对象推荐方法、装置、电子设备及存储介质与流程

1.本公开涉及互联网应用技术领域，尤其涉及一种对象推荐方法、装置、电子设备及存储介质。


背景技术：

2.随着互联网应用的发展，越来越多的平台在进行对象的推荐，例如在短视频平台进行广告的推荐、作品的推荐等。相关技术中，基于推荐宣传的内容与对象的实际内容应当一致，需对宣传内容进行验证处理，但一方面推荐对象的量级较大，另一方面某些推荐对象需要深入参与才能确认是否一致，导致服务器处理压力大，推荐效率较低。


技术实现要素：

3.本公开提供一种对象推荐方法、装置、电子设备及存储介质，以至少解决相关技术中如何提升对象推荐的效率问题。本公开的技术方案如下：根据本公开实施例的第一方面，提供一种对象推荐方法，包括：获取多个待推荐对象以及所述多个待推荐对象各自对应的第一推荐参数信息；其中，所述待推荐对象对应的第一推荐参数信息是基于所述待推荐对象的历史反馈行为信息、历史反馈内容中至少一个内容关联信息以及所述至少一个内容关联信息在所述历史反馈内容中的重要程度信息得到的；根据所述第一推荐参数信息，确定所述多个待推荐对象的推荐指标信息；基于所述推荐指标信息，对所述多个待推荐对象进行推荐处理。
4.在一种可能的实现方式中，所述至少一个内容关联信息为至少一个内容分词；在所述获取多个待推荐对象以及所述多个待推荐对象各自对应的第一推荐参数信息步骤之前，所述方法还包括：获取所述待推荐对象的所述历史反馈内容和所述历史反馈行为信息；从所述历史反馈内容中提取所述至少一个内容分词；确定所述内容分词在所述历史反馈内容中的重要程度信息；基于所述至少一个内容分词、所述至少一个内容分词在所述历史反馈内容中的重要程度信息和所述历史反馈行为信息，确定所述多个待推荐对象各自对应的第一推荐参数信息。
5.在一种可能的实现方式中，所述基于所述至少一个内容分词、所述至少一个内容分词在所述历史反馈内容中的重要程度信息和所述历史反馈行为信息，确定所述多个待推荐对象各自对应的第一推荐参数信息步骤包括：将所述至少一个内容分词、所述至少一个内容分词在所述历史反馈内容中的重要程度信息和所述历史反馈行为信息输入推荐参数预测模型，进行推荐参数预测处理，得到所述多个待推荐对象各自对应的第一推荐参数信息。
6.在一种可能的实现方式中，所述方法还包括：
获取所述多个待推荐对象各自对应的第二推荐参数信息，所述第二推荐参数信息表征所述多个待推荐对象的预设推荐优先级信息；所述根据所述第一推荐参数信息，确定所述多个待推荐对象的推荐指标信息步骤包括：根据所述第一推荐参数信息和所述第二推荐参数信息，确定所述多个待推荐对象的所述推荐指标信息。
7.在一种可能的实现方式中，所述根据所述第一推荐参数信息和所述第二推荐参数信息，确定所述多个待推荐对象的所述推荐指标信息步骤包括：基于所述第二推荐参数信息，确定所述第一推荐参数信息对应的权重信息；根据所述第二推荐参数信息、所述第一推荐参数信息以及所述对应的权重信息，确定所述多个待推荐对象的所述推荐指标信息。
8.在一种可能的实现方式中，所述根据所述第一推荐参数信息和所述第二推荐参数信息，确定所述多个待推荐对象的所述推荐指标信息包括：获取推荐参数阈值；从所述多个待推荐对象中获取所述第一推荐参数信息低于所述推荐参数阈值的第一目标对象以及所述第一推荐参数信息高于或等于所述推荐参数阈值的第二目标对象；根据所述第二推荐参数信息，确定所述第一目标对象的第一推荐指标信息；根据所述第一推荐参数信息和所述第二推荐参数信息，确定所述第二目标对象的第二推荐指标信息；根据所述第一推荐指标信息和所述第二推荐指标信息，确定所述多个待推荐对象的所述推荐指标信息。
9.根据本公开实施例的第二方面，提供一种对象推荐装置，包括：第一推荐参数信息获取模块，被配置为执行获取多个待推荐对象以及所述多个待推荐对象各自对应的第一推荐参数信息；其中，所述待推荐对象对应的第一推荐参数信息是基于所述待推荐对象的历史反馈行为信息、历史反馈内容中至少一个内容关联信息以及所述至少一个内容关联信息在所述历史反馈内容中的重要程度信息得到的；推荐指标信息确定模块，被配置为执行根据所述第一推荐参数信息，确定所述多个待推荐对象的推荐指标信息；推荐模块，被配置为执行基于所述推荐指标信息，对所述多个待推荐对象进行推荐处理。
10.在一种可能的实现方式中，所述至少一个内容关联信息为至少一个内容分词；所述装置还包括：历史反馈获取模块，被配置为执行获取所述待推荐对象的所述历史反馈内容和所述历史反馈行为信息；分词模块，被配置为执行从所述历史反馈内容中提取所述至少一个内容分词；重要程度信息确定模块，被配置为执行确定所述内容分词在所述历史反馈内容中的重要程度信息；推荐参数信息预设模块，被配置为执行基于所述至少一个内容分词、所述至少一个内容分词在所述历史反馈内容中的重要程度信息和所述历史反馈行为信息，确定所述多
个待推荐对象各自对应的第一推荐参数信息。
11.在一种可能的实现方式中，所述推荐参数信息预设模块包括：推荐参数信息预设单元，被配置为执行将所述至少一个内容分词、所述至少一个内容分词在所述历史反馈内容中的重要程度信息和所述历史反馈行为信息输入推荐参数预测模型，进行推荐参数预测处理，得到所述多个待推荐对象各自对应的第一推荐参数信息。
12.在一种可能的实现方式中，所述装置还包括：第二推荐参数信息获取模块，被配置为执行获取所述多个待推荐对象各自对应的第二推荐参数信息，所述第二推荐参数信息表征所述多个待推荐对象的预设推荐优先级信息；所述推荐指标信息确定模块包括：推荐指标信息确定单元，被配置为执行根据所述第一推荐参数信息和所述第二推荐参数信息，确定所述多个待推荐对象的所述推荐指标信息。
13.在一种可能的实现方式中，所述推荐指标信息确定单元包括：权重信息确定子单元，被配置为执行基于所述第二推荐参数信息，确定所述第一推荐参数信息对应的权重信息；推荐指标信息确定子单元，被配置为执行根据所述第二推荐参数信息、所述第一推荐参数信息以及所述对应的权重信息，确定所述多个待推荐对象的所述推荐指标信息。
14.在一种可能的实现方式中，所述推荐指标信息确定单元包括：推荐参数阈值获取子单元，被配置为执行获取推荐参数阈值；对象划分子单元，被配置为执行从所述多个待推荐对象中获取所述第一推荐参数信息低于所述推荐参数阈值的第一目标对象以及所述第一推荐参数信息高于或等于所述推荐参数阈值的第二目标对象；第一推荐指标信息确定子单元，被配置为执行根据所述第二推荐参数信息，确定所述第一目标对象的第一推荐指标信息；第二推荐指标信息确定子单元，被配置为执行根据所述第一推荐参数信息和所述第二推荐参数信息，确定所述第二目标对象的第二推荐指标信息；推荐指标信息确定子单元，被配置为还执行根据所述第一推荐指标信息和所述第二推荐指标信息，确定所述多个待推荐对象的所述推荐指标信息。
15.根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如上述第一方面中任一项所述的方法。
16.根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行本公开实施例的第一方面中任一所述方法。
17.根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机指令，所述计算机指令被处理器执行时，使得计算机执行本公开实施例的第一方面中任一项所述方法。
18.本公开的实施例提供的技术方案至少带来以下有益效果：
通过多个待推荐对象各自对应的第一推荐参数信息，确定推荐指标信息，并基于推荐指标信息推荐多个待推荐对象，且多个待推荐对象各自对应的第一推荐参数信息是基于多个待推荐对象的历史反馈行为信息、历史反馈内容中至少一个内容关联信息以及所述至少一个内容关联信息在所述历史反馈内容中的重要程度信息得到的，既可以提升第一推荐参数信息的精准度，又可以通过历史反馈信息快速了解待推荐对象的内容，从而可以降低处理压力，提升效率；另外，可以实现基于推荐指标信息对多个待推荐对象进行差异化推荐处理，提高对象推荐的灵活性和推荐效果。
19.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
20.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
21.图1是根据一示例性实施例示出的一种应用环境的示意图。
22.图2是根据一示例性实施例示出的一种第一推荐参数信息确定方法的流程图。
23.图3是根据一示例性实施例示出的一种对象推荐方法的流程图。
24.图4是根据一示例性实施例示出的一种对象推荐方法的流程图。
25.图5是根据一示例性实施例示出的一种根据第一推荐参数信息和第二推荐参数信息，确定多个待推荐对象的推荐指标信息的方法流程图。
26.图6是根据一示例性实施例示出的一种根据第一推荐参数信息和第二推荐参数信息，确定多个待推荐对象的推荐指标信息的方法流程图。
27.图7是根据一示例性实施例示出的一种对象推荐装置框图。
28.图8是根据一示例性实施例示出的一种用于对象推荐的电子设备的框图。
具体实施方式
29.为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
30.需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或 描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
31.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。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
32.近年来，随着人工智能技术研究和进步，人工智能技术在多个领域得到广泛应用，本申请实施例提供的方案涉及机器学习/深度学习等技术，具体通过如下实施例进行说明：
请参阅图1，图1是根据一示例性实施例示出的一种应用环境的示意图，如图1所示，该应用环境可以包括服务器01和终端02。
33.在一个可选的实施例中，服务器01可以用于对象推荐处理。具体的，服务器01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、cdn（content delivery network，内容分发网络）、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。
34.在一个可选的实施例中，终端02可以用于展示推荐的对象。具体的，终端02可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmented reality，ar)/虚拟现实(virtual reality，vr)设备、智能可穿戴设备等类型的电子设备。可选的，电子设备上运行的操作系统可以包括但不限于安卓系统、ios系统、linux、windows等。
35.此外，需要说明的是，图1所示的仅仅是本公开提供的图像处理方法的一种应用环境。
36.本说明书实施例中，上述服务器01以及终端02可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
37.需要说明的是，以下图中示出的是一种可能的步骤顺序，实际上并不限定必须严格按照此顺序。有些步骤可以在互不依赖的情况下并行执行。本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息、用户行为信息等)和数据(包括但不限于用于展示的数据、训练的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
38.图2是根据一示例性实施例示出的一种第一推荐参数信息确定方法的流程图。如图2所示，可以包括以下步骤。
39.在步骤s201中，获取待推荐对象的历史反馈内容和历史反馈行为信息。
40.本说明书实施例中，待推荐对象可以是平台中用于推荐或投放的对象，可以是多个待推荐对象中的任一个。其中，对象可以是广告、多媒体等，该多媒体可以包括短视频、长视频、图文等，本公开对此不作限定。平台可以是电商平台、多媒体资源平台等。历史反馈内容可以是指平台中用户对待推荐对象的反馈内容，例如可以包括历史评论信息；在待推荐对象为视频形式的情况下，历史反馈内容还可以包括历史弹幕信息等。历史评论信息可以是指平台中用户对待推荐对象进行评论的信息，该历史评论信息可以是文本评论信息。历史弹幕信息可以是指平台中播放待推荐对象的界面中弹出的信息。待推荐对象的历史反馈行为信息可以是指平台中用户对待推荐对象的反馈操作信息，例如点赞、不喜欢等反馈操作信息，比如反馈操作对应的时间信息、次数信息等。
41.实际应用中，为了降低平台的处理压力以及提高推荐效率和推荐效果，可以预先确定平台中对象的第一推荐参数信息，以便在对象被推荐时使用预先确定的第一推荐参数信息进行对象的推荐。基于此，可以获取多个待推荐对象各自的历史反馈内容和历史反馈行为信息，从而可以基于历史反馈内容和历史反馈行为信息，得到多个待推荐对象各自对应的第一推荐参数信息。可选地，可以存储多个待推荐对象各自对应的第一推荐参数信息以便于对象推荐时使用。
42.在步骤s203中，从历史反馈内容中提取至少一个内容分词。
43.本说明书实施例中，可以对历史反馈内容进行分词处理，从而可以从历史反馈内容中提取至少一个内容分词，本公开对分词处理方式不作限定。
44.在步骤s205中，确定内容分词在历史反馈内容中的重要程度信息。
45.本说明书实施例中，为了保证任一内容分词对第一推荐参数信息的有效影响程度，可以对内容分词进行处理，例如可以确定任一内容分词在历史评论信息中的重要程度信息。在一个示例中，可以基于tfidf(term frequency
–
inverse document frequency，词频
‑
逆文本频率指数)确定任一内容分词在历史反馈内容中的重要程度信息，例如可以利用下面公式(1)确定任一内容分词在历史反馈内容中的重要程度信息：其中，可以是第j个待推荐对象的历史反馈内容中第i个内容分词在该历史反馈内容中的重要程度信息；可以是第j个待推荐对象的历史反馈内容中第i个内容分词的数量；可以是第j个待推荐对象的历史反馈内容中的全部内容分词的数量；w可以是多个待推荐对象的历史反馈内容的总数量；可以是多个待推荐对象的历史反馈内容中包括该第i个内容分词的历史反馈内容的数量；i和j可以是大于0的整数。
46.在步骤s207中，基于至少一个内容分词、至少一个内容分词在历史反馈内容中的重要程度信息和历史反馈行为信息，确定多个待推荐对象各自对应的第一推荐参数信息。
47.实际应用中，可以对至少一个内容分词、至少一个内容分词在历史反馈内容中的重要程度信息和历史反馈行为信息进行统计处理，例如，可以统计至少一个内容分词中重要程序信息高于重要程度阈值的目标内容分词，确定目标内容分词的类型，比如正反馈分词或负反馈分词；还可以统计历史反馈行为信息中的正反馈行为次数和负反馈行为次数。进一步地，可以基于正反馈分词的数量、负反馈分词的数量、正反馈行为次数和负反馈行为次数，确定对应的第一推荐参数信息。在一个示例中，可以预先设置正反馈分词的数量、负反馈分词的数量、正反馈行为次数以及负反馈行为次数与第一推荐参数信息之间的对应关系，从而可以基于该对应关系，确定对应的第一推荐参数信息。其中，第一推荐参数信息可以表征待推荐对象的内容一致性程度，例如，在第一推荐参数信息为数值的情况下，第一推荐参数信息与内容一致性程度可以为负相关的关系。
48.通过内容分词、内容分词在历史反馈内容中的重要程度信息以及历史反馈行为信息，确定第一推荐参数信息，使得第一推荐参数信息可以更精准的表征待推荐对象被推荐的优先级，从而可以提升对象推荐效果。
49.在一种可能的实现方式中，上述s207可以包括：将至少一个内容分词、至少一个内容分词在历史反馈内容中的重要程度信息和历史反馈行为信息输入推荐参数预测模型，进行推荐参数预测处理，得到多个待推荐对象各自对应的第一推荐参数信息。
50.其中，上述推荐参数预测模型可以是基于训练样本集对预设机器学习模型进行训练得到的，该训练样本集可以包括多个样本数据以及对应的推荐参数标签，一个样本数据
可以是一个样本对象的样本历史反馈信息，推荐参数标签可以为数值，该数值可以在预设数值范围内，本公开对预设数值范围不作限定。
51.在一个示例中，样本历史反馈信息可以包括多个样本内容分词、多个样本内容分词在样本历史反馈内容中的重要程度信息以及样本历史反馈行为信息。这里多个样本内容分词、多个样本内容分词在样本历史反馈内容中的重要程度信息以及样本历史反馈行为信息的获取方式，可以参见上述步骤s201~s205，在此不再赘述。
52.在一个示例中，考虑样本历史反馈信息是稀疏特征，预设机器学习模型可以选择为fm(factorization machine，因子分解机)模型，该fm模型是一种基于矩阵分解的机器学习模型，对于稀疏数据具有很好的学习能力，进而可以提高推荐参数预测模型的预测精度。这里仅仅是一个示例，本公开对预设机器学习模型不作限定。
53.实际应用中，推荐参数标签可以是通过人工标注的，例如可以预先设置推荐参数判定标准，比如对象的描述信息与对象的内容不一致。举例来说，一个游戏广告的描述信息是钓鱼游戏，用户下载后发现是角色扮演游戏，这样可以认为该游戏广告的描述信息与游戏的内容不一致，从而可以将该游戏广告的推荐参数标签标注为较高数值。
54.可选地，该推荐参数预测模型的训练可以是周期性进行的，例如每天进行训练，使得推荐参数预测模型可以得到周期性更新，以适应平台中不断更新的对象的预测，保证推荐参数预测模型的精准度。
55.进一步地，可以获取测试样本集，该测试样本集可以包括多个验证样本数据以及对应的推荐参数标签。从而可以基于该测试样本集对训练好的推荐参数预测模型进行测试，获取测试结果，若测试结果满足预设条件，可以确定该推荐参数预测模型的测试为通过；若测试结果不满足预设条件，可以继续对推荐参数预测模型进行训练至测试结果满足预设条件。其中，预设条件可以是指预测准确率达到准确率阈值，或者模型评估指标auc(area under the curve)大于指标阈值，本公开对此不作限定。
56.通过推荐参数预测模型确定多个待推荐对象各自对应的第一推荐参数信息，既保证了第一推荐参数信息的准确性，又提升了预测效率，可以有效适用平台中迅速增长的待推荐对象的推荐需求。
57.图3是根据一示例性实施例示出的一种对象推荐方法的流程图。如图3所示，该对象推荐方法可以包括：在步骤s301中，获取多个待推荐对象以及多个待推荐对象各自对应的第一推荐参数信息；其中，任一待推荐对象对应的第一推荐参数信息是基于任一待推荐对象的历史反馈行为信息、历史反馈内容中至少一个内容关联信息以及至少一个内容关联信息在历史反馈内容中的重要程度信息得到的。这里的历史反馈行为信息、历史反馈内容中至少一个内容关联信息以及至少一个内容关联信息在历史反馈内容中的重要程度信息可以作为历史反馈信息。
58.本说明书实施例中，多个待推荐对象各自对应的第一推荐参数信息可以是预先通过上述步骤s201~s207得到的。例如，在每次推荐参数预测模型进行周期性更新后，可以基于当前的推荐参数预测模型对平台中的全部对象进行推荐参数预测处理，得到全部对象的第一推荐参数信息，并可以存储该第一推荐参数信息。这样在对象推荐时，可以从存储的第一推荐参数信息中，获取多个待推荐对象各自对应的第一推荐参数信息。
59.在步骤s303中，根据第一推荐参数信息，确定多个待推荐对象的推荐指标信息。
60.本说明书实施例中，推荐指标信息可以是指对象的推荐优先级信息。在一个示例中，可以根据第一推荐参数信息对多个待推荐对象进行排序处理，得到多个待推荐对象的排序结果，作为推荐指标信息。
61.需要说明的是，在第一推荐参数信息与待推荐对象的内容一致性程度成负相关的情况下，即第一推荐参数信息越高，表征对应待推荐对象的内容一致性程度越低。可以按照第一推荐参数信息从低到高的顺序，对多个待推荐对象进行排序，得到多个待推荐对象的排序结果，作为推荐指标信息。这里的推荐指标信息对应的排序越靠前，可以表征待推荐对象的推荐优先级越高，即被优先推荐。
62.在步骤s305中，基于推荐指标信息，对多个待推荐对象进行推荐处理。
63.在一个示例中，可以按照推荐指标信息顺序推荐多个待推荐对象，以保证内容一致性程度较高的待推荐对象可以被优先推荐。
64.在另一个示例中，可以基于推荐指标信息，将多个待推荐对象划分为高一致性对象和低一致性对象，并可以设置高一致性对象的展示时长高于低一致性对象的展示时长。在推荐时，可以基于该展示时长展示多个待推荐对象。其中，可以将推荐指标信息小于推荐指标阈值的待推荐对象作为高一致性对象、将推荐指标信息不小于推荐指标阈值的待推荐对象作为低一致性对象。
65.通过多个待推荐对象各自对应的第一推荐参数信息，确定推荐指标信息，并基于推荐指标信息推荐多个待推荐对象，且多个待推荐对象各自对应的第一推荐参数信息是基于多个待推荐对象的历史反馈行为信息、历史反馈内容中至少一个内容关联信息以及所述至少一个内容关联信息在所述历史反馈内容中的重要程度信息得到的，既可以提升第一推荐参数信息的精准度，又可以通过历史反馈信息快速了解待推荐对象的内容，从而可以降低处理压力，提升效率；另外，可以实现基于推荐指标信息对多个待推荐对象进行差异化推荐处理，提高对象推荐的灵活性和推荐效果。
66.图4是根据一示例性实施例示出的一种对象推荐方法的流程图。如图4所示，该对象推荐方法还可以包括：在步骤401中，获取多个待推荐对象各自对应的第二推荐参数信息，该第二推荐参数信息可以表征多个待推荐对象的预设推荐优先级信息；相应地，步骤s303可以包括：在步骤403中，根据第一推荐参数信息和第二推荐参数信息，确定多个待推荐对象的推荐指标信息。
67.实际应用中，对象可以被预先设置第二推荐参数信息，该第二推荐参数信息越高，可以表征待推荐对象被推荐的优先级越高，即第二推荐参数信息与待推荐对象被推荐的优先级可以成正相关的关系。作为一个示例，对于广告来说，可以基于广告的投放参数预先设置对应的第二推荐参数信息，本公开对预先设置的方式不作限定。
68.本说明书实施例中，可以结合预设的第二推荐参数信息和基于历史反馈的第一推荐参数信息，确定推荐指标信息。例如，可以将第二推荐参数信息与第二推荐参数信息的差值作为推荐指标信息。
69.通过结合预设的第二推荐参数信息和基于历史反馈的第一推荐参数信息，可以均
衡待推荐对象的预设推荐优先级以及基于历史反馈确定的动态推荐优先级，使得待推荐对象的推荐指标信息为动态的，可以提升推荐的有效性和推荐转化率。
70.图5是根据一示例性实施例示出的一种根据第一推荐参数信息和第二推荐参数信息，确定多个待推荐对象的推荐指标信息的方法流程图。如图5所示，在一种可能的实现方式中，该步骤s403可以包括：在步骤s501中，基于第二推荐参数信息，确定第一推荐参数信息对应的权重信息；在步骤s503中，根据第二推荐参数信息、第一推荐参数信息以及对应的权重信息，确定多个待推荐对象的推荐指标信息。
71.实际应用中，第二推荐参数信息的量级与第一推荐参数信息的量级可能不同，为了体现第一推荐参数信息对推荐指标信息所起的作用，可以基于第二推荐参数信息，确定第一推荐参数信息对应的权重信息。例如，第二推荐参数信息的量级较高、第一推荐参数信息的量级较低，这样可以将权重信息确定为较高值，以使得第一推荐参数信息与权重信息的乘积可以与第二推荐参数信息在同一个量级。这样可以更有效的体现第一推荐参数信息对推荐指标信息的影响程度。
72.本说明书实施例中，可以根据第二推荐参数信息、第一推荐参数信息以及对应的权重信息，确定多个待推荐对象的推荐指标信息。例如，可以根据下面公式(2)确定推荐指标信息p：其中，ecpm可以为第二推荐参数信息；weight可以为权重信息；predict可以为第一推荐参数信息。
73.通过基于第二推荐参数信息，动态确定第一推荐参数对应的权重信息，并根据第二推荐参数信息、第一推荐参数信息以及对应的权重信息，确定多个待推荐对象的推荐指标信息，使得推荐指标信息可以更加精准有效。
74.图6是根据一示例性实施例示出的一种根据第一推荐参数信息和第二推荐参数信息，确定多个待推荐对象的推荐指标信息的方法流程图。如图6所示，在一种可能的实现方式中，该步骤s403可以包括：在步骤s601中，获取推荐参数阈值；在步骤s603中，从多个待推荐对象中获取第一推荐参数信息低于推荐参数阈值的第一目标对象以及第一推荐参数信息高于或等于推荐参数阈值的第二目标对象；在步骤s605中，根据第二推荐参数信息，确定第一目标对象的第一推荐指标信息；在步骤s607中，根据第一推荐参数信息和第二推荐参数信息，确定第二目标对象的第二推荐指标信息；在步骤s609中，根据第一推荐指标信息和第二推荐指标信息，确定多个待推荐对象的推荐指标信息。
75.实际应用中，可以设置推荐参数阈值对多个待推荐对象进行划分，以实现待推荐对象基于第一推荐参数信息的差异化推荐。在一个示例中，在第一推荐参数信息与推荐优先级成负相关关系时，可以保持第一推荐参数信息低于推荐参数阈值的第一目标对象(高推荐优先级的待推荐对象/高质量待推荐对象)为预设的第二推荐参数信息，即可以将第一目标对象的第二推荐参数信息确定为第一目标对象的第一推荐指标信息；
进一步地，可以将第一推荐参数信息高于或等于推荐参数阈值的第二目标对象(低推荐优先级的待推荐对象/低质量待推荐对象)的第二推荐参数信息进行调整，例如可以根据第一推荐参数信息和第二推荐参数信息，确定第二目标对象的第二推荐指标信息，在一个示例中，可以将第二推荐参数信息与第一推荐参数信息的差值作为第二推荐指标信息。进而可以根据第一推荐指标信息和第二推荐指标信息，确定多个待推荐对象的推荐指标信息。例如，可以根据第一推荐指标信息和第二推荐指标信息，对多个待推荐对象进行排序，得到排序结果，从而可以将该排序结果作为多个待推荐对象的推荐指标信息。
76.通过推荐参数阈值的设置，仅对低推荐优先级的第二目标对象的第二推荐参数信息进行调整，可以基于第一推荐参数信息对多个待推荐对象的推荐指标信息进行差异化处理，提升对象推荐的灵活性和推荐有效性。
77.图7是根据一示例性实施例示出的一种对象推荐装置框图。参照图7，该装置可以包括：第一推荐参数信息获取模块701，被配置为执行获取多个待推荐对象以及多个待推荐对象各自对应的第一推荐参数信息；其中，任一待推荐对象对应的第一推荐参数信息是基于任一待推荐对象的历史反馈行为信息、历史反馈内容中至少一个内容关联信息以及至少一个内容关联信息在历史反馈内容中的重要程度信息得到的；推荐指标信息确定模块703，被配置为执行根据第一推荐参数信息，确定多个待推荐对象的推荐指标信息；推荐模块705，被配置为执行基于推荐指标信息，对多个待推荐对象进行推荐处理。
78.通过多个待推荐对象各自对应的第一推荐参数信息，确定推荐指标信息，并基于推荐指标信息推荐多个待推荐对象，且多个待推荐对象各自对应的第一推荐参数信息是基于多个待推荐对象的历史反馈行为信息、历史反馈内容中至少一个内容关联信息以及所述至少一个内容关联信息在所述历史反馈内容中的重要程度信息得到的，既可以提升第一推荐参数信息的精准度，又可以通过历史反馈信息快速了解待推荐对象的内容，从而可以降低处理压力，提升效率；另外，可以实现基于推荐指标信息对多个待推荐对象进行差异化推荐处理，提高对象推荐的灵活性和推荐效果。
79.在一种可能的实现方式中，至少一个内容关联信息为至少一个内容分词；该装置还可以包括：历史反馈获取模块，被配置为执行获取待推荐对象的历史反馈内容和历史反馈行为信息；分词模块，被配置为执行从历史反馈内容中提取至少一个内容分词；重要程度信息确定模块，被配置为执行确定内容分词在历史反馈内容中的重要程度信息；推荐参数信息预设模块，被配置为执行基于至少一个内容分词、至少一个内容分词在历史反馈内容中的重要程度信息和历史反馈行为信息，确定多个待推荐对象各自对应的第一推荐参数信息。
80.在一种可能的实现方式中，推荐参数信息预设模块可以包括：推荐参数信息预设单元，被配置为执行将至少一个内容分词、至少一个内容分词
在历史反馈内容中的重要程度信息和历史反馈行为信息输入推荐参数预测模型，进行推荐参数预测处理，得到多个待推荐对象各自对应的第一推荐参数信息。
81.在一种可能的实现方式中，该装置还可以包括：第二推荐参数信息获取模块，被配置为执行获取多个待推荐对象各自对应的第二推荐参数信息，第二推荐参数信息表征多个待推荐对象的预设推荐优先级信息；上述推荐指标信息确定模块703可以包括：推荐指标信息确定单元，被配置为执行根据第一推荐参数信息和第二推荐参数信息，确定多个待推荐对象的推荐指标信息。
82.在一种可能的实现方式中，推荐指标信息确定单元可以包括：权重信息确定子单元，被配置为执行基于第二推荐参数信息，确定第一推荐参数信息对应的权重信息；推荐指标信息确定子单元，被配置为执行根据第二推荐参数信息、第一推荐参数信息以及对应的权重信息，确定多个待推荐对象的推荐指标信息。
83.在一种可能的实现方式中，推荐指标信息确定单元可以包括：推荐参数阈值获取子单元，被配置为执行获取推荐参数阈值；对象划分子单元，被配置为执行从多个待推荐对象中获取第一推荐参数信息低于推荐参数阈值的第一目标对象以及第一推荐参数信息高于或等于推荐参数阈值的第二目标对象；第一推荐指标信息确定子单元，被配置为执行根据第二推荐参数信息，确定第一目标对象的第一推荐指标信息；第二推荐指标信息确定子单元，被配置为执行根据第一推荐参数信息和第二推荐参数信息，确定第二目标对象的第二推荐指标信息；推荐指标信息确定子单元，被配置为还执行根据第一推荐指标信息和第二推荐指标信息，确定多个待推荐对象的推荐指标信息。
84.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
85.图8是根据一示例性实施例示出的一种用于对象推荐的电子设备的框图，该电子设备可以是服务器，其内部结构图可以如图8所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该电子设备的处理器用于提供计算和控制能力。该电子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。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种对象推荐的方法。
86.本领域技术人员可以理解，图8中示出的结构，仅仅是与本公开方案相关的部分结构的框图，并不构成对本公开方案所应用于其上的电子设备的限定，具体的电子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。
87.在示例性实施例中，还提供了一种电子设备，包括：处理器；用于存储该处理器可执行指令的存储器；其中，该处理器被配置为执行该指令，以实现如本公开实施例中的对象推荐方法。
88.在示例性实施例中，还提供了一种计算机可读存储介质，当该计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行本公开实施例中的对象推荐方法。计算机可读存储介质可以是rom、随机存取存储器（ram）、cd
‑
rom、磁带、软盘和光数据存储设备等。
89.在示例性实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本公开实施例中的对象推荐方法。
90.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，该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、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom (prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
91.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
92.应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。