的多样性和相关性，通过三元序列之间距离的把控来保持源域和混合域序列相对于目标域序列的信息增益，从而学习更好的多域表征来捕捉目标对象的偏好。

在一些实施例中，受序列推荐中自注意机制的启发，将SASRec作为Tri-CDR的序列编码器。对于目标域序列S

其中，Q＝D

其中，w

三元跨域注意力策略的提出立足于一个基本假设，即目标对象在三个域的不同历史行为对于该目标对象在目标域的下一个交互项目应该有不同的重要性。准确地说，希望目标对象的三个行为序列中强调的信息应该既与目标对象在目标域的偏好相关又与目标对象的全局兴趣有关，从而模型能够在全面了解目标对象偏好的基础上完成目标域的预测任务。因此，在三个隐式行为矩阵H

具体来说，对于源域，给定隐式行为矩阵

其中⊙表示向量内积操作，||.||表示连接操作，MLP

与源域的序列表征s

常规跨域推荐研究的关键在于捕捉源域和目标域行为之间的域间相关性，而Tri-CDR则面临一个更具挑战性的任务，即全面理解目标对象在源域、目标域和混合域行为序列之间的三重关联性。因此本申请实施例提出了一个新的三元对比学习机制(TCL)来全面地建立三个序列表征之间的相关性。确切地说，在TCL中设计了两个CL任务，包括粗粒度的相似度建模和细粒度的距离建模。前一个CL任务被用来捕捉同一目标对象的任两个序列表示组与其他目标对象的序列表示之间的粗粒度相似性；而后一个CL任务则是为目标对象的多域序列表征之间的距离进行细粒度建模，从而保持信息多样性。

一个目标对象在不同领域的行为序列天然存在一定的潜在相似性。因此，设计了一个粗粒度的相似性建模方法(CSM)来建模同一目标对象的三个域的序列表征之间的粗粒度相似性。具体来说，将序列表征s

其中，B表示采样得到的批次，j∈Bi表示B中对应于i的负样本，τ表示温度系数，

最后，CSM损失L

/>

其中，λ

CSM假设同一目标对象在不同域的偏好应该更加相似，并将同一目标对象的多元表征单调拉近。然而目标对象在不同域的偏好之间确实存在细微的区别，过度优化L

为了解决这个问题，考虑了目标对象混合域行为序列的具体构成，其中包含目标对象在源域和目标域的所有行为序列。因此，源域序列表征与混合域序列表征和目标域序列表征与混合域序列表征之间的距离都应该比源域序列表征与目标域序列表征之间的距离小。通过基于边际距离的三元组损失的基础上提出了细粒度距离建模(FDM)，即考虑到

其中

在TCA和TCL之后，Tri-CDR将三元序列表示s

u

其中MLP

其中，R

L＝L

其中，λ

本申请实施例通过包括与现有SOTA算法对比、消融实验、普适性试验、参数分析和可视化等多类实验对所提出的Tri-CDR框架的有效性和普适性进行了全面分析，接下来将依次进行介绍。

参见下表1，下表1是本申请实施例提供的跨域推荐的实验结果对比表表1跨域推荐的实验结果对比表

在一些实施例中，由上表1可知，与相关技术1和相关技术2相比，本申请实施例将Tri-CDR框架与现有单域序列推荐算法(相关技术1)和跨域序列推荐算法(相关技术2)都进行了对比，其结果如上表1所示。首先，发现与相关技术相比，Tri-CDR在所有数据集和评价指标上都取得了最好的性能，这证明了本申请实施例所提出的TCL在CDR任务中的有效性。此外，它还表明Tri-CDR能够精准建模目标对象的源、目标和混合行为序列之间的相关性，并成功地从所有领域中捕获与目标域预测相关的有用信息。其次，发现Tri-CDR优于所有现有跨域序列推荐方法，这证实了将包含目标对象全局行为模式的混合行为序列纳入跨域建模过程和对目标对象的多域偏好之间的粗粒度相似性和细粒度区别进行建模的重要性。这同时意味着，与传统的CDR方法相比，提出的TCA和TCL能进行更好地正向知识迁移。最后，通过比较不同跨域设置的性能提升比例，发现Tri-CDR在从Amazon Game到Amazon Toy和从Amazon Movie到Amazon Book的设置上更有利。这反映了的Tri-CDR在从行为相对稠密的源域向稀疏的目标域中进行迁移学习时会有更好的表现，在反应跨域推荐的基本假设的同时证实了Tri-CDR的跨域正向知识迁移的应用意义。

参见下表2，下表2是本申请实施例提供的跨域推荐的消融实验的结果对比表。

表2跨域推荐的消融实验结果对比表

在一些实施例中，对于消融实验。本申请实施例将Tri-CDR中不同的领域和组件有效性进行了对比分析，其结果上表2所示。其中S，T，M分别代表源域、目标域和混合域的信息，并通过Tri-CDR w/o TCA和Tri-CDR w/o FDM来分别分析本申请实施例所提出的TCA模块与FDM模块的实际意义。首先，通过各个跨域设置下SASRec(T)，SASRec(M)和SASRec(S+T)结果对比发现SASRec(S+T)和SASRec(M)在大多数指标上都优于SASRec(T)，这证明CDR任务中源域信息的重要性。同时发现对目标对象的混合序列进行简单建模的SASRec(M)在某些情况下也能获得超越SASRec(S+T)的效果，这意味着混合域序列的潜在优越性。其次，发现SASRec(S+T+M)并不总是优于前述三个实验版本，这证实了目标对象的混合序列不仅包含有用的信息，还包含一定的噪声信息，简单联合建模三个域的行为信息并不一定可行。第三，发现Tri-CDR w/o TCA的性能明显优于SASRec(S+T+M)(即Tri-CDR w/o TCA&TCL)，这证明了TCL的有效性，三元对比学习能够将CL的一致性从单域扩展到三元域，有利于目标对象的多域偏好学习过程。第四，观察到Tri-CDR进一步提升了Tri-CDR w/o TCA的性能，这说明TCA能够通过三元跨域注意力策略捕捉到与待预测项目相关的信息和目标对象的整体兴趣，从而实现正向知识的迁移。最后，通过Tri-CDR和Tri-CDR w/o FDM的性能对比，进一步发现TCL中的细粒度距离建模的重要性，它不仅能够帮助Tri-CDR学习更好的多域序列表征，还能让模型在不同参数下更加鲁棒与稳定。

在一些实施例中，对于普适性实验，参见图12，图12是本申请实施例提供的普适性实验的效果对比图，除了SASRec之外，还在GRU4Rec上验证了Tri-CDR框架的有效性，其实验结果如图5所示。首先，在所有的跨域设置和衡量指标上Tri-CDR相对于基础模型GR U4Rec都取得了一致且显著的改进，这证明了Tri-CDR框架的普适性。其次，得到了与4.2节类似的结论，即混合序列虽然包括很多有益于目标项目预测的正向信息，但与此同时也会附加噪声，简单的融合建模可能反而会导致性能的下降，而本申请实施例所提出TCA和TC L能够帮助细粒度建模三元序列之间的相关关系，从而得到推荐性能的一致性提升。最后，还评估了以目前的单域序列推荐SOTA模型CL4SRec为序列编码器的Tri-CDR效果，与原始的CL4SRec相比，Tri-CDR在Game和Toy数据集上NDCG@10指标上的提升比率为4.99％和7.56％，在HR@10指标上的提升比率为4.41％和6.14％，这再次证明了Tri-CDR框架的普适性。

在一些实施例中，对于参数实验，参见图13，图13是本申请实施例提供的参数实验的结果示意图，在Amazon Game→Amazon Toy的跨域设置下进行了参数分析，以研究不同损失权重λCSM，λFDM的和距离参数γ对于Tri-CDR结果的影响，其结果如图13所示。首先，发现随着λCSM的增加，Tri-CDR的性能先增加后减少，在λCSM＝0.1处取的最佳效果。其次，观察到过小或过大的λFDM都可能会干扰Tri-CDR的三元序列相关关系的建模过程，且Tri-CDR对细粒度距离建模损失LFDM的权重λCSM并不敏感。最后，通过细粒度距离的设置，γ＝0表示模型只要满足源域表征与混合域表征之间的距离小于域表征与目标域表征之间的距离即可，而γ＝100则表示模型希望两者之间的距离越大越好，这两个极端值下Tri-CDR的表现相对较差，从而表明了在FDM中设置适当的距离γ的重要性。

多域表征可视化，参见图14，图14是本申请实施例提供的多域表征可视化的结果示意图，为了直观地展示本申请实施例中三元序列表征之间的相关关系，最急选取了若干个目标对象，并在图14中展示了这些目标对象的三元序列表征在SASRec(S+T+M)，Tri-CDRw/oFDM，和Tri-CDR的可视化。如图14，第一行重点在于不同域的表征分布，第二行则是通过不同的颜色强调了不同目标对象的表征分布情况。首先，通过图14中第一行三张图之间的对比，发现在SASRec(S+T+M)中多数目标对象的三元序列表征是基于域自然聚类的，且同一目标对象的源序列表征、混合序列表征和目标序列表征之间的距离相对较大，因此源域和混合域的信息难以得到充分利用。其次，观察到在图(e)和(f)中三元序列表征是根据目标对象进行自然聚类的，这表明了TCL的粗粒度相似度建模能够使得同一目标对象的三元序列表示变得相似。最后，还发现在图(e)中一些目标对象的三元序列表征在特征空间形成了小锐角三角形，这些过于同质化的三元表征可能会削弱来自源域和混合域的额外信息增益，从而降低模型的跨域知识迁移能力。相比之下，图(f)中目标对象对应的三元表征则更有区分度，能够构建合理的钝角三角形，在FDM的帮助下提升Tri-CDR的跨域推荐性能。

可以理解的是，在本申请实施例中，涉及到历史行为序列等相关的数据，当本申请实施例运用到具体产品或技术中时，需要获得目标对象许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

下面继续说明本申请实施例提供的信息推荐装置455的实施为软件模块的示例性结构，在一些实施例中，如图3所示，存储在存储器450的信息推荐装置455中的软件模块可以包括：融合模块4551，用于将目标对象在目标域的第一历史行为序列，以及所述目标对象在源域的第二历史行为序列进行融合，得到融合行为序列；第一确定模块4552，用于确定所述第一历史行为序列的第一序列特征，并确定所述融合行为序列的融合序列特征；第二确定模块4553，用于基于所述第一历史行为序列、所述第二历史行为序列和所述融合行为序列，确定所述第二历史行为序列的第二序列特征；预测模块4554，用于基于所述第一序列特征、所述第二序列特征和所述融合序列特征，预测所述目标对象在所述目标域下的对象特征；信息推荐模块4555，用于结合所述对象特征和所述目标域中各待推荐信息的信息特征，对所述目标对象进行所述目标域下的信息推荐。

在一些实施例中，上述融合模块4551，还用于获取所述第一历史行为序列中的各第一序列元素，以及各所述第一序列元素的时间戳；获取所述第二历史行为序列中的各第二序列元素，以及各所述第二序列元素的时间戳；按照所述时间戳的先后顺序，对各所述第一序列元素和各所述第二序列元素进行排序，将排序后的各所述第一序列元素和所述第二序列元素，确定为所述融合行为序列。

在一些实施例中，上述第一确定模块4552，还用于获取所述第一历史行为序列的第一编码特征，以及所述融合行为序列的融合编码特征，其中，所述第一编码特征包括多个第一子特征，所述第一子特征与所述第一历史行为序列中的第一序列元素一一对应；基于所述第一编码特征和所述融合编码特征，确定所述第一编码特征中的各所述第一子特征的权重；按照各所述第一子特征的权重，将各所述第一子特征进行加权求和，得到所述第一序列特征。

在一些实施例中，上述第一确定模块4552，还用于针对所述第一编码特征中的各所述第一子特征分别执行以下处理：获取所述第一编码特征中的目标第一子特征，以及所述融合编码特征中的目标融合子特征；其中，所述融合编码特征包括多个融合子特征，所述融合子特征与所述融合行为序列中的融合序列元素一一对应，所述目标第一子特征，为所述第一历史行为序列中最后一个第一序列元素对应的第一子特征，所述目标融合子特征，为所述融合历史行为序列中最后一个融合序列元素对应的融合子特征；基于所述第一子特征、所述目标第一子特征以及所述目标融合子特征，确定所述第一子特征对应的参考子特征；对所述第一子特征对应的所述参考子特征进行归一化处理，得到所述第一子特征的权重。

在一些实施例中，上述第一确定模块4552，还用于将所述第一子特征的范数、所述目标第一子特征和所述第一子特征进行相乘，得到第一相乘结果；确定所述第一子特征和所述目标第一子特征的内积，并确定所述内积的范数；将所述内积的范数、所述目标融合子特征和所述目标第一子特征进行相乘，得到第二相乘结果；将所述第一相乘结果和所述第二相乘结果进行相减，得到所述第一子特征对应的参考子特征。

在一些实施例中，上述第一确定模块4552，还用于获取所述第一历史行为序列的第一编码特征，以及所述融合行为序列的融合编码特征，其中，所述融合编码特征包括多个融合子特征，所述融合子特征与所述融合行为序列中的融合序列元素一一对应；基于所述第一编码特征和所述融合编码特征，确定所述融合编码特征中的各融合子特征的权重；按照各所述融合子特征的权重，将各所述融合子特征进行加权求和，得到所述融合序列特征。

在一些实施例中，上述第一确定模块4552，还用于针对所述融合编码特征中的各所述融合子特征分别执行以下处理：获取所述第一编码特征中的目标第一子特征，以及所述融合编码特征中的目标融合子特征；其中，所述第一编码特征包括多个第一子特征，所述第一子特征与所述第一历史行为序列中的第一序列元素一一对应，所述目标第一子特征，为所述第一历史行为序列中最后一个第一序列元素对应的第一子特征，所述目标融合子特征，为所述融合历史行为序列中最后一个融合序列元素对应的融合子特征；基于所述融合子特征、所述目标第一子特征以及所述目标融合子特征，确定所述融合子特征对应的参考子特征；对所述融合子特征对应的所述参考子特征进行归一化处理，得到所述融合子特征的权重。

在一些实施例中，上述第二确定模块4553，还用于获取所述第一历史行为序列的第一编码特征、所述融合行为序列的融合编码特征，以及所述第二历史行为序列的第二编码特征，其中，所述第二编码特征包括多个第二子特征，所述第二子特征与所述第二历史行为序列中的第二序列元素一一对应；基于所述第一编码特征、所述第二编码特征以及所述融合编码特征，确定所述第二编码特征中的各所述第二子特征的权重；按照各所述第二子特征的权重，将各所述第二子特征进行加权求和，得到所述第二序列特征。

在一些实施例中，上述第二确定模块4553，还用于针对所述第二编码特征中的各所述第二子特征分别执行以下处理：获取所述第一编码特征中的目标第一子特征，以及所述融合编码特征中的目标融合子特征；其中，所述融合编码特征包括多个融合子特征，所述融合子特征与所述融合行为序列中的融合序列元素一一对应，所述目标第一子特征，为所述第一历史行为序列中最后一个第一序列元素对应的第一子特征，所述目标融合子特征，为所述融合历史行为序列中最后一个融合序列元素对应的融合子特征；基于所述第二子特征、所述目标第一子特征以及所述目标融合子特征，确定所述第二子特征对应的参考子特征；对所述第二子特征对应的所述参考子特征进行归一化处理，得到所述第二子特征的权重。

在一些实施例中，上述信息推荐模块4555，还用于获取所述目标域中各待推荐信息的信息特征；将所述对象特征分别与各所述信息特征进行比较，得到各所述信息特征对应的可信度；将最大的所述可信度对应的所述待推荐信息，确定为在所述目标域下针对所述目标对象的目标推荐信息；向所述目标对象对应的终端发送所述目标推荐信息。

在一些实施例中，目标信息推荐模型包括第一目标编码层、第二目标编码层、第三目标编码层和目标预测层；上述第一确定模块4552，还用于调用所述第一目标编码层，对所述第一历史行为序列进行编码，得到所述第一序列特征；上述第一确定模块4552，还用于调用所述第二目标编码层，对所述融合行为序列进行编码，得到所述融合序列特征；上述第二确定模块4553，还用于调用所述第三目标编码层，结合所述第一历史行为序列、所述第二历史行为序列和所述融合行为序列，对所述第二历史行为序列进行编码，得到所述第二序列特征；上述预测模块4554，还用于调用所述目标预测层，结合所述第一序列特征、所述第二序列特征和所述融合序列特征，对所述目标对象进行特征预测，得到所述目标对象在所述目标域下的对象特征。

在一些实施例中，上述信息推荐装置455，还包括：训练模块，用于获取信息推荐模型，所述信息推荐模型包括第一编码层、第二编码层、第三编码层和预测层；将样本对象在所述目标域的第一历史行为样本序列，以及所述样本对象在所述源域的第二历史行为样本序列进行融合，得到融合行为样本序列；调用所述第一编码层，对所述第一历史行为样本序列进行编码，得到第一序列样本特征，并调用所述第二编码层，对所述融合行为样本序列进行编码，得到融合序列样本特征；并调用所述第三编码层，结合所述第一历史行为样本序列、所述第二历史行为样本序列和所述融合行为样本序列，对所述第二历史行为样本序列进行编码，得到第二序列样本特征；调用预测网络，结合所述第一序列样本特征、所述第二序列样本特征和所述融合序列样本特征，对所述目标对象进行特征预测，得到所述样本对象在所述目标域下的对象样本特征；结合所述对象样本特征和所述目标域中各待推荐信息的信息特征，确定第一损失值；基于所述第一序列样本特征、所述融合序列样本特征以及所述第二序列样本特征，确定第二损失值，并确定第三损失值；将所述第一损失值、所述第二损失值以及所述第三损失值进行加权求和，得到目标损失值；基于所述目标损失值，对所述信息推荐模型的模型参数进行更新，得到所述目标信息推荐模型。

在一些实施例中，上述训练模块，还用于确定所述对象样本特征和各所述信息特征之间的可信度；针对各所述可信度分别执行以下处理：将所述可信度和所述可信度的对数相乘，得到第一相乘结果；将所述可信度与1之间的差值，确定为目标差值；将所述目标差值和所述目标差值的对数相乘，得到第二相乘结果；将所述第一相乘结果和所述第二相乘结果相加，得到可信度加和；将各所述可信度的可信度加和进行相加，得到加和结果，并将所述加和结果的相反数，确定为所述第一损失值。

在一些实施例中，上述训练模块，还用于确定所述第一序列样本特征和所述融合序列样本特征之间的第一对比损失值；并确定所述第一序列样本特征和所述第二序列样本特征之间的第二对比损失值；并确定所述融合序列样本特征和所述第二序列样本特征之间的第三对比损失值；将所述第一对比损失值、所述第二对比损失值和所述第三对比损失值进行加权求和，得到所述第二损失值。

在一些实施例中，上述训练模块，还用于确定所述第一序列样本特征和所述第二序列样本特征之间的第一特征距离，并确定所述融合序列样本特征和所述第二序列样本特征之间的第二特征距离；基于所述第一特征距离和所述第二特征距离之间的差值，确定所述第三损失值。

本申请实施例提供了一种计算机程序产品，该计算机程序产品包括计算机程序或计算机可执行指令，该计算机程序或计算机可执行指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机可执行指令，处理器执行该计算机可执行指令，使得该电子设备执行本申请实施例上述的信息推荐方法。

本申请实施例提供一种存储有计算机可执行指令的计算机可读存储介质，其中存储有计算机可执行指令，当计算机可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的信息推荐方法，例如，如图3示出的信息推荐方法。

在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEP ROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种电子设备。

在一些实施例中，计算机可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。

作为示例，计算机可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，HyperTe xt Markup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。

作为示例，计算机可执行指令可被部署为在一个电子设备上执行，或者在位于一个地点的多个电子设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个电子设备上执行。

综上，本申请实施例具有如下有益效果：

(1)通过将第一历史行为序列和第二历史行为序列进行融合，得到融合行为序列，确定第一历史行为序列对应的第一序列特征、第二历史行为序列对应的第二序列特征以及融合行为序列对应的融合序列特征，并基于第一序列特征、第二序列特征和融合序列特征，预测目标对象在目标域下的对象特征，结合对象特征和目标域中各待推荐信息的信息特征，对目标对象进行目标域下的信息推荐。如此，由于融合行为序列充分融合了目标对象在源域和目标域的历史行为，在预测目标对象在目标域下的对象特征时，充分考虑目标对象在源域和目标域的历史行为，从而有效提高了所确定的对象特征的准确性，从而在基于对象特征对目标对象进行目标域下的信息推荐时，有效提高了信息推荐的精确度。

(2)通过将目标对象在目标域的第一历史行为序列，以及目标对象在源域的第二历史行为序列进行融合，得到融合行为序列，通过融合行为序列，预测在目标域下针对目标对象的目标推荐信息，从而在预测过程中，充分结合目标对象在源域和目标域中的历史行为，有效提高所预测的目标推荐信息的准确性。

(3)通过基于第一编码特征和融合编码特征，确定第一编码特征中的各第一子特征的权重，在确定第一编码特征中各第一子特征的权重的过程中，充分考虑融合编码特征，由于融合编码特征能更加全面反映目标对象在源域和目标域的历史行为，使得所确定的各第一子特征的权重更加准确，有效提高了所确定的第一子特征的权重的准确性，进而按照各第一子特征的权重，将各第一子特征进行加权求和，得到第一序列特征，有效提高所确定的第一序列特征的准确性。

(4)通过基于第一编码特征和融合编码特征，确定融合编码特征中的各融合子特征的权重，在确定融合编码特征中各融合子特征的权重的过程中，充分考虑融合编码特征，由于融合编码特征能更加全面反映目标对象在源域和目标域的历史行为，使得所确定的各融合子特征的权重更加准确，有效提高了所确定的融合子特征的权重的准确性，进而按照各融合子特征的权重，将各融合子特征进行加权求和，得到融合序列特征，有效提高所确定的融合序列特征的准确性。

(5)通过基于第一编码特征、融合编码特征和第二编码特征，确定第二编码特征中的各第二子特征的权重，在确定第二编码特征中各第二子特征的权重的过程中，充分考虑融合编码特征，由于融合编码特征能更加全面反映目标对象在源域和目标域的历史行为，使得所确定的各第二子特征的权重更加准确，有效提高了所确定的第二子特征的权重的准确性，进而按照各第二子特征的权重，将各第二子特征进行加权求和，得到第二序列特征，有效提高所确定的第二序列特征的准确性。

(6)通过将准确的对象特征和各待推荐信息的信息特征之间进行比较，准确确定出待推荐信息中与目标对象最为匹配的目标推荐信息，将目标推荐信息发送至目标对象对应的终端，从而有效提高了推荐精确度。

以上所述，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。