一种目标对象推荐方法、装置、计算机设备及存储介质与流程

1.本发明涉及数据处理技术领域，特别涉及一种目标对象推荐方法、装置、计算机设备及存储介质。


背景技术：

2.随着互联网上用户访问数量的迅速增长，用户创建和访问的信息数量呈指数级递增。因此，众多互联网企业一方面希望能在用户使用产品的过程中，利用多维度多渠道的用户行为数据采集方式记录用户尽可能多的数据，另一方面，针对如此规模的用户大数据，企业也很难对用户的数据进行准确的分析，从而导致无法有效的将最优的服务投放到最合适的用户人群手中。现有技术中的基于用户数据进行产品推荐所采用的推荐方式通常比较单一，并且存在推荐准确率以及覆盖率不高等问题。
3.因此，亟需提出一种目标对象推荐方法，以解决上述问题。


技术实现要素：

4.为了解决现有技术的问题，本发明实施例提供了一种目标对象推荐方法、装置、计算机设备以及存储介质，以克服现有技术中存在的基于用户数据进行产品推荐所采用的所采用的推荐方式通常比较单一，并且存在推荐准确率以及覆盖率不高等问题。
5.为解决上述一个或多个技术问题，本发明采用的技术方案是：
6.第一方面，提供了一种目标对象推荐方法，该方法包括如下步骤：
7.利用基于用户的协同过滤算法，根据目标用户的用户行为数据从候选用户群中筛选出与所述目标用户匹配的相似用户群；
8.根据所述相似用户群对应的候选对象生成所述目标用户对应的第一候选对象列表；
9.利用基于物品的协同过滤算法，根据所述目标用户的用户行为数据计算获取所述目标用户对应的第二候选对象列表；
10.根据所述第一候选对象列表、所述第二候选对象列表以及预设规则计算获取确定推荐给所述目标用户的目标对象。
11.进一步的，所述利用基于用户的协同过滤算法，根据目标用户的用户行为数据从候选用户群中筛选出与所述目标用户匹配的相似用户群包括：
12.采用预设相似度算法对目标用户的用户行为数据以及候选用户群对应的用户行为数据进行计算，获取所述目标用户与各候选用户群之间的相似度；
13.将满足预设阈值的所述相似度对应的候选用户群确定为与所述目标用户匹配的相似用户群。
14.进一步的，所述方法还包括所述预设相似度算法的优化过程，包括：
15.对所述预设相似度算法的计算因子进行分析，根据分析结果将满足合并要求的计算因子进行合并和/或将不满足计算要求的计算因子删除。
16.进一步的，所述根据所述相似用户群对应的候选对象生成所述目标用户对应的第一候选对象列表包括：
17.获取所述相似用户群对应的所有候选对象，按照预设筛选规则对所述所有候选对象进行筛选，生成所述目标用户对应的第一候选对象列表。
18.进一步的，所述利用基于物品的协同过滤算法，根据所述目标用户的用户行为数据计算获取所述目标用户对应的第二候选对象列表包括：
19.根据所述目标用户的用户行为数据确定所述目标用户的用户当前行为，根据所述用户当前行为获取对应的候选对象，生成所述目标用户对应的第二候选对象列表。
20.进一步的，所述根据所述目标用户的用户行为数据确定所述目标用户的用户当前行为，根据所述用户当前行为获取对应的候选对象包括：
21.根据所述目标用户的用户行为数据确定所述目标用户的用户当前行为，获取与所述用户当前行为对应的第一对象；
22.对所述第一对象进行聚类处理，根据聚类结果确定所述用户当前行为对应的候选对象。
23.进一步的，所述根据所述目标用户的用户行为数据确定所述目标用户的用户当前行为，根据所述用户当前行为获取对应的候选对象还包括：
24.根据所述用户当前行为确定所述目标用户的用户意图，获取与所述用户意图对应的第二对象，根据所述聚类结果以及所述第二对象确定所述用户当前行为对应的候选对象。
25.第二方面，提供了一种目标对象推荐装置，所述装置包括：
26.用户筛选模块，用于利用基于用户的协同过滤算法，根据目标用户的用户行为数据从候选用户群中筛选出与所述目标用户匹配的相似用户群；
27.第一计算模块，用于根据所述相似用户群对应的候选对象生成所述目标用户对应的第一候选对象列表；
28.第二计算模块，用于利用基于物品的协同过滤算法，根据所述目标用户的用户行为数据计算获取所述目标用户对应的第二候选对象列表；
29.对象确定模块，用于根据所述第一候选对象列表、所述第二候选对象列表以及预设规则计算获取确定推荐给所述目标用户的目标对象。
30.第三方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
31.利用基于用户的协同过滤算法，根据目标用户的用户行为数据从候选用户群中筛选出与所述目标用户匹配的相似用户群；
32.根据所述相似用户群对应的候选对象生成所述目标用户对应的第一候选对象列表；
33.利用基于物品的协同过滤算法，根据所述目标用户的用户行为数据计算获取所述目标用户对应的第二候选对象列表；
34.根据所述第一候选对象列表、所述第二候选对象列表以及预设规则计算获取确定推荐给所述目标用户的目标对象。
35.第四方面，提供了一种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，实现如下步骤：
36.利用基于用户的协同过滤算法，根据目标用户的用户行为数据从候选用户群中筛选出与所述目标用户匹配的相似用户群；
37.根据所述相似用户群对应的候选对象生成所述目标用户对应的第一候选对象列表；
38.利用基于物品的协同过滤算法，根据所述目标用户的用户行为数据计算获取所述目标用户对应的第二候选对象列表；
39.根据所述第一候选对象列表、所述第二候选对象列表以及预设规则计算获取确定推荐给所述目标用户的目标对象。
40.本发明实施例提供的技术方案带来的有益效果是：
41.本发明实施例提供的目标对象推荐方法、装置、计算机设备及存储介质，通过利用基于用户的协同过滤算法，根据目标用户的用户行为数据从候选用户群中筛选出与所述目标用户匹配的相似用户群，根据所述相似用户群对应的候选对象生成所述目标用户对应的第一候选对象列表，利用基于物品的协同过滤算法，根据所述目标用户的用户行为数据计算获取所述目标用户对应的第二候选对象列表，根据所述第一候选对象列表、所述第二候选对象列表以及预设规则计算获取确定推荐给所述目标用户的目标对象，通过利用基于用户的协同过滤算法获取与目标用户相似的用户喜欢的物品，利用基于物品的协同过滤算法获取与目标用户之前喜欢的物品相似的物品，将两者推荐给目标用户，提高推荐的准确度以及覆盖率。
附图说明
42.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。
43.图1是根据一示例性实施例示出的目标对象推荐方法的流程图；
44.图2是根据一示例性实施例示出的目标对象推荐装置的结构示意图；
45.图3是根据一示例性实施例示出的计算机设备的内部结构示意图。
具体实施方式
46.为使本发明的目的、技术方案和优点更加清楚，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。
47.如背景技术所述，随着互联网上用户访问数量的迅速增长，用户创建和访问的信息数量呈指数级递增。因此，众多互联网企业一方面希望能在用户使用产品的过程中，利用多维度多渠道的用户行为数据采集方式记录用户尽可能多的数据，另一方面，针对如此规模的用户大数据，企业也很难对用户的数据进行准确的分析，从而导致无法有效的将最优的服务投放到最合适的用户人群手中。以商品推荐为例，现有技术中的基于用户数据进行
商品推荐所采用的推荐方式通常比较单一，并且存在推荐准确率以及覆盖率不高等问题。
48.为解决上述问题，本发明实施例中创造性的提出了一种目标对象推荐方法，该方法通过分析潜在用户，针对特定用户群体进行商品投放，减少不必要的曝光浪费，通过分析用户数据的关联性，构建面向用户的个性化推荐系统，对服务或产品做到千人千面的定制化部署。具体实施时，一方面采用基于用户的协同过滤算法，给用户推荐和他兴趣相似的其他用户喜欢的物品，另一方面采用基于物品的协同过滤算法，给用户推荐和他之前喜欢的物品相似的物品，从而提高推荐的准确度以及覆盖率。
49.图1是根据一示例性实施例示出的目标对象推荐方法的流程图，参照图1所示，该方法包括如下步骤：
50.s1：利用基于用户的协同过滤算法，根据目标用户的用户行为数据从候选用户群中筛选出与所述目标用户匹配的相似用户群。
51.具体的，用户行为数据最简单的存在形式是日志。本技术实施例中，在获取用户行为数据时，可以先将原始日志按照用户行为汇总成为会话日志(session log)，其中每个会话代表一次用户行为和对应的服务，如曝光日志、点击日志、加购日志、付款日志等。用户行为在个性化推荐系统中一般分为显性反馈行为(explicit feedback)和隐性反馈行为(implicit feedback)。显性反馈行为包括用户明确表示对物品的喜好的行为，隐性反馈行为是指那些不能明确反应用户喜好的行为，与显性反馈行为相比，隐性反馈虽然不明确，但是数量庞大。
52.具体的，为了便于后续计算，本技术实施例中，可以预先针对大数据条件下用户行为所产生的信息，构建用户画像，用户画像包括但不限于个体用户画像以及群体用户画像。具体实施时，以显性知识的有效结构化为目标，采用基于深度语义学习的实体识别、关系抽取以及属性抽取技术实现对多源用户信息的抽取，采用基于跨模态共享子空间学习理论的知识融合技术，实现对跨模态跨领域用户的信息融合，采用基于深度神经语言模型的知识推理与实体扩展技术，实现对知识图谱的动态演化与更新等，这里不再一一赘述。
53.具体的，本技术实施例中，用户行为分析包括分析用户活跃度与物品流行度的分布关系，这里的物品即为目标对象。用户行为数据满足长尾分布(power law)，根据预设公式进行分析可以发现用户越活跃，越倾向于冷门物品。
54.s2：根据所述相似用户群对应的候选对象生成所述目标用户对应的第一候选对象列表。
55.具体的，本技术实施例中，采用基于用户的协同过滤算法为目标用户推荐和他兴趣相似的其他用户喜欢的物品。具体实施时，先找到和目标用户兴趣相同的用户群(即与目标用户匹配的相似用户群)，然后找到这个用户群中的用户喜欢的目标对象，将其推荐个目标用户。
56.s3：利用基于物品的协同过滤算法，根据所述目标用户的用户行为数据计算获取所述目标用户对应的第二候选对象列表。
57.具体的，本技术实施例中，采用基于物品的协同过滤算法为目标用户推荐和他之前喜欢的物品相似的物品。作为一种较优的实施方式，本技术实施例中，可以采用预先构建的用户兴趣模型进行目标对象的推荐。具体实施时，首先将用户行为数据集均匀随机分成m份优选地，m＝8，挑选一份作为测试集，其余的作为训练集。在训练集上建立用户兴趣模型，
并在测试集上对用户行为进行预测，统计相应的评测指标。为了保证评测指标并不是过拟合的结果，需要进行m次试验，并且每次都使用不同的测试集，然后取m次试验的评测指标的平均值作为最终的评测指标。
58.为了防止某次实验结果是过拟合的结果(overf itting)，这里可以每次选取不同的用户数和相同的随机种子seed，进行m次实验就可以得到m个不同的训练集和测试集，然后分别进行实验，用m次实验的平均值作为最后的评测指标。
59.具体的，本技术实施例中，评测指标包括但不限于以下几种指标：
60.1、准确率或召回率
61.召回率用于描述有多少比例的用户
‑
物品评分纪录包含在最终的推荐列表中，而准确率描述最终的推荐列表中有多少比例是发生过的用户
‑
评分纪录。假设对用户u推荐n个物品，记为(r(u)),令用户在测试集上喜欢的物品集合为(t(u)),然后通过准确率(precision)或召回率(recall)评测推荐算法的精度，公式如下：
[0062][0063][0064]
2、覆盖率
[0065]
覆盖率反映推荐算法发掘长尾的能力，覆盖率越高，说明推荐算法越能够将长尾中的物品推荐给用户，公式如下：
[0066][0067]
3、新颖度
[0068]
用推荐列表中的物品的平均流行度度量推荐结果的新颖度，如果推荐出的物品都很热门，说明推荐的新颖度较低，否则说明推荐结果比较新颖。
[0069]
s4：根据所述第一候选对象列表、所述第二候选对象列表以及预设规则计算获取确定推荐给所述目标用户的目标对象。
[0070]
具体的，在分别基于用户的协同过滤算法得到和目标用户兴趣相似的其他用户喜欢的物品(即第一候选对象列表)，以及基于物品的协同过滤算法得到目标用户之前喜欢的物品相似的物品(即第二候选对象列表)后，可以根据预设规则对第一候选对象列表以及第二候选对象列表中的对象进行评分，按照评分进行排序，然后筛选出满足预设要求的目标对象推荐给目标用户，如筛选排名在前若干名的对象作为目标对象推荐给目标用户等，这里不做限制，用户可以根据实际需求进行设置。
[0071]
作为一种较优的实施方式，本技术实施例中，所述利用基于用户的协同过滤算法，根据目标用户的用户行为数据从候选用户群中筛选出与所述目标用户匹配的相似用户群包括：
[0072]
采用预设相似度算法对目标用户的用户行为数据以及候选用户群对应的用户行为数据进行计算，获取所述目标用户与各候选用户群之间的相似度；
[0073]
将满足预设阈值的所述相似度对应的候选用户群确定为与所述目标用户匹配的
相似用户群。
[0074]
具体的,本技术实施例中，主要利用用户行为的相似度计算两个用户的兴趣相似度。预设相似度算法包括但不限于jaccard相似度算法或余弦相似度算法等。
[0075]
假设待计算相似度的两个用户分别为u和v，令n(u)为用户u曾经有过正反馈的物品集合，令n(v)为用户v曾经有过正反馈的物品集合，则通过jaccard相似度算法计算用户两者之间的相似度公式如下：
[0076][0077]
通过余弦相似度算法计算用户两者之间的相似度公式如下：
[0078][0079]
作为一种较优的实施方式，本技术实施例中，所述方法还包括所述预设相似度算法的优化过程，包括：
[0080]
对所述预设相似度算法的计算因子进行分析，根据分析结果将满足合并要求的计算因子进行合并和/或将不满足计算要求的计算因子删除。
[0081]
具体的，用于计算相似度的计算因子有很多，包括但不限于以下几种：
[0082]
proximity：用于描述用户之间的评分差值对相似度的影响；
[0083]
significance：用于描述用户评分与评分域的中值之间的关系，评分域的中值可以用来区分用户对该物品喜欢或不喜欢；
[0084]
singularity：用于描述两个相似用户对一个共同评分物品的评分均值与该物品全局评分均值的差值对相似度的影响；
[0085]
jaccard factor：用于考虑用户共同评分物品数对相似度的影响；
[0086]
urp(user rating preference)：用于考虑用户之间的评分均值的差值和用户评分方差的差值对相似度的影响。
[0087]
一方面，上述因素中，有些因素还需要额外的计算，这使得相似度算法的计算过程十分复杂，而各个计算环节都有可能带来误差，多个计算误差相互叠加会增大偏离实际值的可能性，而且可能会出现乘积形式中零除现象的出现。另一方面，大多数评分数据集的评分粒度不够大，使用该计算因子不一定能使用户组之间区分度增大，反而增加了计算复杂度和计算误差。为解决上述问题，本技术实施例中，对预设相似度算法的各计算因子进行分析，然后根据分析结果对计算因子进行相应处理，包括但不限于将满足合并要求的计算因子进行合并、将不满足计算要求的计算因子删除、增加阈值判断，对于计算因子中不合理的情况，分条件判断以及增加新的计算因子等。
[0088]
作为一种较优的实施方式，本技术实施例中，所述根据所述相似用户群对应的候选对象生成所述目标用户对应的第一候选对象列表包括：
[0089]
获取所述相似用户群对应的所有候选对象，按照预设筛选规则对所述所有候选对象进行筛选，生成所述目标用户对应的第一候选对象列表。
[0090]
具体的，以商品推荐为例，在基于用户的协同过滤算法得到和目标用户兴趣相似的其他用户喜欢的物品后，为了能够提高推荐的准确度，实现针对特定用户群体进行商品投放，减少不必要的曝光浪费，本技术实施例中，可以按照预设筛选规则对获取到所有候选
对象进行筛选，将候选对象中目标用户已经购买过的商品剔除，将其余候选对象生成所述目标用户对应的第一候选对象列表。
[0091]
作为一种较优的实施方式，本技术实施例中，所述利用基于物品的协同过滤算法，根据所述目标用户的用户行为数据计算获取所述目标用户对应的第二候选对象列表包括：
[0092]
根据所述目标用户的用户行为数据确定所述目标用户的用户当前行为，根据所述用户当前行为获取对应的候选对象，生成所述目标用户对应的第二候选对象列表。
[0093]
具体的，本技术实施例中，在为目标用户推荐目标对象时，为例提高推荐的覆盖率，可以对用户行为数据进行分析，确定目标用户的用户当前行为，捕捉到该目标用户的需求，然后向目标用户推荐相应的商户。
[0094]
作为一种较优的实施方式，本技术实施例中，所述根据所述目标用户的用户行为数据确定所述目标用户的用户当前行为，根据所述用户当前行为获取对应的候选对象包括：
[0095]
根据所述目标用户的用户行为数据确定所述目标用户的用户当前行为，获取与所述用户当前行为对应的第一对象；
[0096]
对所述第一对象进行聚类处理，根据聚类结果确定所述用户当前行为对应的候选对象。
[0097]
具体的，识别用户行为数据中的当前浏览商品时长及点击行为量等数据，根据当前浏览商品时长及点击行为量等数据确定用户对某些商品兴趣强，然后聚类此种商品，将聚类结果作为推荐给目标用户的候选对象，比如识别到目标用户当前正在浏览某个商品，则将该商品以及对该商品聚类得到的类似商品推荐给目标用户。这样可以缩短用户浏览此类商品的路径，提升转化率。
[0098]
作为一种较优的实施方式，本技术实施例中，所述根据所述目标用户的用户行为数据确定所述目标用户的用户当前行为，根据所述用户当前行为获取对应的候选对象还包括：
[0099]
根据所述用户当前行为确定所述目标用户的用户意图，获取与所述用户意图对应的第二对象，根据所述聚类结果以及所述第二对象确定所述用户当前行为对应的候选对象。
[0100]
具体的，在确定了目标用户的用户当前行为后，还可以通过多种行为方式的组合，预测用户来访意图(即用户意图)，包括但不限于用户的搜索行为、收藏行为、加购行为等，定位出用户今日是否有强需求的商品要购买，还只是来查看历史购买商品物流信息。例如用户近期搜索了“口罩”，但是并没有形成交易，那么可以为用户推荐口罩这类商品。
[0101]
作为一种较优的实施方式，本技术实施例中，在制定推荐策略时，可以结合用户的长期偏好和实时偏好，其中，用户画像是指用户的长期偏好，例如一个用户的长期偏好是女装，但是可能因为最近刚交到男朋友，所以今日短期偏好就是男装。由于用户的偏好是会随时间衰变的，因而实时偏好的数据更能表征用户当下的需求，推荐效果也更精准。实时偏好一般可以通过用户的搜索、导航筛选或者用户浏览来推断，倘若用户没有形成交易闭环，比如浏览、加购、未付款，我们可以假设他的需求没有被满足，可能是没找到合适的货品，也可能是因为价格偏高去了其他友商购买，这个时候我们将用户实时偏好的货品推荐给用户，此时转化率往往比较好。
[0102]
除此之外，由于人们并不喜欢完全陌生的东西，并且总是希望能从新东西中发现点熟悉的元素。因而在为用户推荐目标对象时，可以在新奇和熟悉之间寻找一个平衡点。
[0103]
从人出发：统计用户过去经常购买品类的重复度，如果重复读很低，说明用户相对更喜欢新奇的商品，这时候增大未购商品的占比，反之亦然；
[0104]
从场景出发：日常用户会喜欢购买历史购买过的商品以及常规相关货品，大促期间或者特殊节庆日用户会扩散更大范围的货品进行购买。
[0105]
现有的推荐逻辑形式单一，趣味性不足，推荐维度过少，因而需要扩展推荐策略构建的维度，在用户分层和内容形态上互为补充，从而取得更好的效果。具体实施时，一方面，可以按照各个维度将用户进行划分，如按照用户消费能力将用户划分为中高客单价的用户群和低端客单价的用户群，或者将用户划分为学生党、辣妈、有车一族等，通过身份标签来获得认同，同时可以满足较长尾的用户需求。另一方面，可以按照待推荐的对象的内容组织进行推荐，如直接推荐活动类优惠商品、通过排行榜、热销榜等形式推荐爆款、推荐有趣的小众商品等。
[0106]
图2是根据一示例性实施例示出的目标对象推荐装置的结构示意图，该装置包括：
[0107]
用户筛选模块，用于利用基于用户的协同过滤算法，根据目标用户的用户行为数据从候选用户群中筛选出与所述目标用户匹配的相似用户群；
[0108]
第一计算模块，用于根据所述相似用户群对应的候选对象生成所述目标用户对应的第一候选对象列表；
[0109]
第二计算模块，用于利用基于物品的协同过滤算法，根据所述目标用户的用户行为数据计算获取所述目标用户对应的第二候选对象列表；
[0110]
对象确定模块，用于根据所述第一候选对象列表、所述第二候选对象列表以及预设规则计算获取确定推荐给所述目标用户的目标对象。
[0111]
作为一种较优的实施方式，本技术实施例中，所述用户筛选模块用于：
[0112]
采用预设相似度算法对目标用户的用户行为数据以及候选用户群对应的用户行为数据进行计算，获取所述目标用户与各候选用户群之间的相似度；
[0113]
将满足预设阈值的所述相似度对应的候选用户群确定为与所述目标用户匹配的相似用户群。
[0114]
作为一种较优的实施方式，本技术实施例中，所述装置还包括：
[0115]
算法优化模块，用于对所述预设相似度算法的计算因子进行分析，根据分析结果将满足合并要求的计算因子进行合并和/或将不满足计算要求的计算因子删除。
[0116]
作为一种较优的实施方式，本技术实施例中，所述第一计算模块用于获取所述相似用户群对应的所有候选对象，按照预设筛选规则对所述所有候选对象进行筛选，生成所述目标用户对应的第一候选对象列表。
[0117]
作为一种较优的实施方式，本技术实施例中，所述第二计算模块用于根据所述目标用户的用户行为数据确定所述目标用户的用户当前行为，根据所述用户当前行为获取对应的候选对象，生成所述目标用户对应的第二候选对象列表。
[0118]
作为一种较优的实施方式，本技术实施例中，所述第二计算模块用于根据所述目标用户的用户行为数据确定所述目标用户的用户当前行为，获取与所述用户当前行为对应的第一对象；对所述第一对象进行聚类处理，根据聚类结果确定所述用户当前行为对应的
候选对象。
[0119]
作为一种较优的实施方式，本技术实施例中，所述第二计算模块用于根据所述用户当前行为确定所述目标用户的用户意图，获取与所述用户意图对应的第二对象，根据所述聚类结果以及所述第二对象确定所述用户当前行为对应的候选对象。
[0120]
图3是根据一示例性实施例示出的计算机设备的内部结构示意图，参照图3所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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、计算机程序和数据库。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执行计划的优化方法。
[0121]
本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明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。
[0122]
作为一种较优的实施方式，本发明实施例中，计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
[0123]
利用基于用户的协同过滤算法，根据目标用户的用户行为数据从候选用户群中筛选出与所述目标用户匹配的相似用户群；
[0124]
根据所述相似用户群对应的候选对象生成所述目标用户对应的第一候选对象列表；
[0125]
利用基于物品的协同过滤算法，根据所述目标用户的用户行为数据计算获取所述目标用户对应的第二候选对象列表；
[0126]
根据所述第一候选对象列表、所述第二候选对象列表以及预设规则计算获取确定推荐给所述目标用户的目标对象。
[0127]
作为一种较优的实施方式，本发明实施例中，处理器执行计算机程序时还实现以下步骤：
[0128]
采用预设相似度算法对目标用户的用户行为数据以及候选用户群对应的用户行为数据进行计算，获取所述目标用户与各候选用户群之间的相似度；
[0129]
将满足预设阈值的所述相似度对应的候选用户群确定为与所述目标用户匹配的相似用户群。
[0130]
作为一种较优的实施方式，本发明实施例中，处理器执行计算机程序时还实现以下步骤：
[0131]
对所述预设相似度算法的计算因子进行分析，根据分析结果将满足合并要求的计算因子进行合并和/或将不满足计算要求的计算因子删除。
[0132]
作为一种较优的实施方式，本发明实施例中，处理器执行计算机程序时还实现以下步骤：
[0133]
获取所述相似用户群对应的所有候选对象，按照预设筛选规则对所述所有候选对象进行筛选，生成所述目标用户对应的第一候选对象列表。
[0134]
作为一种较优的实施方式，本发明实施例中，处理器执行计算机程序时还实现以下步骤：
[0135]
根据所述目标用户的用户行为数据确定所述目标用户的用户当前行为，根据所述用户当前行为获取对应的候选对象，生成所述目标用户对应的第二候选对象列表。
[0136]
作为一种较优的实施方式，本发明实施例中，处理器执行计算机程序时还实现以下步骤：
[0137]
根据所述目标用户的用户行为数据确定所述目标用户的用户当前行为，获取与所述用户当前行为对应的第一对象；
[0138]
对所述第一对象进行聚类处理，根据聚类结果确定所述用户当前行为对应的候选对象。
[0139]
作为一种较优的实施方式，本发明实施例中，处理器执行计算机程序时还实现以下步骤：
[0140]
根据所述用户当前行为确定所述目标用户的用户意图，获取与所述用户意图对应的第二对象，根据所述聚类结果以及所述第二对象确定所述用户当前行为对应的候选对象。
[0141]
本发明实施例中，还提供了一种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，实现如下步骤：
[0142]
利用基于用户的协同过滤算法，根据目标用户的用户行为数据从候选用户群中筛选出与所述目标用户匹配的相似用户群；
[0143]
根据所述相似用户群对应的候选对象生成所述目标用户对应的第一候选对象列表；
[0144]
利用基于物品的协同过滤算法，根据所述目标用户的用户行为数据计算获取所述目标用户对应的第二候选对象列表；
[0145]
根据所述第一候选对象列表、所述第二候选对象列表以及预设规则计算获取确定推荐给所述目标用户的目标对象。
[0146]
作为一种较优的实施方式，本发明实施例中，所述计算机程序被处理器执行时，还实现如下步骤：
[0147]
采用预设相似度算法对目标用户的用户行为数据以及候选用户群对应的用户行为数据进行计算，获取所述目标用户与各候选用户群之间的相似度；
[0148]
将满足预设阈值的所述相似度对应的候选用户群确定为与所述目标用户匹配的相似用户群。
[0149]
作为一种较优的实施方式，本发明实施例中，所述计算机程序被处理器执行时，还实现如下步骤：
[0150]
对所述预设相似度算法的计算因子进行分析，根据分析结果将满足合并要求的计算因子进行合并和/或将不满足计算要求的计算因子删除。
[0151]
作为一种较优的实施方式，本发明实施例中，所述计算机程序被处理器执行时，还实现如下步骤：
[0152]
获取所述相似用户群对应的所有候选对象，按照预设筛选规则对所述所有候选对象进行筛选，生成所述目标用户对应的第一候选对象列表。
[0153]
作为一种较优的实施方式，本发明实施例中，所述计算机程序被处理器执行时，还实现如下步骤：
[0154]
根据所述目标用户的用户行为数据确定所述目标用户的用户当前行为，根据所述用户当前行为获取对应的候选对象，生成所述目标用户对应的第二候选对象列表。
[0155]
作为一种较优的实施方式，本发明实施例中，所述计算机程序被处理器执行时，还实现如下步骤：
[0156]
根据所述目标用户的用户行为数据确定所述目标用户的用户当前行为，获取与所述用户当前行为对应的第一对象；
[0157]
对所述第一对象进行聚类处理，根据聚类结果确定所述用户当前行为对应的候选对象。
[0158]
作为一种较优的实施方式，本发明实施例中，所述计算机程序被处理器执行时，还实现如下步骤：
[0159]
根据所述用户当前行为确定所述目标用户的用户意图，获取与所述用户意图对应的第二对象，根据所述聚类结果以及所述第二对象确定所述用户当前行为对应的候选对象。
[0160]
综上所述，本发明实施例提供的技术方案带来的有益效果是：
[0161]
本发明实施例提供的目标对象推荐方法、装置、计算机设备及存储介质，通过利用基于用户的协同过滤算法，根据目标用户的用户行为数据从候选用户群中筛选出与所述目标用户匹配的相似用户群，根据所述相似用户群对应的候选对象生成所述目标用户对应的第一候选对象列表，利用基于物品的协同过滤算法，根据所述目标用户的用户行为数据计算获取所述目标用户对应的第二候选对象列表，根据所述第一候选对象列表、所述第二候选对象列表以及预设规则计算获取确定推荐给所述目标用户的目标对象，通过利用基于用户的协同过滤算法获取与目标用户相似的用户喜欢的物品，利用基于物品的协同过滤算法获取与目标用户之前喜欢的物品相似的物品，将两者推荐给目标用户，提高推荐的准确度以及覆盖率。
[0162]
需要说明的是：上述实施例提供的目标对象推荐装置在触发推荐业务时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的目标对象推荐装置与目标对象推荐方法实施例属于同一构思，即该装置是基于该目标对象推荐方法的，其具体实现过程详见方法实施例，这里不再赘述。
[0163]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0164]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。