推荐对象的确定方法、装置、计算机设备和存储介质

技术领域

本申请涉及人工智能技术领域，特别是涉及一种推荐对象的确定方法、装置、计算机设备和存储介质。

背景技术

随着大数据技术的发展，出现了推荐对象的确定技术，这个技术根据用户的历史对象数据来确定用户的偏好，进而基于用户的偏好来确定推荐对象。

传统的推荐对象的确定技术，是将用户的基本信息、用户的历史对象数据输入至预先训练的对象推荐模型，输出得到推荐对象的对象类别；然后，基于推荐对象的对象类别，在推荐对象库中进行搜索，得到待推荐对象，并展示包含待推荐对象的对象推荐页。

然而，目前的对象的推荐技术中的用户历史对象数据有可能是较长时间之前的对象数据，并不一定匹配用户的当前需求，导致目标推荐对象的推荐准确率较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高对象的推荐准确性.的推荐对象的确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种推荐对象的确定方法。所述方法包括：

获取目标用户对应的情绪识别结果；所述情绪识别结果是基于预先训练的情绪识别模型对所述目标用户浏览历史对象推荐页面时采集的人脸图像识别得到的；

在所述目标用户对应的情绪识别结果中，确定满足预设积极情绪条件的目标情绪识别结果，将所述目标情绪识别结果对应的历史对象推荐页面作为目标对象推荐页面；

基于所述目标对象推荐页面包含的目标对象类别确定待推荐对象，并展示包含所述待推荐对象的待展示对象推荐页面。

在其中一个实施例中，所述目标对象推荐页面用于构建目标对象推荐页面集；所述基于所述目标对象推荐页面包含的目标对象类别确定待推荐对象包括：

针对所述目标对象推荐页面集中各目标对象推荐页面，根据预设的更新权重分配策略、各所述目标对象推荐页面的页码、以及所述待展示对象推荐页面的页码，确定每个所述目标对象推荐页面的推荐权重；

根据各所述目标对象推荐页面的对象类别对应的目标对象类别比例、以及各所述目标对象推荐页面的推荐权重，确定所述目标对象推荐页面集的目标对象类别比例；

根据所述目标对象类别比例、以及预设的更新对象数目，确定待推荐对象。

在其中一个实施例中，所述情绪识别结果用于构建情绪识别结果集；所述在所述目标用户对应的情绪识别结果中，确定满足预设积极情绪条件的目标情绪识别结果，将所述目标情绪识别结果对应的历史对象推荐页面作为目标对象推荐页面包括：

在所述情绪识别结果集中，存在连续预设第一数目个情绪识别结果为积极情绪的情况下，将所述情绪识别结果集中的情绪识别结果作为目标情绪识别结果集的目标情绪识别结果，并将所述目标情绪识别结果对应的历史对象推荐页面作为目标对象推荐页面；其中，所述情绪识别结果集中各情绪识别结果的排列顺序与所述情绪识别结果对应的人脸图像在人脸图像集中的排列顺序相同；所述人脸图像集中各人脸图像的排列顺序是基于所述人脸图像对应的采集时间的先后顺序确定的。

在其中一个实施例中，所述方法还包括：

在所述目标用户对应的情绪识别结果中，存在连续预设第二数目个情绪识别为消极情绪的情况下，发送包含所述推荐对象终端位置数据的人工服务提示信息至客服终端。

在其中一个实施例中，所述展示包含所述待推荐对象的待展示对象推荐页面包括：

基于所述待推荐对象对待展示对象推荐页面中的初始推荐对象进行更新处理，并展示更新后的包含所述待推荐对象的待展示对象推荐页面；所述初始推荐对象是基于预先训练的对象推荐模型对所述目标用户的目标用户数据确定的。

在其中一个实施例中，所述预先训练的对象推荐模型包括至少一个一级对象推荐子模型、以及二级对象推荐子模型；所述基于所述待推荐对象对待展示对象推荐页面中的初始推荐对象进行更新处理之前还包括：

根据预设的组合模型标识的生成策略、以及预设的标识数目，确定组合模型标识集；

针对所述组合模型标识集中每个组合模型标识，根据预设的标识位与一级对象推荐子模型的对应关系，在一级对象推荐子模型集中，确定所述组合模型标识对应的组合模型；所述组合模型包括所述组合模型标识的各标识位对应的一级对象推荐子模型；

根据所述组合模型、以及所述二级对象推荐子模型，确定初始对象推荐模型；

基于样本用户数据集对各所述初始对象推荐模型进行验证处理，确定各所述初始对象推荐模型的适应度值；

根据预设的遗传算法、各所述适应度值、所述组合模型标识集、以及预设的迭代停止条件，确定最高适应度值对应的初始对象推荐模型，得到所述预先训练的对象推荐模型。

在其中一个实施例中，所述获取目标用户对应的情绪识别结果之前，还包括：

响应于对象推荐指令，显示当前对象推荐页面，并采集所述目标用户的人脸图像；

基于预先训练的情绪识别模型对采集到的人脸图像进行情绪识别，得到所述目标用户的人脸图像对应的情绪识别结果。

在其中一个实施例中，所述预先训练的情绪识别模型包括至少一个一级情绪识别子模型、以及二级情绪识别子模型；所述基于预先训练的情绪识别模型对采集到的人脸图像进行情绪识别，得到所述目标用户的人脸图像对应的情绪识别结果包括：

针对每张所述人脸图像，将所述人脸图像输入至各所述一级情绪识别子模型，得到各所述一级情绪识别子模型对应的初始情绪识别结果；

将各所述初始情绪识别结果输入至所述二级情绪识别子模型，得到所述人脸图像对应的情绪识别结果。

在其中一个实施例中，所述预先训练的对象推荐模型包括至少一个一级对象推荐子模型、以及二级对象推荐子模型；所述响应于对象推荐指令之后，还包括：

将目标用户数据输入至各所述一级对象推荐子模型，得到各所述一级对象推荐子模型对应的一级推荐对象的对象类别；将各所述一级推荐对象的对象类别输入至所述二级对象推荐子模型，得到初始推荐对象的对象类别；

基于所述初始推荐对象的对象类别，确定每个所述待展示对象推荐页面的初始推荐对象。

第二方面，本申请还提供了一种推荐对象的确定装置。所述装置包括：

获取模块，用于获取目标用户对应的情绪识别结果；所述情绪识别结果是基于预先训练的情绪识别模型对所述目标用户浏览历史对象推荐页面时采集的人脸图像识别得到的；

第一确定模块，用于在所述目标用户对应的情绪识别结果中，确定满足预设积极情绪条件的目标情绪识别结果，将所述目标情绪识别结果对应的历史对象推荐页面作为目标对象推荐页面；

第二确定模块，用于基于所述目标对象推荐页面包含的目标对象类别确定待推荐对象，并展示包含所述待推荐对象的待展示对象推荐页面。

在其中一个实施例中，所述目标对象推荐页面用于构建目标对象推荐页面集；所述第二确定模块具体用于：

针对所述目标对象推荐页面集中各目标对象推荐页面，根据预设的更新权重分配策略、各所述目标对象推荐页面的页码、以及所述待展示对象推荐页面的页码，确定每个所述目标对象推荐页面的推荐权重；

根据各所述目标对象推荐页面的对象类别对应的目标对象类别比例、以及各所述目标对象推荐页面的推荐权重，确定所述目标对象推荐页面集的目标对象类别比例；

根据所述目标对象类别比例、以及预设的更新对象数目，确定待推荐对象。

在其中一个实施例中，所述情绪识别结果用于构建情绪识别结果集；所述第一确定模块具体用于：

在所述情绪识别结果集中，存在连续预设第一数目个情绪识别结果为积极情绪的情况下，将所述情绪识别结果集中的情绪识别结果作为目标情绪识别结果集的目标情绪识别结果，并将所述目标情绪识别结果对应的历史对象推荐页面作为目标对象推荐页面；其中，所述情绪识别结果集中各情绪识别结果的排列顺序与所述情绪识别结果对应的人脸图像在人脸图像集中的排列顺序相同；所述人脸图像集中各人脸图像的排列顺序是基于所述人脸图像对应的采集时间的先后顺序确定的。

在其中一个实施例中，所述推荐对象的确定装置还包括：

发送模块，用于在所述目标用户对应的情绪识别结果中，存在连续预设第二数目个情绪识别为消极情绪的情况下，发送包含所述推荐对象终端位置数据的人工服务提示信息至客服终端。

在其中一个实施例中，所述第二确定模块具体用于：

基于所述待推荐对象对待展示对象推荐页面中的初始推荐对象进行更新处理，并展示更新后的包含所述待推荐对象的待展示对象推荐页面；所述初始推荐对象是基于预先训练的对象推荐模型对所述目标用户的目标用户数据确定的。

在其中一个实施例中，所述预先训练的对象推荐模型包括至少一个一级对象推荐子模型、以及二级对象推荐子模型；所述推荐对象的确定装置还包括：

第三确定模块，用于根据预设的组合模型标识的生成策略、以及预设的标识数目，确定组合模型标识集；

第四确定模块，用于针对所述组合模型标识集中每个组合模型标识，根据预设的标识位与一级对象推荐子模型的对应关系，在一级对象推荐子模型集中，确定所述组合模型标识对应的组合模型；所述组合模型包括所述组合模型标识的各标识位对应的一级对象推荐子模型；

第五确定模块，用于根据所述组合模型、以及所述二级对象推荐子模型，确定初始对象推荐模型；

第六确定模块，用于基于样本用户数据集对各所述初始对象推荐模型进行验证处理，确定各所述初始对象推荐模型的适应度值；

第七确定模块，用于根据预设的遗传算法、各所述适应度值、所述组合模型标识集、以及预设的迭代停止条件，确定最高适应度值对应的初始对象推荐模型，得到所述预先训练的对象推荐模型。

在其中一个实施例中，推荐对象的确定装置还包括：

响应模块，具体用于响应于对象推荐指令，显示当前对象推荐页面，并采集所述目标用户的人脸图像；

情绪识别模块，用于基于预先训练的情绪识别模型对采集到的人脸图像进行情绪识别，得到所述目标用户的人脸图像对应的情绪识别结果。

在其中一个实施例中，所述预先训练的情绪识别模型包括至少一个一级情绪识别子模型、以及二级情绪识别子模型；所述情绪识别模块具体用于：

针对每张所述人脸图像，将所述人脸图像输入至各所述一级情绪识别子模型，得到各所述一级情绪识别子模型对应的初始情绪识别结果；

将各所述初始情绪识别结果输入至所述二级情绪识别子模型，得到所述人脸图像对应的情绪识别结果。

在其中一个实施例中，所述预先训练的对象推荐模型包括至少一个一级对象推荐子模型、以及二级对象推荐子模型；所述推荐对象的确定装置还包括：

输入模块，用于将目标用户数据输入至各所述一级对象推荐子模型，得到各所述一级对象推荐子模型对应的一级推荐对象的对象类别；将各所述一级推荐对象的对象类别输入至所述二级对象推荐子模型，得到初始推荐对象的对象类别；

第八确定模块，用于基于所述初始推荐对象的对象类别，确定每个所述待展示对象推荐页面的初始推荐对象。

第三方面，本申请还提供了一种计算机设备。所述计算机设备所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以第一方面所述的步骤。

第四方面，本申请还提供了一种计算机可读存储介质。所述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以第一方面所述的步骤。

第五方面，本申请还提供了一种计算机程序产品。本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以第一方面所述的步骤。

上述推荐对象的确定方法、装置、计算机设备、存储介质和计算机程序产品，通过获取目标用户对应的情绪识别结果；情绪识别结果是基于预先训练的情绪识别模型对目标用户浏览历史对象推荐页面时采集的人脸图像识别得到的；在目标用户对应的情绪识别结果中，确定满足预设积极情绪条件的目标情绪识别结果，将目标情绪识别结果对应的历史对象推荐页面作为目标对象推荐页面；基于目标对象推荐页面包含的目标对象类别确定待推荐对象，并展示包含待推荐对象的待展示对象推荐页面。上述方案中，人脸图像是目标用户浏览历史对象推荐页面时采集的，因此，人脸图像可以实时反映目标用户浏览历史对象推荐页面时的面部表情，进而基于人脸图像确定的情绪识别结果可以实时反映目标用户浏览历史对象推荐页面时的情绪。由于目标对象推荐页面对应的情绪识别结果满足预设积极情绪条件，所以目标对象推荐页面是目标用户表现出积极情绪的历史对象推荐页面，进而基于目标对象推荐页面来确定待推荐对象，可以提高对象的推荐准确性。

附图说明

图1为一个实施例中推荐对象的确定方法的应用环境图；

图2为一个实施例中待推荐对象的确定方法的流程示意图；

图3为一个实施例中预先训练的对象推荐模型的确定方法的流程示意图；

图4为一个实施例中推荐对象的确定装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种推荐对象的确定方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：

步骤102，获取目标用户对应的情绪识别结果。

其中，情绪识别结果是基于预先训练的情绪识别模型对目标用户浏览历史对象推荐页面时采集的人脸图像识别得到的。情绪识别模型包括至少一个一级情绪识别子模型、以及二级情绪识别子模型。

本申请实施例中，终端获取目标用户浏览历史对象推荐页面时采集的人脸图像，并将每张人脸图像输入至预先训练的情绪识别模型中，输出每张人脸图像对应的情绪识别结果。在一个实施例中，情绪识别模型的一级情绪识别子模型包括随机森林模型、卷积神经网络以及自注意力神经网络；情绪识别模型的二级情绪识别子模型是Logistic模型。在一个实施例中，Logistic模型是二分类Logistic模型。情绪识别结果可以包括多种情绪，例如积极情绪、消极情绪以及普通情绪等等。在一个实施例中，情绪识别结果是积极情绪或者消极情绪。

步骤104，在目标用户对应的情绪识别结果中，确定满足预设积极情绪条件的目标情绪识别结果，将目标情绪识别结果对应的历史对象推荐页面作为目标对象推荐页面。

本申请实施例中，终端根据各历史对象推荐页面的浏览时间区间、以及情绪识别结果所属人脸图像的采集时间，匹配各历史对象推荐页面对应的人脸图像集、以及各历史对象推荐页面对应的情绪识别结果集。具体的，针对每个情绪识别结果，若终端判断该情绪识别结果所属人脸图像的采集时间属于某个浏览时间区间(为了方便区分，称为匹配浏览时间区间)，则将该匹配浏览时间区间对应的历史对象推荐页面作为该情绪识别结果对应的历史对象推荐页面(为了方便区分，称为匹配历史对象推荐页面)。针对每个历史对象推荐页面对应的情绪识别结果集，若终端判断该情绪识别结果集中的情绪识别结果满足预设积极情绪条件，则将该情绪识别结果集作为目标情绪识别结果集，并将目标情绪识别结果集对应的历史对象推荐页面作为目标对象推荐页面。其中，目标情绪识别结果集包括多个目标情绪识别结果。

步骤106，基于目标对象推荐页面包含的目标对象类别确定待推荐对象，并展示包含待推荐对象的待展示对象推荐页面。

其中，目标对象推荐页面用于构建目标对象推荐页面集。目标对象类别是目标对象推荐页面中的对象类别。

本申请实施例中，针对每个目标对象推荐页面，终端统计该目标对象推荐页面包含的推荐对象的目标对象类别、以及各目标对象类别的推荐对象数目，并基于各目标对象类别和各目标对象类别的推荐对象数目，计算得到该目标对象推荐页面中各目标对象类别的目标对象类别比例。针对目标对象推荐页面集，终端根据各目标对象推荐页面集的推荐权重、以及目标对象类别比例，计算得到每个目标对象类别的目标对象类别比例。终端根据每个目标对象类别的目标对象类别比例以及预设的更新对象数目，在推荐对象库中，搜索得到预设的更新对象数目个待推荐对象。终端基于预设的更新对象数目个待推荐对象对对象推荐页面进行更新处理，并展示更新处理后的包含待推荐对象的待展示对象推荐页面。具体的，待展示对象推荐页面中包含初始推荐对象，其中，初始推荐对象是基于预先训练的对象推荐模型确定的。终端获取目标用户的目标用户数据，并将该目标用户数据输入至预先训练的对象推荐模型，输出初始推荐对象的对象类别。针对每一个对象推荐页面，终端根据初始推荐对象的对象类别、预设的页面推荐对象数目，在推荐对象库中，搜索得到该对象推荐页面包含的预设的页面推荐对象数目个初始推荐对象。其中，预先训练的对象推荐模型包括至少一个一级对象推荐子模型、以及二级对象推荐子模型。一级对象推荐子模型的确定方法具体参照步骤302至步骤310。在一个实施例中，二级对象推荐子模型是Logistic模型。目标用户的目标用户数据包括目标用户的基本信息、以及目标用户的历史购买对象信息。基本信息可以但不限于包括目标用户的年龄、性别。历史购买对象信息可以但不限于包括历史购买对象的历史对象类别、历史购买对象的历史购买次数。

上述推荐对象的确定方法中，人脸图像是目标用户浏览历史对象推荐页面时采集的，因此，人脸图像可以实时反映目标用户浏览历史对象推荐页面时的面部表情，进而基于人脸图像确定的情绪识别结果可以实时反映目标用户浏览历史对象推荐页面时的情绪。由于目标对象推荐页面对应的情绪识别结果满足预设积极情绪条件，所以目标对象推荐页面是目标用户表现出积极情绪的对象推荐页面，进而基于目标对象推荐页面来确定待推荐对象，可以提高对象的推荐准确性。

在一个实施例中，如图2所示，目标对象推荐页面用于构建目标对象推荐页面集；基于目标对象推荐页面包含的目标对象类别确定待推荐对象包括：

步骤202，针对目标对象推荐页面集中各目标对象推荐页面，根据预设的更新权重分配策略、各目标对象推荐页面的页码、以及待展示对象推荐页面的页码，确定每个目标对象推荐页面的推荐权重。

本申请实施例中，针对目标对象推荐页面集中的每个目标对象推荐页面，终端计算待展示对象推荐页面的页码与目标对象推荐页面的页码的差，得到页码差。终端根据各目标对象推荐页面对应的页码差、以及预设的更新权重分配策略，计算得到每个目标对象推荐页面的推荐权重。其中，目标对象推荐页面集中各目标对象推荐页面的推荐权重的总和为1。可以理解，目标对象推荐页面的页码差越小，该目标对象推荐页面的推荐权重越小。在一个实施例中，各推荐权重的值可以构建得到等差数列。在另一个实施例中，最小页码差对应的目标对象推荐页面的推荐权重设置为预设的第一推荐权重，其他目标对象推荐页面的推荐权重的和为(1-第一推荐权重)，其中，第一推荐权重的值为正数，且小于或者等于1。本申请对预设的更新权重分配策略不做限制，只要根据预设的更新权重分配策略确定的推荐权重的总和为1都属于本申请的保护范围内。

步骤204，根据各目标对象推荐页面的对象类别对应的目标对象类别比例、以及各目标对象推荐页面的推荐权重，确定目标对象推荐页面集的目标对象类别比例。

本申请实施例中，针对每个目标对象推荐页面，终端根据目标对象推荐页面的对象类别对应的对象类别比例，以及该目标对象推荐页面的推荐权重，计算得到该目标对象推荐页面的目标对象类别比例(为了方便区分，称为统计前比例)。具体的，针对每个目标对象推荐页面，终端计算目标对象推荐页面的对象类别对应的对象类别比例与该目标对象推荐页面的推荐权重的积，得到该目标对象推荐页面的目标对象类别比例。终端统计各目标对象推荐页面的统计前比例，得到目标对象推荐页面集的目标对象类别比例(为了方便区分，称为统计后比例)。具体的，在目标对象推荐页面集中，终端对同一种目标对象类别的统计前比例进行累加，得到该目标对象类别对应的统计后比例。其中，目标对象类别是目标对象推荐页面中的对象类别。

步骤206，根据目标对象类别比例、以及预设的更新对象数目，确定待推荐对象。

本申请实施例中，针对目标对象推荐页面集中每个目标对象类别，终端计算目标对象类别的目标对象类别比例与预设的更新对象数目的积，得到该目标对象类别的待推荐对象的对象数目。其中，目标对象推荐页面集中所有目标对象类别的目标对象类别比例的和为1；目标对象推荐页面集中所有目标对象类别的待推荐对象的对象数目之和等于预设的更新对象数目。针对目标对象推荐页面集中每个目标对象类别，终端根据目标对象类别、以及该目标对象类别的待推荐对象的对象数目，在推荐对象数据库中，搜索匹配该目标对象类别对应的待推荐对象。终端对目标对象推荐页面集中的所有目标对象类别都经过上述处理(计算目标对象类别的待推荐对象的对象数目、以及搜索匹配该目标对象类别对应的待推荐对象)后，得到目标对象推荐页面集对应的待推荐对象。其中，预设的更新对象数目是正整数、且小于或者等于待展示对象推荐页面中初始推荐对象的对象数目。初始推荐对象是基于预先训练的对象推荐模型确定的。可以理解，待展示对象推荐页面的初始推荐对象的对象数目是待展示对象推荐页面所能展示的对象数目。

本实施例中，通过根据预设的更新权重分配策略、各目标对象推荐页面的页码、以及待展示对象推荐页面的页码，确定目标对象推荐页面的推荐权重，并基于目标对象推荐页面的推荐权重、目标对象推荐页面的目标对象类别比例、以及预设的更新对象数目，确定待推荐对象。由于本方案的推荐权重与目标对象推荐的页码、以及待展示对象推荐页面的页码有关，而同一目标对象推荐页面对于不同的待展示对象推荐页面而言，两者的页码关系也是不同的，因此对于不同的待展示对象推荐页面来说，目标对象推荐页面的推荐权重是动态变化的，进而提高待推荐对象的推荐准确率。

在一个实施例中，情绪识别结果用于构建情绪识别结果集；情绪识别结果用于构建情绪识别结果集；在目标用户对应的情绪识别结果中，确定满足预设积极情绪条件的目标情绪识别结果，将目标情绪识别结果对应的历史对象推荐页面作为目标对象推荐页面包括：

在情绪识别结果集中，存在连续预设第一数目个情绪识别结果为积极情绪的情况下，将情绪识别结果集中的情绪识别结果作为目标情绪识别结果集的目标情绪识别结果，并将目标情绪识别结果对应的历史对象推荐页面作为目标对象推荐页面。

其中，情绪识别结果集中各情绪识别结果的排列顺序与情绪识别结果对应的人脸图像在人脸图像集中的排列顺序相同；人脸图像集中各人脸图像的排列顺序是基于人脸图像对应的采集时间的先后顺序确定的。

本申请实施例中，针对每个历史对象推荐页面对应的情绪识别结果集，终端统计该情绪识别结果集的情绪识别结果。若终端统计有连续预设第一数目个情绪识别结果为积极情绪，则终端将该情绪识别结果集作为目标情绪识别结果集，将目标情绪识别结果集中情绪识别结果作为目标情绪识别结果，并将目标情绪识别结果集(或者目标情绪识别结果)对应的历史对象推荐页面作为目标对象推荐页面。其中，一个情绪识别结果集对应一个历史对象推荐页面，情绪识别结果集中各情绪识别结果所属人脸图像的采集时间都属于该情绪识别结果集对应的历史对象推荐页面的浏览时间区间。在一个实施例中，第一数目为5。例如，假设历史对象推荐页面1对应的情绪识别结果集1为{积极情绪、积极情绪、积极情绪、积极情绪、积极情绪、积极情绪、消极情绪、消极情绪}，针对历史对象推荐页面1对应的情绪识别结果集1，终端统计情绪识别结果集1中有6个连续的积极情绪。在终端判断情绪识别结果集1中的情绪识别结果满足有连续5个情绪识别结果为积极情绪的预设积极情绪条件的情况下，终端将历史对象推荐页面1作为目标对象推荐页面。

本实施例中，通过统计历史对象推荐页面对应的情绪识别结果集的情绪识别结果，若情绪识别结果集有连续预设第一数目个情绪识别结果为积极情绪，则终端将该情绪识别结果集对应的历史对象推荐页面作为目标对象推荐页面。也就是说，目标对象推荐页面对应的情绪识别结果集至少有连续预设第一数目个积极情绪的情绪识别结果，所以目标对象推荐页面中的目标推荐对象可以认为是目标用户满意的推荐对象，或者说是匹配目标用户需求的推荐对象。那么，基于这样的目标推荐对象来确定待推荐对象，可以提高对象的推荐准确性。

在一个实施例中，方法还包括：

在目标用户对应的情绪识别结果中，存在连续预设第二数目个情绪识别为消极情绪的情况下，发送包含推荐对象终端位置数据的人工服务提示信息至客服终端。

本申请实施例中，若终端(为了方便区分，称为推荐对象终端)在所有的历史对象推荐页面对应的情绪识别结果(即目标用户对应的情绪识别结果)中，统计有连续预设第二数目个情绪识别为消极情绪，则生成人工服务提示信息，并将人工服务提示信息发送至客服终端。其中，人工服务提示信息包含推荐对象终端的位置数据。可选的，预设第二数目可以是20、30、31、40等等。在一个实施例中，位置数据可以是推荐对象终端的终端序号。客服终端的操作人员在接收到人工服务提示信息后，可以直接来到推荐对象终端并为目标用户提供人工服务。

本实施例中，若在所有的历史对象推荐页面对应的情绪识别结果中，统计有连续预设第二数目个情绪识别为消极情绪，则生成人工服务提示信息。这样，可以为目标用户提供人工服务，进而降低目标用户的消极情绪，也可以通过人工服务来提高对象的推荐准确性。

在一个实施例中，展示包含待推荐对象的待展示对象推荐页面包括：

基于待推荐对象对待展示对象推荐页面中的初始推荐对象进行更新处理，并展示更新后的包含待推荐对象的待展示对象推荐页面。

其中，初始推荐对象是基于预先训练的对象推荐模型对目标用户的目标用户数据确定的。更新后的待展示对象推荐页所包含的推荐对象是目标推荐对象。目标推荐对象包括待推荐对象。

本申请实施例中，针对包含初始推荐对象的待展示对象推荐页面，终端基于预设的更新对象数目个待推荐对象对预设的更新对象数目个初始推荐对象进行更新处理，得到目标推荐对象。可选的，目标推荐对象可以是待推荐对象，也可以包括初始推荐对象和待推荐对象。预设的更新对象数目是正整数、且小于或者等于待展示对象推荐页面所能展示(或者包含)的对象数目。在一个实施例中，预设的更新对象数目是待展示对象推荐页面所能展示(或者包含)的对象数目的百分之五十。具体的，针对包含初始推荐对象的待展示对象推荐页面，终端根据预设的更新对象数目，在待展示对象推荐页面中，随机选取预设的更新对象数目个初始推荐对象(为了方便区分，称为待更新推荐对象)，并基于预设的更新对象数目个待推荐对象对待更新推荐对象进行更新处理，得到目标推荐对象。终端展示更新后的包含目标推荐对象的待展示对象推荐页面。

本实施例中，通过基于待推荐对象对待展示对象推荐页面中的初始推荐对象进行更新处理，得到更新后的包含待推荐对象的对象推荐页面。由于目标对象推荐页面是目标用户表现出积极情绪的历史对象推荐页面，而待推荐对象是基于情绪识别处理后的目标对象推荐页面确定的，因此，更新后的包含目标推荐对象的待展示对象推荐页面可以提高对象的推荐准确性。待展示对象推荐页面中初始推荐对象的确定方法请参考下文的实施例，这里不做赘述。

在一个实施例中，如图3所示，预先训练的对象推荐模型包括至少一个一级对象推荐子模型、以及二级对象推荐子模型；基于待推荐对象对待展示对象推荐页面中的初始推荐对象进行更新处理之前还包括：

步骤302，根据预设的组合模型标识的生成策略、以及预设的标识数目，确定组合模型标识集。

本申请实施例中，针对组合模型标识的每个标识位，终端根据预设的组合模型标识的生成策略，生成该标识位上的标识。终端对每个标识位都进行了上述的生成标识处理后，得到一个组合模型标识。终端经过预设的标识数目次上述的生成组合模型标识处理后，得到组合模型标识集。其中，组合模型标识集包括预设的标识数目(L)个组合模型标识，每个组合模型标识具有M个标识位，每个标识位对应一种一级对象推荐子模型。L、M都是正整数，M为一级对象推荐子模型的模型数目。

步骤304，针对组合模型标识集中每个组合模型标识，根据预设的标识位与一级对象推荐子模型的对应关系，在一级对象推荐子模型集中，确定组合模型标识对应的组合模型。

其中，组合模型包括组合模型标识的各标识位对应的一级对象推荐子模型。一级对象推荐子模型是预先训练的一级对象推荐子模型。

本申请实施例中，针对组合模型标识集中每个组合模型标识，终端根据预设的标识位与一级对象推荐子模型的对应关系，在一级对象推荐子模型集中，匹配每个标识位对应的一级对象推荐子模型，得到组合模型标识对应的组合模型。可以理解，组合模型标识有L个，则组合模型也有L个。其中，一级对象推荐子模型集包括M个对象推荐子模型。在一个实施例中，M＝8，具体的，对象推荐子模型集包括随机森林(Random forest，RandomForest)，极度随机树(Extremely randomized trees，ExtraTrees)，自适应提升(Adaptiveboosting，AdaBoost)，装袋算法(Bootstrap aggregating，Bagging)，梯度提升决策树(Gradient Boosting Decision Tree，GradientBoosting)，轻量级的梯度提升机器(LightGradient Boosting Machine，lightgbm)，极度梯度提升树(extreme gradient boosting，xgboost)，分类提升(catgorical boost，catboost)。其中，标识位与一级对象推荐子模型的对应关系可以是关系对应表，如下表1所示。

表1

在一个实施例中，组合模型标识是二进制编码，若标识位上的是0，则表示该组合模型标识对应的组合模型中不包括该标识位对应的一级对象推荐子模型；若标识位上的是1，则表示该组合模型标识对应的组合模型中包括该标识位对应的一级对象推荐子模型。假设M＝8，组合模型标识为10100000，则组合模型标识10100000对应的组合模型包括一级对象推荐子模型1以及一级对象推荐子模型3。

步骤306，根据组合模型、以及二级对象推荐子模型，确定初始对象推荐模型。

其中，初始对象推荐模型包括组合模型和二级对象推荐子模型，组合模型是初始对象推荐模型的一级对象推荐子模型。二级对象推荐子模型是预先训练好的二级对象推荐子模型。

本申请实施例中，针对每个组合模型，终端基于组合模型以及二级对象推荐子模型构建初始对象推荐模型。在一个实施例中，二级对象推荐子模型是Logistic模型。假设组合模型的个数L为2，组合模型1包括一级对象推荐子模型1以及一级对象推荐子模型3；组合模型2包括一级对象推荐子模型2以及一级对象推荐子模型3。那么组合模型1对应的初始对象推荐模型1包括一级对象推荐子模型1、一级对象推荐子模型3以及二级对象推荐子模型；组合模型1对应的初始对象推荐模型1包括一级对象推荐子模型2、一级对象推荐子模型3以及二级对象推荐子模型。

步骤308，基于样本用户数据集对各初始对象推荐模型进行验证处理，确定各初始对象推荐模型的适应度值。

其中，样本用户数据集包括多个样本用户对应的样本用户数据子集。样本用户数据子集包括样本用户的多个样本用户数据。样本用户的样本用户数据包括样本用户的基本信息、以及样本用户的历史购买对象信息。基本信息可以但不限于包括样本用户的年龄、性别。历史购买对象信息可以但不限于包括历史购买对象的历史对象类别、历史购买对象的历史购买次数。

本申请实施例中，终端基于样本用户数据集采用交叉验证法对每个初始对象推荐模型进行验证处理，得到每个初始对象推荐模型的预测推荐对象类别。可以理解，预测推荐对象类别的数目可以是一个，也可以是多个。针对每个初始对象推荐模型，终端基于样本用户数据集对应的真实推荐对象类别、以及初始对象推荐模型的预测推荐对象类别，计算得到初始对象推荐模型的适应度值。在一个实施例中，适应度是马修斯相关系数。

步骤310，根据预设的遗传算法、各适应度值、组合模型标识集、以及预设的迭代停止条件，确定最高适应度值对应的初始对象推荐模型，得到预先训练的对象推荐模型。

本申请实施例中，终端比较各初始对象推荐模型的适应度值的大小，并在各初始对象推荐模型的适应度值中，选取预设的选取数目(X)个最大的适应度值(为了方便区别，称为目标适应度值)。终端基于目标适应度值所属的初始对象推荐模型构建初始化种群。其中，预设的选取数目X是正整数、且小于或者等于L。终端基于初始种群、初始化种群中初始对象推荐模型的组合模型对应的组合模型标识集(为了方便区分，称为初始种群标识集)、以及预设的遗传算法，生成第二代种群。具体的，终端在初始种群标识集中，随机选取两个初始种群标识作为第一目标初始种群标识。终端随机选取每个第一目标初始种群标识中的标识位作为交叉标识位，并随机互相交换两个第一目标初始种群标识的交叉标识位，得到交叉处理后的初始种群标识。终端对初始种群标识集经过预设的交叉处理次数(Y)的交叉处理后，得到2Y个交叉处理后的初始种群标识。其中，交叉处理次数Y是整数、且小于或者等于预设的标识数目L。交叉标识位的数目可以是预先设置的，也可以是随机确定的，但是两个第一目标初始种群标识的交叉标识位的数目是相等的。可以理解，不同第一目标初始种群标识的交叉标识位可以相同，也可以不同。第一目标初始种群标识的某个交叉标识位要与另一个第一目标初始种群标识的哪个交叉标识位进行交叉处理是随机的。例如，假设第一目标初始种群标识1是11110000，第一目标初始种群标识2是11001001，交叉标识位的数目是2；第一目标初始种群标识1(11110000)的交叉标识位是第一位(1)、第六位(0)；第一目标初始种群标识2(11001001)的交叉标识位是第一位(1)、第八位(1)；若终端对第一目标初始种群标识1(11110000)的第一位(1)与第一目标初始种群标识2(11001001)的第八位(1)进行交叉处理、以及对第一目标初始种群标识1(11110000)的第六位(0)与第一目标初始种群标识2(11001001)的第一位(1)进行交叉处理，则得到交叉处理后的初始种群标识1(11110100)、交叉处理后的初始种群标识2(01110100)。终端计算预设的变异概率与初始种群标识集的初始种群标识的数目的积，得到变异标识数目(Z)。终端根据变异标识数目，在初始种群标识集中，随机选取变异标识数目个第二目标初始种群标识。终端对每个第二目标初始种群标识进行变异处理，得到变异处理后的目标初始种群标识。具体的，针对每个第二目标初始种群标识，终端随机选取随机数目个第二目标初始种群标识的标识位进行变异处理，得到变异处理后的目标初始种群标识。可以理解，进行变异处理的标识位的选取是随机的，变异处理的标识位的数目也是随机的，不同第二目标初始种群标识的变异处理的标识位可能相同、也可能不同。在一个实施例中，变异处理是将标识位上的1变异成0，将标识位上的0变异成1。其中，变异标识数目Z是整数、且且X+2Y+Z＝L(即预设的选取数目X+2倍的交叉处理次数Y+变异标识数目Z＝预设的标识数目L)。例如，假设变异标识数目Z＝2，第二目标初始种群标识1(11111111)，第二目标初始种群标识2(00000000)。针对第二目标初始种群标识1(11111111)，终端随机选取了第一标识位、第三标识位以及第四标识位作为变异处理的标识位，并对第二目标初始种群标识1的变异处理的标识位进行变异处理，得到变异处理后的初始种群标识1(01001111)；针对第二目标初始种群标识2(00000000)，终端随机选取了第二标识位作为变异处理的标识位，并对第二目标初始种群标识2的变异处理的标识位进行变异处理，得到变异处理后的初始种群标识2(01000000)。上述例子只是作为示例，并不对本申请的变异处理的方法构成限制。

终端将第二代种群的初始对象推荐模型作为步骤308中的初始对象推荐模型，返回执行步骤308，直到满足预设的迭代停止条件。其中，预设的迭代停止条件是迭代的次数，具体的预设的迭代停止条件是生成第N代种群，N是正整数、且大于1。终端选取第N代种群中最高适应度值对应的初始对象推荐模型作为预先训练的对象推荐模型。

本实施例中，通过遗传算法来确定最高适应度值对应的初始对象推荐模型，并将最高适应度值对应的初始对象推荐模型作为预先训练的对象推荐模型。由于遗传算法中的处理具有随机性，所以基于遗传算法来确定预先训练的对象推荐模型具有客观性，可以避免主观误差，因此提高了预先训练的对象推荐模型的推荐准确度。

在一个实施例中，获取目标用户对应的情绪识别结果之前，还包括：

响应于对象推荐指令，显示当前对象推荐页面，并采集目标用户的人脸图像；基于预先训练的情绪识别模型对采集到的人脸图像进行情绪识别，得到目标用户的人脸图像对应的情绪识别结果。

本申请实施例中，终端响应于对象推荐指令，并显示包含目标推荐对象的当前对象推荐页面。其中，对象推荐指令用于获取当前对象推荐页面。目标推荐对象是当前对象推荐页所包含的推荐对象。可选的，目标推荐对象可以是初始推荐对象，也可以是待推荐对象，还可以是初始推荐对象和待推荐对象。其中，初始推荐对象是基于预先训练的对象推荐模型确定的；待推荐对象的确定方法参照步骤102到步骤106的方法。将每张采集到的人脸图像分别输入至预先训练的情绪识别模型进行情绪识别，输出该目标用户的人脸图像对应的情绪识别结果。在一个实施例中，情绪识别模型的一级情绪识别子模型包括随机森林模型、卷积神经网络以及自注意力神经网络；情绪识别模型的二级情绪识别子模型是Logistic模型。在一个实施例中，Logistic模型是二分类Logistic模型。情绪识别结果可以包括多种情绪，例如积极情绪、消极情绪以及普通情绪等等。在一个实施例中，情绪识别结果是积极情绪或者消极情绪。在一个实施例中，终端可以是自助柜员机，目标用户在点击终端的进入推荐对象页面按键时，终端接收并响应对象推荐指令。终端显示包含目标推荐对象的当前对象推荐页面(即第一个对象推荐页面)。可以理解，第一个对象推荐页面中的目标推荐对象是初始推荐对象。若第一个对象推荐页面被终端判断为目标对象推荐页面，则终端基于第一个对象推荐页面来确定第二个对象推荐页面的待推荐对象。具体的，待推荐对象的确定方法参照步骤106。可以理解，此时的第二个对象推荐页面中的目标推荐对象包括初始推荐对象和待推荐对象，或者，目标推荐对象是待推荐对象。若第一个对象推荐页面没有被终端判断为目标对象推荐页面，则第二个对象推荐页面的目标待推荐对象是初始推荐对象。其他待展示对象推荐页面的目标推荐对象的确定方法与之(第二个对象推荐页面的目标推荐对象的确定方法)类似，不再赘述。

本实施例中，通过响应于对象推荐指令，显示当前对象推荐页面、以及采集目标用户的人脸图像，并基于人脸图像、以及预先训练的情绪识别模型，确定目标用户的情绪识别结果。因此，人脸图像是目标用户浏览当前对象推荐页面时采集的目标用户人脸的图像，也就是说，人脸图像可以实时反映目标用户浏览当前对象推荐页面时的面部表情，进而基于人脸图像确定的情绪识别结果可以实时反映目标用户浏览当前对象推荐页面时的情绪。因此，基于情绪识别结果来确定后续的对象推荐页面(即待展示的页面)目标推荐对象，可以更匹配目标用户的实时需求，进而提高对象的推荐准确性。

在一个实施例中，预先训练的情绪识别模型包括至少一个一级情绪识别子模型、以及二级情绪识别子模型；基于预先训练的情绪识别模型对采集到的人脸图像进行情绪识别，得到目标用户的人脸图像对应的情绪识别结果包括：

针对每张人脸图像，将人脸图像输入至各一级情绪识别子模型，得到各一级情绪识别子模型对应的初始情绪识别结果；将各初始情绪识别结果输入至二级情绪识别子模型，得到人脸图像对应的情绪识别结果。

其中，一级情绪识别子模型是预先训练的一级情绪识别子模型；二级情绪识别子模型是预先训练的二级情绪识别子模型；

本申请实施例中，针对每张人脸图像，终端将人脸图像输入至预先训练的情绪识别模型中的各一级情绪识别子模型，输出各预先训练的一级情绪识别子模型对应的初始情绪识别结果。可选的，初始情绪识别结果可以是一个情绪值，也可以是具体某种情绪。在一个实施例中，初始情绪识别结果是情绪值，其中，情绪值越大表示情绪越积极。在另一个实施例中，初始情绪识别结果是具体某种情绪，例如，初始情绪识别结果可以是积极情绪，也可以是消极情绪。终端将各初始情绪识别结果输入至预先训练的情绪识别模型中的二级情绪识别子模型，输出人脸图像对应的情绪识别结果。其中，情绪识别结果可以包括多种情绪，例如积极情绪、消极情绪以及普通情绪等等。在一个实施例中，情绪识别结果是积极情绪或者消极情绪。

本实施例中，通过各预先训练的一级情绪识别子模型来对人脸图像进行初步的情绪识别，得到各初始情绪识别结果；再基于预先训练的二级情绪识别子模型来对各初始情绪识别结果进行最终的情绪识别。这样，可以融合多个一级情绪识别子模型来进行最终的情绪识别，降低单个一级情绪识别子模型带来的误差，提高情绪识别模型的情绪识别的准确性。

在一个实施例中，预先训练的对象推荐模型包括至少一个一级对象推荐子模型、以及二级对象推荐子模型；响应于对象推荐指令之后，还包括

将目标用户数据输入至各一级对象推荐子模型，得到各一级对象推荐子模型对应的一级推荐对象的对象类别；将各一级推荐对象的对象类别输入至二级对象推荐子模型，得到初始推荐对象的对象类别；基于初始推荐对象的对象类别，确定每个待展示对象推荐页面的初始推荐对象。

其中，目标用户数据是目标用户的用户数据。

本申请实施例中，终端将目标用户数据输入至各一级对象推荐子模型，输出各一级对象推荐子模型对应的一级推荐对象的对象类别，并将各一级推荐对象的对象类别输入至二级对象推荐子模型，输出二级推荐对象的对象类别，将二级推荐对象的对象类别作为初始推荐对象的对象类别。其中，一级对象推荐子模型是预先训练的一级对象推荐子模型；二级对象推荐子模型是预先训练的二级对象推荐子模型。针对每一个待展示对象推荐页面，终端根据初始推荐对象的对象类别、以及待展示对象推荐页面的初始推荐对象的对象数目，在推荐对象数据库中，搜索匹配该初始推荐对象的对象类别对应的待推荐对象。可以理解，二级对象推荐子模型输出的二级推荐对象的对象类别可以是一个，也可以是多个。

本实施例中，通过各一级对象推荐子模型对目标用户的目标用户数据进行初步推荐预测，得到各一级推荐对象的对象类别，并基于二级对象推荐子模型对各一级推荐对象的对象类别进行最终的推荐预测。这样，可以融合多个一级对象推荐子模型来进行推荐预测，降低单个一级对象推荐子模型带来的误差，提高预先训练的对象推荐模型的推荐预测的准确性。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的推荐对象的确定方法的推荐对象的确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个推荐对象的确定装置实施例中的具体限定可以参见上文中对于推荐对象的确定方法的限定，在此不再赘述。

在一个实施例中，如图4所示，提供了一种推荐对象的确定装置，装置包括：

获取模块402，用于获取目标用户对应的情绪识别结果；情绪识别结果是基于预先训练的情绪识别模型对目标用户浏览历史对象推荐页面时采集的人脸图像识别得到的；

第一确定模块404，用于在目标用户对应的情绪识别结果中，确定满足预设积极情绪条件的目标情绪识别结果，将目标情绪识别结果对应的历史对象推荐页面作为目标对象推荐页面；

第二确定模块406，用于基于目标对象推荐页面包含的目标对象类别确定待推荐对象，并展示包含待推荐对象的待展示对象推荐页面。

在一个实施例中，目标对象推荐页面用于构建目标对象推荐页面集；第二确定模块406具体用于：

针对目标对象推荐页面集中各目标对象推荐页面，根据预设的更新权重分配策略、各目标对象推荐页面的页码、以及待展示对象推荐页面的页码，确定每个目标对象推荐页面的推荐权重；

根据各目标对象推荐页面的对象类别对应的目标对象类别比例、以及各目标对象推荐页面的推荐权重，确定目标对象推荐页面集的目标对象类别比例；

根据目标对象类别比例、以及预设的更新对象数目，确定待推荐对象。

在一个实施例中，情绪识别结果用于构建情绪识别结果集；第一确定模块404具体用于：

在情绪识别结果集中，存在连续预设第一数目个情绪识别结果为积极情绪的情况下，将情绪识别结果集中的情绪识别结果作为目标情绪识别结果集的目标情绪识别结果，并将目标情绪识别结果对应的历史对象推荐页面作为目标对象推荐页面；其中，情绪识别结果集中各情绪识别结果的排列顺序与情绪识别结果对应的人脸图像在人脸图像集中的排列顺序相同；人脸图像集中各人脸图像的排列顺序是基于人脸图像对应的采集时间的先后顺序确定的。

在一个实施例中，推荐对象的确定装置还包括：

发送模块，用于在目标用户对应的情绪识别结果中，存在连续预设第二数目个情绪识别为消极情绪的情况下，发送包含推荐对象终端位置数据的人工服务提示信息至客服终端。

在一个实施例中，第二确定模块406具体用于：

基于待推荐对象对待展示对象推荐页面中的初始推荐对象进行更新处理，并展示更新后的包含待推荐对象的待展示对象推荐页面；初始推荐对象是基于预先训练的对象推荐模型对目标用户的目标用户数据确定的。

在一个实施例中，预先训练的对象推荐模型包括至少一个一级对象推荐子模型、以及二级对象推荐子模型；推荐对象的确定装置还包括：

第三确定模块，用于根据预设的组合模型标识的生成策略、以及预设的标识数目，确定组合模型标识集；

第四确定模块，用于针对组合模型标识集中每个组合模型标识，根据预设的标识位与一级对象推荐子模型的对应关系，在一级对象推荐子模型集中，确定组合模型标识对应的组合模型；组合模型包括组合模型标识的各标识位对应的一级对象推荐子模型；

第五确定模块，用于根据组合模型、以及二级对象推荐子模型，确定初始对象推荐模型；

第六确定模块，用于基于样本用户数据集对各初始对象推荐模型进行验证处理，确定各初始对象推荐模型的适应度值；

第七确定模块，用于根据预设的遗传算法、各适应度值、组合模型标识集、以及预设的迭代停止条件，确定最高适应度值对应的初始对象推荐模型，得到预先训练的对象推荐模型。

在一个实施例中，推荐对象的确定装置还包括：

响应模块，具体用于响应于对象推荐指令，显示当前对象推荐页面，并采集目标用户的人脸图像；

情绪识别模块，用于基于预先训练的情绪识别模型对采集到的人脸图像进行情绪识别，得到目标用户的人脸图像对应的情绪识别结果。

在一个实施例中，预先训练的情绪识别模型包括至少一个一级情绪识别子模型、以及二级情绪识别子模型；情绪识别模块具体用于：

针对每张人脸图像，将人脸图像输入至各一级情绪识别子模型，得到各一级情绪识别子模型对应的初始情绪识别结果；

将各初始情绪识别结果输入至二级情绪识别子模型，得到人脸图像对应的情绪识别结果。

在一个实施例中，预先训练的对象推荐模型包括至少一个一级对象推荐子模型、以及二级对象推荐子模型；推荐对象的确定装置还包括：

输入模块，用于将目标用户数据输入至各一级对象推荐子模型，得到各一级对象推荐子模型对应的一级推荐对象的对象类别；将各一级推荐对象的对象类别输入至二级对象推荐子模型，得到初始推荐对象的对象类别；

第八确定模块，用于基于初始推荐对象的对象类别，确定每个待展示对象推荐页面的初始推荐对象。

上述推荐对象的确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种推荐对象的确定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，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各方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。