一种推荐对象数据的获取方法、装置及电子设备与流程

本申请涉及计算机
技术领域：
，具体涉及一种推荐对象数据的获取方法、装置及电子设备。
背景技术：
：随着科技的快速发展，生活物质水平不断提高，与此同时，出现了越来越多的对象以供用户进行选择。具体而言，在为用户进行对象推荐时，一般是通过与用户相关的历史对象数据来选择对象，然后将选择的对象推荐给用户。目前，一般将用户浏览、选择等处理行为涉及的对象数据作为与用户相关的历史对象数据。然而，如果用户处理的对象数据的数量较少，或者针对对象数据的处理次数较少，或者，这些对象数据被所有用户处理的次数较少，在此基础上，仍然将这些对象数据作为与用户相关的历史对象数据，那么最后向用户推荐的对象有可能不会是用户真正需要的对象，由此导致向用户推断对象的准确度较低。技术实现要素：本申请实施例提供一种推荐对象数据的获取方法，以提高向用户推荐对象的准确度。第一方面，本申请实施例提供一种推荐对象数据的获取方法，应用于服务端或者客户端，所述方法包括：获得目标用户信息以及与所述目标用户信息关联的历史对象数据；根据所述目标用户信息和/或所述历史对象数据对应的属性信息，对所述历史对象数据进行数据扩充处理，获得扩充对象数据；根据所述扩充对象数据获得目标对象数据，确定所述目标对象数据与所述目标用户信息之间的相关度；如果所述相关度满足相关度条件，则将所述目标对象数据作为与所述目标用户信息对应的推荐对象数据。可选的，所述根据所述目标用户信息，对所述历史对象数据进行数据扩充处理，获得扩充对象数据，包括：将所述历史对象数据与所述目标用户信息进行合并处理，获得所述扩充对象数据。可选的，所述获得目标用户信息以及与所述目标用户信息关联的历史对象数据，包括：获得所述目标用户信息对应的目标用户搜索的第一历史对象数据、所述目标用户选择的第二历史对象数据和所述目标用户信息对应的候选购物对象中的第三历史对象数据；所述将所述历史对象数据与所述目标用户信息进行合并处理，获得所述扩充对象数据，包括：将所述第一历史对象数据、所述第二历史对象数据、所述第三历史对象数据与所述目标用户信息进行合并处理，获得扩充对象数据序列，在所述扩充对象数据序列中，所述第一历史对象数据的相邻前一个位置上的元素、所述第二历史对象数据的相邻前一个位置上的元素、所述第三历史对象数据的相邻前一个位置上的元素都为所述目标用户信息。可选的，所述根据所述扩充对象数据获得目标对象数据，确定所述目标对象数据与所述目标用户信息之间的相关度，包括：分别根据所述第一历史对象数据、所述第二历史对象数据、所述第三历史对象数据，获得第一目标对象数据、第二目标对象数据、第三目标对象数据；分别确定所述第一目标对象数据与所述目标用户信息之间的第一相关度、所述第二目标对象数据与所述目标用户信息之间的第二相关度、所述第三目标对象数据与所述目标用户信息之间的第三相关度。可选的，所述获得目标用户信息以及与所述目标用户信息关联的历史对象数据，包括：获得与所述目标用户信息对应的订单信息中的历史对象数据；所述将所述历史对象数据与所述目标用户信息进行合并处理，获得所述扩充对象数据，包括：将所述订单信息中的历史对象数据与所述目标用户信息进行合并处理。可选的，所述根据所述历史对象数据对应的属性信息，对所述历史对象数据进行数据扩充处理，获得扩充对象数据，包括：将所述历史对象数据对应的多个属性特征进行合并处理，获得所述扩充对象数据。可选的，所述将所述历史对象数据对应的多个属性特征进行合并处理，获得所述扩充对象数据，包括：将所述历史对象数据对应的多个属性特征和所述目标用户信息进行合并处理，获得所述扩充对象数据。可选的，所述历史对象数据对应的多个属性特征包括所述历史对象数据所属的类目数据和所述历史对象数据所属的品牌数据。可选的，还包括：将所述历史对象数据作为属性特征预测模型的输入数据，获得所述历史对象数据对应的属性特征，所述属性特征预测模型是用于根据历史对象数据获得历史对象数据对应的属性特征的模型。可选的，所述根据所述扩充对象数据获得目标对象数据，确定所述目标对象数据与所述目标用户信息之间的相关度，包括：获得用于对所述目标用户信息进行向量表示的目标用户信息向量，并根据所述扩充对象数据，获得用于对所述扩充对象数据进行向量表示的扩充对象数据向量；基于所述扩充对象数据向量，获得对所述目标对象数据进行向量表示的目标对象数据向量；根据所述目标对象数据向量和所述目标用户信息向量，确定所述目标对象数据与所述目标用户信息之间的相关度。可选的，所述根据所述扩充对象数据，获得用于对所述扩充对象数据进行向量表示的扩充对象数据向量，包括：将所述扩充对象数据作为对象数据向量预测模型的输入数据，获得用于对所述扩充对象数据进行向量表示的扩充对象数据向量，所述对象数据向量预测模型是用于根据对象数据预测对象数据向量的模型。可选的，所述将所述扩充对象数据作为对象数据向量预测模型的输入数据，获得用于对所述扩充对象数据进行向量表示的扩充对象数据向量，包括：获得所述扩充对象数据对应的第一向量、与所述扩充对象数据相对的第一负样本数据对应的第一向量、与所述扩充对象数据相对的第二负样本数据对应的第一向量，所述第一负样本数据是从全量对象数据中选择的与所述扩充对象数据相对的负样本数据，所述第二负样本数据是与所述扩充对象数据满足相同预设条件的、且与所述扩充对象数据相对的负样本数据；根据所述扩充对象数据对应的第一向量、所述第一负样本数据对应的第一向量和所述第二负样本数据对应的第一向量，获得第一目标值；如果所述第一目标值不满足目标值条件，则获得所述扩充对象数据对应的第二向量、所述第一负样本数据对应的第二向量、所述第二负样本数据对应的第二向量；根据所述扩充对象数据对应的第二向量、所述第一负样本数据对应的第二向量和所述第二负样本数据对应的第二向量，获得第二目标值；如果所述第二目标值满足目标值条件，则将所述扩充对象数据对应的第二向量作为所述扩充对象数据向量，否则，获得所述扩充对象数据对应的第三向量、所述第一负样本数据对应的第三向量、所述第二负样本数据对应的第三向量，以此类推，直至得到满足所述目标值条件的目标值为止。可选的，所述根据所述扩充对象数据对应的第一向量、所述第一负样本数据对应的第一向量和所述第二负样本数据对应的第一向量，获得第一目标值，包括：获得所述扩充对象数据对应的第一向量与所述扩充对象数据正相关的正样本数据对应的第一向量的第一乘积结果，将所述第一乘积结果的负值作为第一自然指数函数的指数，将所述第一自然指数函数与预设常数相加，获得第一和值，将所述第一和值作为第一对数函数的对数，获得第一对数函数的值；获得所述扩充对象数据对应的第一向量与所述第一负样本数据对应的第一向量的第一乘积结果，将所述第一乘积结果作为第二自然指数函数的指数，将所述第二自然指数函数与所述预设常数相加，获得第二和值，将所述第二和值作为第二对数函数的对数，获得第二对数函数的值；获得所述扩充对象数据对应的第一向量与所述第二负样本数据对应的第一向量的第二乘积结果，将所述第二乘积结果作为第三自然指数函数的指数，将所述第三自然指数函数与所述预设常数相加，获得第三和值，将所述第三和值作为第三对数函数的对数，获得第三对数函数的值；将所述第一对数函数的值、所述第二对数函数的值、所述第三对数函数的值相加，获得所述第一目标值。可选的，所述根据所述目标对象数据向量和所述目标用户信息向量，确定所述目标对象数据与所述目标用户信息之间的相关度，包括：计算所述目标对象数据向量和所述目标用户信息向量之间的距离；根据所述距离确定所述目标对象数据与所述目标用户信息之间的相关度。可选的，所述根据所述目标对象数据向量和所述目标用户信息向量，确定所述目标对象数据与所述目标用户信息之间的相关度，包括：将所述目标对象数据向量和所述目标用户信息向量作为向量相关度预测模型的输入数据，获得所述目标对象数据与所述目标用户信息之间的相关度，所述向量相关度预测模型是用于预测向量相关度的模型。可选的，所述满足相同预设条件是指满足相同预设地理范围。可选的，若所述方法应用于服务端，则所述方法还包括：将与所述目标用户信息对应的推荐对象数据提供给客户端。第二方面，本申请实施例提供一种推荐对象数据的获取装置，应用于服务端或者客户端，所述装置包括：第一数据获得单元，用于获得目标用户信息以及与所述目标用户信息关联的历史对象数据；第二数据获得单元，用于根据所述目标用户信息和/或所述历史对象数据对应的属性信息，对所述历史对象数据进行数据扩充处理，获得扩充对象数据；相关度确定单元，用于根据所述扩充对象数据获得目标对象数据，确定所述目标对象数据与所述目标用户信息之间的相关度；推荐对象数据获得单元，用于如果所述相关度满足相关度条件，则将所述目标对象数据，作为与所述目标用户信息对应的推荐对象数据。第三方面，本申请实施例提供一种电子设备，应用于服务端或者客户端，所述电子设备包括：处理器；存储器，用于存储计算机程序，该计算机程序被处理器运行，执行上述第一方面本申请实施例提供的推荐对象数据的获取方法。第四方面，本申请实施例提供一种计算机存储介质，应用于服务端或者客户端，所述计算机存储介质存储有计算机程序，该计算机程序被处理器运行，执行上述第一方面本申请实施例提供的推荐对象数据的获取方法。与现有技术相比，本申请实施例具有以下优点：本申请实施例提供一种推荐对象数据的获取方法，应用于服务端或者客户端，所述方法包括：获得目标用户信息以及与目标用户信息关联的历史对象数据；根据目标用户信息和/或历史对象数据对应的属性信息，对历史对象数据进行数据扩充处理，获得扩充对象数据；根据扩充对象数据获得目标对象数据，确定目标对象数据与目标用户信息之间的相关度；如果相关度满足相关度条件，则将目标对象数据作为与目标用户信息对应的推荐对象数据。在本申请实施例中，针对与目标用户信息关联的历史对象数据进行数据扩充处理，即，在与目标用户信息关联的历史对象数据的基础上，扩充一些数据作为与目标用户信息关联的对象数据，利用扩充对象数据确定目标对象数据，确定目标对象数据与目标用户信息之间的相关度，从而确定是否将目标对象数据作为与目标用户信息对应的推荐对象数据，这样可以解决因与目标用户信息关联的历史对象数据不充分而导致的向用户推荐对象准确度较低的问题。附图说明为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。图1为本申请第一实施例的推荐对象数据的获取方法的应用场景示意图。图2为本申请第一实施例的推荐对象数据的获取方法的流程图。图3为本申请第二实施例的推荐对象数据的获取装置的示意图。图4为本申请第三实施例的推荐对象数据的获取电子设备示意图。具体实施方式在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此，本申请不受下面公开的具体实施的限制。本申请提供的一些实施例可以应用于服务端或者客户端。请参照图1，其为本申请提供的推荐对象数据的获取方法的应用场景示意图，以在服务端执行图1的流程图进行说明。本场景实施例可以用于以下场景，个人用户(也可以是商家用户)在提供商品的应用程序上搜索、点击、加购以及购买商品。由于用户在应用程序上搜索、点击、加购以及购买商品的数目以及种类有限，而提供商品的应用程序能够提供商品的种类繁多，如何向用户推荐应用程序中的商品数据成为本场景实施例解决的问题。向用户推荐应用程序中的商品数据时，每个用户被推荐的商品数据可能不同，主要是由于在推荐时利用了用户在应用程序中的搜索、点击、加购以及购买商品的数据作为推荐基础，由于每个用户的搜索、点击、加购以及购买商品的数据不同，因此每个用户得到的推荐商品数据可能不同。以图1为例，首先获得目标用户搜索记录数据与目标用户订单记录数据，以及该目标用户embedding，其中目标用户embedding为目标用户信息的初始向量表示形式。之后，将目标用户搜索记录数据与目标用户订单记录数据，以及该目标用户embedding进行集成序列数据处理，并输入skip-gram模型架构进行样本数据训练。在skip-gram模型架构训练时，需要大量的样本数据，然而针对一个目标用户的搜索记录数据与订单记录数据是有限的，即skip-gram模型架构训练的样本数据较为稀疏。在本场景实施例中，针对数据稀疏的问题，对目标用户搜索记录数据与目标用户订单记录数据进行了数据扩充处理。扩充处理可以是采用核心词提取模型提取目标用户搜索记录数据与目标用户订单记录数据的商品的核心词，从而建立商品信息与商品品名、商品品牌之间的关系，从而将一个商品信息用商品品名、商品品牌替换，这样由商品信息组成的数据序列可以直接替换为商品品名与商品品牌组成的数据序列，这样可以将数据序列增加一倍长度。或者，也可以在目标用户搜索记录数据与目标用户订单记录数据组成的数据序列中的每一个元素前增加目标用户信息，此处目标用户信息是指目标用户搜索记录或者目标用户订单记录所对应的目标用户的信息。通过这种方式，也可以将数据序列增加一倍长度。通过这两种形式，可以将输入skip-gram模型架构训练的样本数据进行扩充，以解决样本数据较为稀疏从而造成无法输出有效的embedding结果，进而无法向目标用户有效推荐商品的问题。同时，由于为了更加凸显同一商圈内不同类别下商品的差异，在使用skip-gram模型架构进行训练时，进行了目标函数优化。现有的skip-gram模型架构的目标函数，仅仅采用正样本数据与随机抽样负样本数据进行运算。然而，随机抽样负样本抽样形式为不限制任何条件的随机抽取方式，即从全量商品中随机抽取负样本，导致在采用本申请skip-gram模型架构进行目标函数运算时，利用输出的embedding结果对目标用户进行商品数据推荐时，无法凸显同一商圈内不同类别下商品的差异。因此，在请skip-gram模型架构的目标函数进行了优化改进，在目标函数中增加了对同一商圈不同于正样本数据类别的负样本的运算。关于该部分的详细阐述参见第一实施例的目标函数优化相关部分。在获得输出embedding结果后，根据embedding结果分别获得表示目标用户信息的user向量以及获得表示与目标用户相关的商品信息的item向量。通过user向量与item向量的距离，也可以通过两者的概率，确定向用户推荐的商品数据。在本申请实施例中，针对与目标用户信息关联的历史商品数据进行数据扩充处理，即，在与目标用户信息关联的历史商品数据的基础上，扩充一些数据作为与目标用户信息关联的商品数据，利用扩充商品数据确定目标商品数据，然后，确定目标商品数据与目标用户信息之间的相关度，从而确定是否将目标商品数据作为与目标用户信息对应的推荐商品数据，这样可以解决因与目标用户信息关联的历史商品数据不充分而导致的向用户推荐商品准确度较低的问题。同时，在采用skip-gram模型架构进行目标函数运算时，对目标函数进行了优化处理。因此采用本实施例推荐对象数据的获取方法向目标用户推荐商品数据时，能够更加凸显同一商圈内不同类别下商品的差异。需要说明的是，应用场景仅仅为一个实施例，提供此应用场景实施例的目的是便于理解本申请的推荐对象数据的获取方法，而并非用于限定本申请的推荐对象数据的获取方法。本申请提供推荐对象数据的获取方法、装置，电子设备，以及计算机存储介质。以下为具体实施例。如图2所示，其为本申请第一实施例的一种推荐对象数据的获取方法的流程图，该方法能够应用于服务端或者客户端，该方法包括如下步骤。步骤s201：获得目标用户信息以及与目标用户信息关联的历史对象数据。在采用本实施例的方法获得推荐对象数据时，首先获得用户目标信息以及与目标用户信息关联的历史对象数据。在实际中，存在各种各样需要向用户进行推荐的场景。为了便于理解本实施例的方法，以将该方法应用在向目标用户推荐商品数据的应用程序为例进行说明。当然，该实施例的方法同样适用于其它推荐场景中，例如，可以应用在向目标用户进行商品数据推荐或者菜品数据推荐的电商场景或者线下商铺场景中，也可以应用在向目标用户推荐其它物品数据的场景中。可以理解的是，本实施例的方法可以应用于与推荐有关的任何场景，并非仅限于在应用程序中向目标用户推荐商品数据。在本实施例中，该应用程序能够提供大量商品以供目标用户进行选择，目标用户可以是在该应用程序中有历史使用记录的商家用户或者个人用户，例如某个商家用户在该应用程序中有购买商品的历史记录，或者某个个人用户在该应用程序中有浏览商品或者加入商品至购物车的历史记录。在该应用程序中，假设会有大量的商品，并且每天会有大量的上新的商品。但目标用户在该应用程序中的历史使用记录对应的商品数据有限，或者，目标用户不能及时掌握一些新的商品的上线信息，导致在该应用程序中的大部分商品信息不能被目标用户掌握。因此需要将应用程序的商品数据推荐给目标用户。在向目标用户进行推荐商品数据时，需要将与目标用户信息匹配的商品数据推荐给目标用户，以使得推荐的商品数据与目标用户关联度较高。在向目标用户推荐商品数据时，可以通过与目标用户相关的历史商品数据来向目标用户推荐商品数据。因此，首先需要获得目标用户信息以及与目标用户信息关联的历史对象数据，即与目标用户相关联的历史商品数据。作为获得目标用户信息以及与目标用户信息关联的历史对象数据的其中一种方式，可以是获得目标用户信息对应的目标用户搜索的第一历史对象数据、目标用户选择的第二历史对象数据和目标用户信息对应的候选购物对象中的第三历史对象数据。具体地，目标用户信息可以是将商品进行推荐时所指向的用户的信息。例如，可以是个人用户a的id信息或者用户a的年龄、性别等属性信息；也可以是商家b的id信息。当然除了id信息外，还可以商家b的店铺的大小等关于商家的属性信息。与目标用户信息关联的历史对象数据包括目标用户搜索的第一历史对象数据、目标用户选择的第二历史对象数据和目标用户信息对应的候选购物对象中的第三历史对象数据。具体地，若当前目标用户为用户a，则目标用户搜索的第一历史对象数据可以是用户a在该应用程序搜索商品涉及的搜索商品数据，目标用户选择的第二历史对象数据可以是用户a在该应用程序点击的商品数据，目标用户信息对应的候选购物对象中的第三历史对象数据可以是用户a在该应用程序加购的商品数据。在上述的目标用户搜索的第一历史对象数据、目标用户选择的第二历史对象数据和目标用户信息对应的候选购物对象中的第三历史对象数据可以归纳为与目标用户信息关联的下单之前的历史商品数据。进一步地，与目标用户信息关联的历史对象数据还可以是与目标用户信息对应的订单信息中的历史对象数据。即与目标用户信息关联的已经下单的历史商品数据。例如可以是目标用户已经购买的商品数据。在本实施例中，可以将与目标用户信息关联的下单之前的历史商品数据以及与目标用户信息关联的已经下单的历史商品数据，共同作为与目标用户信息关联的历史对象数据。步骤s202：根据目标用户信息和/或历史对象数据对应的属性信息，对历史对象数据进行数据扩充处理，获得扩充对象数据。在本实施例中，对于与目标用户信息关联的历史对象数据样本稀疏的情形，采用对历史对象数据进行数据扩充处理的方式，获得扩充对象数据。并以扩充对象数据作为后续的向量预测模型的输入数据，从而保证利用向量预测模型输出的结果，使最终获得的推荐对象数据与目标用户信息之间的相关度较高。对历史对象数据进行数据扩充处理获得扩充对象数据的方式有多种。作为对历史对象数据进行数据扩充处理获得扩充对象数据的其中一种方式，可以是将历史对象数据与目标用户信息进行合并处理，获得扩充对象数据。由于步骤s201获得与目标用户信息关联的历史对象数据，可以是获得第一历史对象数据、第二历史对象数据或者第三历史对象数据。因此，在获得目标用户信息、第一历史对象数据、第二历史对象数据或者第三历史对象数据后，作为将历史对象数据与目标用户信息进行合并处理，获得扩充对象数据的一种方式，可以是将第一历史对象数据、第二历史对象数据、第三历史对象数据与目标用户信息进行合并处理，获得扩充对象数据，在此处，扩充对象数据可以是指扩充对象数据序列。其中，在扩充对象数据序列中，第一历史对象数据的相邻前一个位置上的元素、第二历史对象数据的相邻前一个位置上的元素、第三历史对象数据的相邻前一个位置上的元素都为目标用户信息。具体地，上述扩充对象数据序列的方式举例如下。现将目标用户j在某一次从进入应用程序到退出应用程序作为一个session，某一个session内目标用户j的搜索商品、点击商品、加购商品行为数据如下表1。产生时间行为：2019-09-1010:10:01进入应用程序2019-09-1010:12:13搜索词：鸡肉2019-09-1010:13:00点击：itemid：4538928，鸡大胸3斤装2019-09-1010:13:12加购：itemid：4568473，鸡胸肉10斤装2019-09-1010:13:30搜索词：琵琶腿2019-09-1010:13:35加购：itemid：4568112，冻琵琶腿10斤装2019-09-1010:14:29点击：itemid：4583721，冻鸡大腿2019-09-1010:15:00退出应用程序表1从上表中可以得到目标用户j在该session内行为数据序列为：鸡肉→鸡大胸3斤装→鸡胸肉10斤装→琵琶腿→冻琵琶腿10斤装→冻鸡大腿。现将目标用户j在该session内的搜索商品、点击商品、加购商品按照行为发生时间顺序组成一个数据序列。对于session数据而言，目标用户j在session内产生的数据序列为：sj＝(lj1,lj2,…,ljn)(1)上述数据序列称之为数据序列(1)，其中n为序列长度，ljn为与目标用户j信息关联的历史对象数据。在此处，将目标用户j在session内产生的数据称之为正样本数据。由于目标用户j在一个session内的数据序列长度有限，该序列的长度是远远小于输入skip-gram模型进行正常训练所需的样本数据序列长度，即一个session内的数据也非常稀疏。在此处，需要说明的是，将目标用户j在某一次从进入应用程序到退出应用程序作为一个session，并以此session内的数据进行构造数据序列，主要是目标用户j在某一次从进入应用程序到退出应用程序过程中所产生的商品行为数据之间的相关度较高。对于上述数据稀疏的情形，将目标用户信息嵌入，这样数据序列(1)转变为数据序列(2)，数据序列(2)如下：sj＝(uj,lj1,uj,lj2,…,uj,ljn)(2)将目标用户j一个session内的具体商品数据代入数据序列(1)，其为(鸡肉，鸡大胸3斤装，鸡胸肉10斤装，琵琶腿，冻琵琶腿10斤装，冻鸡大腿)；将目标用户信息嵌入，代入数据序列(2)，数据序列变为：(目标用户j，鸡肉，目标用户j，鸡大胸3斤装，目标用户j，鸡胸肉10斤装，目标用户j，琵琶腿，目标用户j，冻琵琶腿10斤装，目标用户j，冻鸡大腿)。上述数据序列称之为数据序列(2)，其中序列长度变为2n，uj为目标用户信息，ljn为与目标用户j信息关联的历史对象数据。由于数据序列(2)与数据序列(1)的数据序列相比，其长度变为数据序列(1)的2倍，相当于是对数据序列(1)进行了扩充，数据序列(2)输入skip-gram模型进行训练输出的结果相比于数据序列(1)的输出结果，能够使得获得的推荐对象数据与目标用户信息之间的相关度提高。因此，通过上述方式将商品数据序列进行扩充，在使用skip-gram模型进行样本数据训练时，解决了因样本数据稀疏造成获得的推荐对象数据与目标用户信息之间的相关度较差的问题。在上述实例中，详细阐述了将目标用户信息嵌入进行数据序列扩充的方式。在该方式中，数据序列(1)中的与目标用户信息关联的历史对象数据为目标用户下单前的与目标用户相关的历史商品数据，为了进一步扩充数据序列，还可以将目标用户订单信息中的历史对象数据作为与目标用户信息关联的历史对象数据。另外，也可以单独将用户订单信息中的历史对象数据与目标用户信息进行合并处理。将下单前的与标用户信息关联的历史对象数据以及目标用户订单信息中的历史对象数据分开，以将与目标用户信息关联程度不同的商品数据进行区分，从而分别推荐给目标用户。作为对历史对象数据进行数据扩充处理获得扩充对象数据的另外一种方式，可以是：将历史对象数据对应的多个属性特征进行合并处理，获得扩充对象数据。其中，历史对象数据对应的多个属性特征包括历史对象数据所属的类目数据和历史对象数据所属的品牌数据。更具体地，将历史对象数据对应的多个属性特征进行合并处理，获得扩充对象数据，可以是将历史对象数据对应的多个属性特征和目标用户信息进行合并处理，获得扩充对象数据。上述扩充对象数据的方式举例如下。现将某一个历史对象数据为例，说明如何将历史对象数据对应的多个属性特征进行合并处理，获得扩充对象数据。某一个历史对象数据对应的多个属性特征，例如“a品牌黄豆酱”对应的多个属性特征如表2所示。品名：黄豆酱品牌：a品牌规格：100ml表2从表2中可以看出，“a品牌黄豆酱”的商品数据可以转换为用品名与品牌替换，即“黄豆酱”与“a品牌”。此时可以将数据序列(1)中的lji用品名pmi和品牌ppi来代替，即数据序列(1)转换为：sj＝(uj,pmj1,ppj1,uj,pmj2,ppj2,…,uj,pmjn,ppjn)(3)若目标用户j一个session内的具体商品数据信息代入数据序列(1)，在具体商品数据信息为a品牌黄豆酱、a品牌蚝油、b品牌豆瓣酱时，将目标用户信息嵌入后，数据序列(3)为：(目标用户j，黄豆酱，a品牌，目标用户j，蚝油，a品牌，目标用户j，豆瓣酱，b品牌)。即将上述中ljn替换为pmjn与ppjn这样的元组对。如果商品数据没有品牌词，则ppjn设为空即可。这样，数据序列(3)相比于数据序列(1)，长度增长了两倍。相当于是对数据序列(1)进行了扩充，数据序列(3)输入skip-gram模型进行训练输出的结果相比于数据序列(1)的输出结果，能够使得获得的推荐对象数据与目标用户信息之间的相关度提高。因此，通过上述方式将数据序列进行扩充，在使用skip-gram模型进行样本数据训练时，解决了因样本数据稀疏造成获得的推荐对象数据与目标用户信息之间的相关度较差的问题。上述数据序列(1)是以目标用户在一个session内的数据构造的数据序列，在进行数据扩充时，获得数据序列(2)与数据序列(3)。但上述数据序列能体现目标用户在短时间内的商品需求，无法反应目标用户长期的商品需求。而对于应用程序的大量商品而言，目标用户不同session之间所涉及的商品数据上存在很大的关联性。因此，可以提取目标用户j在一段时间内的与目标用户j信息关联的历史对象数据，在对历史对象数据进行扩充时，仅将商品数据转换为用品名与品牌，可以不必嵌入目标用户信息。此时获得的数据序列为：sj＝(pmj1,ppj1,pmj2,ppj2,…,pmjt,ppjt)(4)sj为目标用户j一段时间内产生的数据序列，该数据序列可以反应目标用户j在一段时间内的长期商品需求。上述扩充数据序列的方式，涉及获得历史对象数据对应的属性特征，具体地，获得历史对象数据对应的属性特征可以是将历史对象数据作为属性特征预测模型的输入数据，从而获得历史对象数据对应的属性特征，其中，属性特征预测模型是用于根据历史对象数据获得历史对象数据对应的属性特征的模型。例如，在获得与目标用户相关联的历史商品数据后，可以将历史商品数据输入核心词提取模型来获得商品的品牌品名信息。当然，也可以采用其他现有的模型或者技术方法获得历史对象数据对应的属性特征。步骤s203：根据扩充对象数据获得目标对象数据，确定目标对象数据与目标用户信息之间的相关度。在步骤s202获得扩充对象数据后，根据扩充对象数据获得目标对象数据，确定目标对象数据与目标用户信息之间的相关度。作为根据扩充对象数据获得目标对象数据，确定目标对象数据与目标用户信息之间的相关度，可以是：首先，分别根据第一历史对象数据、第二历史对象数据、第三历史对象数据，获得第一目标对象数据、第二目标对象数据、第三目标对象数据；之后，分别确定第一目标对象数据与目标用户信息之间的第一相关度、第二目标对象数据与目标用户信息之间的第二相关度、第三目标对象数据与目标用户信息之间的第三相关度。由于在步骤s201中，已经详细阐述了与目标用户信息关联的历史对象数据可以是第一历史对象数据、第二历史对象数据以及第三历史对象数据，同时在步骤s202中介绍了仅将目标用户信息嵌入作为数据扩充处理的一种方式获得扩充对象数据，针对该数据扩充方式，目标对象数据就是与目标用户信息关联的历史对象数据，换言之，目标对象数据即为第一目标对象数据、第二目标对象数据、第三目标对象数据。因此，确定目标对象数据与目标用户信息之间的相关度仅需要分别确定第一目标对象数据与目标用户信息之间的第一相关度、第二目标对象数据与目标用户信息之间的第二相关度、第三目标对象数据与目标用户信息之间的第三相关度即可。更具体地，作为根据扩充对象数据获得目标对象数据，确定目标对象数据与目标用户信息之间的相关度，可以按照如下描述的方式。首先，获得用于对目标用户信息进行向量表示的目标用户信息向量，并根据扩充对象数据，获得用于对扩充对象数据进行向量表示的扩充对象数据向量。之后，基于扩充对象数据向量，获得对目标对象数据进行向量表示的目标对象数据向量。再之后，根据目标对象数据向量和目标用户信息向量，确定目标对象数据与目标用户信息之间的相关度。其中，需要说明的是，在上述推荐商品的场景中，由于扩充数据是如上述所示例的包括多个元素的数据序列，扩充数据中的每个元素都对应存在向量表示。而对于每个元素的向量，需要寻找最合适的向量表示，进而根据每个元素最合适的向量表示获得目标对象数据向量。同时，需要说明的是，在获得目标对象数据向量和目标用户信息向量后，根据目标对象数据向量和目标用户信息向量，确定目标对象数据与目标用户信息之间的相关度，确定两者之间的相关度可以是指计算目标对象数据向量和目标用户信息向量的距离，并根据距离确定目标对象数据与目标用户信息之间的相关度。在实际中，由于目标用户信息向量与目标对象数据向量在同一个向量空间训练得到，因而目标用户信息向量与目标对象数据向量之间的距离可以表示目标用户对目标对象的喜好程度。并且向量之间距离越小，目标用户对目标对象的喜好程度越高。除了采用向量之间的距离衡量相关度，还可以采用如下方式获得两者的相关度：将目标对象数据向量和目标用户信息向量作为向量相关度预测模型的输入数据，获得目标对象数据与目标用户信息之间的相关度，向量相关度预测模型是用于预测向量相关度的模型。例如，可以将目标用户信息向量与多个目标推荐商品的向量输入向量相关度预测模型中，分别获得每个目标推荐商品的向量与目标用户信息向量的相关度，这个相关度也可以理解为目标用户信息向量对应的用户针对目标推荐商品进行浏览、选择、购买等操作的概率。具体地，根据扩充对象数据，获得用于对扩充对象数据进行向量表示的扩充对象数据向量，可以是将扩充对象数据作为对象数据向量预测模型的输入数据，获得用于对扩充对象数据进行向量表示的扩充对象数据向量，对象数据向量预测模型是用于根据对象数据预测对象数据向量的模型。在本实施例中，采用现有的skip-gram模型作为对象数据向量预测模型。但是在该模型对应的目标函数上进行了优化，以使得模型的输出结果更符合本实施例的场景。其优化目标函数如下：其中，表示与扩充对象数据对应的正样本数据集合，表示与扩充对象数据相对的第一负样本数据集合，表示与扩充对象数据相对的第二负样本数据集合。vl表示扩充对象数据对应的向量，即：扩充数据序列中的每个元素的向量表示，vc′表示与扩充对象数据正相关的正样本数据对应的第一向量，具体可以是指扩充对象数据中与vl正相关的元素对应的第一向量，表示第一负样本数据对应的向量，表示第二负样本数据对应的向量。第一负样本数据是从全量对象数据中选择的与扩充对象数据相对的负样本数据，第二负样本数据是与扩充对象数据满足相同预设条件的、且与扩充对象数据相对的负样本数据。满足相同预设条件可以是指满足相同预设地理范围。例如，对于商品数据而言，第二负样本数据可以是与扩充商品数据不同类别但是与扩充商品数据属于同一商圈的商品数据。本实施例在向用户推荐商品的场景中，由于目标用户在销售商品的应用程序中所针对商品的点击、收藏、浏览以及购买商品的历史行为数据较为稀疏，同时，对于某个商品而言，其被用户点击、收藏、浏览以及购买的历史记录也较为稀疏，因此，在向目标用户推荐商品时，本实施例是基于与目标用户相关联的历史商品数据进行扩充，获得扩充商品数据序列。然后，针对扩充数据序列中的每个元素，通过上述目标函数获得每个元素最合适的向量化表示。然后，基于每个元素最合适的向量化表示获得目标商品向量。再之后，基于目标商品向量和目标用户信息向量，即可获得目标商品数据与目标用户信息之间的相关度。最终，基于相关度获得向用户推荐的目标商品数据。例如，若用户1之前浏览并购买了黄豆酱、豆瓣酱以及鸡翅，那么可以将黄豆酱、豆瓣酱以及鸡翅作为与用户1关联的历史商品数据，假设通过分析发现，黄豆酱可以是a品牌黄豆酱，豆瓣酱可以是b品牌豆瓣酱，鸡翅可以是c品牌鸡翅，那么可以对历史商品数据进行扩充处理，得到扩充数据序列，即：用户1，a品牌，黄豆酱；用户1，b品牌，豆瓣酱；用户1，c品牌，鸡翅。之后，可以基于上述目标函数分别获得用户1、a品牌、b品牌、c品牌、黄豆酱、豆瓣酱、鸡翅这七个元素的最合适的向量表示。具体的，可以将每个元素的各种向量表示代入到上述目标函数中，对于每个元素而言，选择使得目标函数取得最大值时的向量表示作为该元素最合适的向量表示。在现有的skip-gram模型中，其目标函数仅为：在本实施例中，其优化后的目标函数增加了下述的一项，即增加了：因此采用优化后的模型输出的结果可以凸显某一商圈内不同类别下商品的差异，以更好地为目标用户推荐商品数据。更具体地，本实施例中将扩充对象数据作为skip-gram模型的输入数据，获得用于对扩充对象数据进行向量表示的扩充对象数据向量，可以按照如下方式对skip-gram模型的优化目标函数进行迭代。首先，获得扩充对象数据对应的第一向量、与扩充对象数据相对的第一负样本数据对应的第一向量、与扩充对象数据相对的第二负样本数据对应的第一向量。之后，根据扩充对象数据对应的第一向量、第一负样本数据对应的第一向量和第二负样本数据对应的第一向量，获得第一目标值。如果第一目标值不满足目标值条件，则获得扩充对象数据对应的第二向量、第一负样本数据对应的第二向量、第二负样本数据对应的第二向量。再之后，根据扩充对象数据对应的第二向量、第一负样本数据对应的第二向量和第二负样本数据对应的第二向量，获得第二目标值；如果第二目标值满足目标值条件，则将扩充对象数据对应的第二向量作为扩充对象数据向量，否则，获得扩充对象数据对应的第三向量、第一负样本数据对应的第三向量、第二负样本数据对应的第三向量，以此类推，直至得到满足目标值条件的目标值为止。在本实施例中，满足目标值条件可以是指迭代次数已到预设的迭代次数，或者说，采用skip-gram模型，输入的数据对应的输出结果数据的误差在预设的误差范围之内。当然，通过目标值条件可以获得扩充对象数据序列中的每个元素的最合适的向量表示，进而获得目标对象数据向量。在获得扩充对象数据序列中的每个元素的最合适的向量表示时，需要将每个元素的各种向量表示通过上述目标函数进行迭代，对于每个元素而言，选择使得目标函数取得最大值的向量作为该元素最合适的向量表示。作为根据扩充对象数据对应的第一向量、第一负样本数据对应的第一向量和第二负样本数据对应的第一向量，获得第一目标值的方式，其具体实施方式描述如下。请参照上述优化目标函数公式，首先，获得扩充对象数据对应的第一向量与扩充对象数据正相关的正样本数据对应的第一向量的第一乘积结果，将第一乘积结果的负值作为第一自然指数函数的指数，将第一自然指数函数与预设常数相加，获得第一和值，将第一和值作为第一对数函数的对数，获得第一对数函数的值同时，获得扩充对象数据对应的第一向量与第一负样本数据对应的第一向量的第一乘积结果，将第一乘积结果作为第二自然指数函数的指数，将第二自然指数函数与所述预设常数相加，获得第二和值，将第二和值作为第二对数函数的对数，获得第二对数函数的值与以上两种获得第一对数函数的值与第二对数函数的值的方式类似的方式，获得扩充对象数据对应的第一向量与第二负样本数据对应的第一向量的第二乘积结果，将第二乘积结果作为第三自然指数函数的指数，将第三自然指数函数与预设常数相加，获得第三和值，将第三和值作为第三对数函数的对数，获得第三对数函数的值最终，将第一对数函数的值、第二对数函数的值、第三对数函数的值相加，获得第一目标值。skip-gram模型采用优化目标函数迭代之后，根据输入的扩充对象数据，输出embedding结果。需要说明的是，embedding结果对应的即为扩充对象数据序列中的每个元素的最合适的向量化表示。在输出的embedding结果中包含有目标用户信息向量、品名信息向量以及品牌信息向量。将目标用户信息向量可以直接作为生成user向量，当然，目标用户信息向量也可以选择目标用户信息初始向量。任意选择一个品名信息向量以及一个品牌信息向量取平均作为生成item向量，生成item向量即为目标对象数据向量。当然，在生成目标对象数据向量后，例如在生成一个目标商品向量后，可以预先判断应用程序中是否存在该目标商品，如果存在，判断该目标商品数据与目标用户信息的相关度。在上述获得目标对象数据的方式中，均为基于与目标用户相关的历史对象数据获得的。即首先基于与目标用户相关的历史对象数据获得扩充对象数据，进而根据扩充对象数据获得目标对象数据。作为获得目标对象数据的另外的实施方式，还可以获得其他用户信息对应的目标对象数据，并将其他用户信息对应的目标对象数据作为与目标用户信息计算相关度的目标对象数据。当然，还可以将目标用户信息相关的扩充对象数据序列中的元素与其他用户信息相关的扩充对象数据序列中的元素进行组合，以获得目标对象数据。步骤s204：如果相关度满足相关度条件，则将目标对象数据作为与目标用户信息对应的推荐对象数据。在步骤s203确定目标对象数据与目标用户信息之间的相关度后，根据相关度预设条件，将目标对象数据作为与目标用户信息对应的推荐对象数据。其中，相关度满足相关度条件，可以是指向量之间的距离满足预设的距离阈值或者向量的概率满足预设条件。例如，通过目标用户j相关的扩充对象数据向量，获得了“a品牌豆瓣酱”对应的商品向量与目标用户j信息向量相关度满足相关度条件，则可以将a品牌豆瓣酱推荐给目标用户j。若上述推荐对象数据方法实施例应用于服务端，则在获得目标用户信息对应的推荐对象数据后，将推荐对象数据提供给客户端。在本申请实施例中，针对与目标用户信息关联的历史对象数据进行数据扩充处理，即，在与目标用户信息关联的历史对象数据的基础上，扩充一些数据作为与目标用户信息关联的对象数据，利用扩充对象数据确定目标对象数据，确定目标对象数据与目标用户信息之间的相关度，从而确定是否将目标对象数据作为与目标用户信息对应的推荐对象数据，这样可以解决因与目标用户信息关联的历史对象数据不充分而导致的向用户推荐对象准确度较低的问题。同时由于对skip-gram模型的目标函数进行了优化，更能体现同一商圈内推荐商品的差异性。在上述的第一实施例中，提供了一种推荐对象数据的获取方法，与之相对应的，本申请提供一种推荐对象数据的获取装置。如图3所示，其为本申请第二实施例的一种推荐对象数据的获取装置的示意图。由于装置实施例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。下述描述的装置实施例仅仅是示意性的。本申请第二实施例提供一种推荐对象数据的获取装置，应用于服务端或者客户端，所述装置包括：第一数据获得单元301，用于获得目标用户信息以及与所述目标用户信息关联的历史对象数据。第二数据获得单元302，用于根据所述目标用户信息和/或所述历史对象数据对应的属性信息，对所述历史对象数据进行数据扩充处理，获得扩充对象数据。相关度确定单元303，用于根据所述扩充对象数据获得目标对象数据，确定所述目标对象数据与所述目标用户信息之间的相关度。推荐对象数据获得单元304，用于如果所述相关度满足相关度条件，则将所述目标对象数据，作为与所述目标用户信息对应的推荐对象数据。可选的，所述第二数据获得单元，具体用于：将所述历史对象数据与所述目标用户信息进行合并处理，获得所述扩充对象数据。可选的，所述第一数据获得单元，具体用于：获得所述目标用户信息对应的目标用户搜索的第一历史对象数据、所述目标用户选择的第二历史对象数据和所述目标用户信息对应的候选购物对象中的第三历史对象数据；所述第二数据获得单元，具体用于：将所述第一历史对象数据、所述第二历史对象数据、所述第三历史对象数据与所述目标用户信息进行合并处理，获得扩充对象数据序列，在所述扩充对象数据序列中，所述第一历史对象数据的相邻前一个位置上的元素、所述第二历史对象数据的相邻前一个位置上的元素、所述第三历史对象数据的相邻前一个位置上的元素都为所述目标用户信息。可选的，所述相关度确定单元，具体用于：分别根据所述第一历史对象数据、所述第二历史对象数据、所述第三历史对象数据，获得第一目标对象数据、第二目标对象数据、第三目标对象数据；分别确定所述第一目标对象数据与所述目标用户信息之间的第一相关度、所述第二目标对象数据与所述目标用户信息之间的第二相关度、所述第三目标对象数据与所述目标用户信息之间的第三相关度。可选的，所述第一数据获得单元，具体用于：获得与所述目标用户信息对应的订单信息中的历史对象数据；所述第二数据获得单元，具体用于：将所述订单信息中的历史对象数据与所述目标用户信息进行合并处理。可选的，所述第二数据获得单元，具体用于：将所述历史对象数据对应的多个属性特征进行合并处理，获得所述扩充对象数据。可选的，所述第二数据获得单元，具体用于：将所述历史对象数据对应的多个属性特征和所述目标用户信息进行合并处理，获得所述扩充对象数据。可选的，所述历史对象数据对应的多个属性特征包括所述历史对象数据所属的类目数据和所述历史对象数据所属的品牌数据。可选的，还包括属性特征获得单元；所述属性特征获得单元，用于将所述历史对象数据作为属性特征预测模型的输入数据，获得所述历史对象数据对应的属性特征，所述属性特征预测模型是用于根据历史对象数据获得历史对象数据对应的属性特征的模型。可选的，所述相关度确定单元，具体用于：获得用于对所述目标用户信息进行向量表示的目标用户信息向量，并根据所述扩充对象数据，获得用于对所述扩充对象数据进行向量表示的扩充对象数据向量；基于所述扩充对象数据向量，获得对所述目标对象数据进行向量表示的目标对象数据向量；根据所述目标对象数据向量和所述目标用户信息向量，确定所述目标对象数据与所述目标用户信息之间的相关度。可选的，所述相关度确定单元，具体用于：将所述扩充对象数据作为对象数据向量预测模型的输入数据，获得用于对所述扩充对象数据进行向量表示的扩充对象数据向量，所述对象数据向量预测模型是用于根据对象数据预测对象数据向量的模型。可选的，所述相关度确定单元，具体用于：获得所述扩充对象数据对应的第一向量、与所述扩充对象数据相对的第一负样本数据对应的第一向量、与所述扩充对象数据相对的第二负样本数据对应的第一向量，所述第一负样本数据是从全量对象数据中选择的与所述扩充对象数据相对的负样本数据，所述第二负样本数据是与所述扩充对象数据满足相同预设条件的、且与所述扩充对象数据相对的负样本数据；根据所述扩充对象数据对应的第一向量、所述第一负样本数据对应的第一向量和所述第二负样本数据对应的第一向量，获得第一目标值；如果所述第一目标值不满足目标值条件，则获得所述扩充对象数据对应的第二向量、所述第一负样本数据对应的第二向量、所述第二负样本数据对应的第二向量；根据所述扩充对象数据对应的第二向量、所述第一负样本数据对应的第二向量和所述第二负样本数据对应的第二向量，获得第二目标值；如果所述第二目标值满足目标值条件，则将所述扩充对象数据对应的第二向量作为所述扩充对象数据向量，否则，获得所述扩充对象数据对应的第三向量、所述第一负样本数据对应的第三向量、所述第二负样本数据对应的第三向量，以此类推，直至得到满足所述目标值条件的目标值为止。可选的，所述相关度确定单元，具体用于：获得所述扩充对象数据对应的第一向量与所述扩充对象数据正相关的正样本数据对应的第一向量的第一乘积结果，将所述第一乘积结果的负值作为第一自然指数函数的指数，将所述第一自然指数函数与预设常数相加，获得第一和值，将所述第一和值作为第一对数函数的对数，获得第一对数函数的值；获得所述扩充对象数据对应的第一向量与所述第一负样本数据对应的第一向量的第一乘积结果，将所述第一乘积结果作为第二自然指数函数的指数，将所述第二自然指数函数与所述预设常数相加，获得第二和值，将所述第二和值作为第二对数函数的对数，获得第二对数函数的值；获得所述扩充对象数据对应的第一向量与所述第二负样本数据对应的第一向量的第二乘积结果，将所述第二乘积结果作为第三自然指数函数的指数，将所述第三自然指数函数与所述预设常数相加，获得第三和值，将所述第三和值作为第三对数函数的对数，获得第三对数函数的值；将所述第一对数函数的值、所述第二对数函数的值、所述第三对数函数的值相加，获得所述第一目标值。可选的，所述相关度确定单元，具体用于：计算所述目标对象数据向量和所述目标用户信息向量之间的距离；根据所述距离确定所述目标对象数据与所述目标用户信息之间的相关度。可选的，所述相关度确定单元，具体用于：将所述目标对象数据向量和所述目标用户信息向量作为向量相关度预测模型的输入数据，获得所述目标对象数据与所述目标用户信息之间的相关度，所述向量相关度预测模型是用于预测向量相关度的模型。可选的，所述满足相同预设条件是指满足相同预设地理范围。可选的，若所述装置应用于服务端，则所述装置还包括提供单元；所述提供单元，用于将与所述目标用户信息对应的推荐对象数据提供给客户端。在本申请实施例中，针对与目标用户信息关联的历史对象数据进行数据扩充处理，即，在与目标用户信息关联的历史对象数据的基础上，扩充一些数据作为与目标用户信息关联的对象数据，利用扩充对象数据确定目标对象数据，确定目标对象数据与目标用户信息之间的相关度，从而确定是否将目标对象数据作为与目标用户信息对应的推荐对象数据，这样可以解决因与目标用户信息关联的历史对象数据不充分而导致的向用户推荐对象准确度较低的问题。同时由于对skip-gram模型的目标函数进行了优化，更能体现同一商圈内推荐商品的差异性。本申请第一实施例给出了一种推荐对象数据的获取方法，本申请第三实施例给出了与第一实施例方法对应的电子设备。如图4所示，其示出了本实施例电子设备示意图。本实施例提供一种电子设备，应用于服务端或者客户端，所述电子设备包括：处理器401；存储器402，用于存储计算机程序，该计算机程序被处理器运行，执行上述第一方面本申请实施例提供的推荐对象数据的获取方法。在本申请实施例中，针对与目标用户信息关联的历史对象数据进行数据扩充处理，即，在与目标用户信息关联的历史对象数据的基础上，扩充一些数据作为与目标用户信息关联的对象数据，利用扩充对象数据确定目标对象数据，确定目标对象数据与目标用户信息之间的相关度，从而确定是否将目标对象数据作为与目标用户信息对应的推荐对象数据，这样可以解决因与目标用户信息关联的历史对象数据不充分而导致的向用户推荐对象准确度较低的问题。同时由于对skip-gram模型的目标函数进行了优化，更能体现同一商圈内推荐商品的差异性。本申请第一实施例给出了一种推荐对象数据的获取方法，本申请第四实施例给出了与第一实施例方法对应的计算机存储介质。本实施例提供一种计算机存储介质，应用于服务端或者客户端，所述计算机存储介质存储有计算机程序，该计算机程序被处理器运行，执行上述第一方面本申请实施例提供的推荐对象数据的获取方法。在本申请实施例中，针对与目标用户信息关联的历史对象数据进行数据扩充处理，即，在与目标用户信息关联的历史对象数据的基础上，扩充一些数据作为与目标用户信息关联的对象数据，利用扩充对象数据确定目标对象数据，确定目标对象数据与目标用户信息之间的相关度，从而确定是否将目标对象数据作为与目标用户信息对应的推荐对象数据，这样可以解决因与目标用户信息关联的历史对象数据不充分而导致的向用户推荐对象准确度较低的问题。同时由于对skip-gram模型的目标函数进行了优化，更能体现同一商圈内推荐商品的差异性。本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读存储媒体(non-transitorycomputerreadablestoragemedia)，如调制的数据信号和载波。2、本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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用存储介质(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的形式。当前第1页12