CN109934629A - 一种信息推送方法及装置 - Google Patents

Abstract

本申请提供了一种信息推送方法及装置，求解预设的目标函数，得到哈希函数，使用哈希函数，计算第一对象的哈希值和第二对象的哈希向量，在所述第一对象的哈希值与所述第二对象的哈希值满足预设条件的情况下，向所述第一对象推送所述第二对象的信息。因此，对于新的第一对象也可以使用目标函数得到其哈希向量，并依据哈希向量的相似度向第一对象推送信息，从而提高信息推送的针对性。

Description

一种信息推送方法及装置

技术领域

本申请涉及电子信息领域，尤其涉及一种信息推送方法及装置。

背景技术

广告推送是APP的一项常见功能，即依据用户的属性，为用户配置哈希向量，并根据商品的属性，为商品配置哈希向量，向用户推送具有与用户的哈希向量相似的哈希向量的商品的广告。

通常，现有的APP一方面通过用户对于APP的操作行为，确定用户感兴趣的商品，并依据用户感兴趣的商品的哈希向量，为用户配置哈希向量，另一方面，依据商品的感兴趣人群，为商品配置哈希向量，以上两方面的目的在于，使得用户与其感兴趣的商品具有相似的哈希向量。如果一个商品的哈希向量与某个用户的哈希向量相似，则向该用户推送该商品的信息。

但对于新用户，无法确定其感兴趣的商品，对于新商品，无法确定其感兴趣人群，所以，对于新用户，通常只能随机推送广告信息，而无法实现针对性的广告推送。

发明内容

本申请提供了一种信息推送方法及装置，目的在于解决无法对于新用户实现针对性的广告推送的问题。

为了实现上述目的，本申请提供了以下技术方案：

一种信息推送方法，包括：

求解预设的目标函数，得到哈希函数，所述目标函数以所述哈希函数为约束条件；

使用所述哈希函数，计算第一对象的哈希值和第二对象的哈希向量；

在所述第一对象的哈希值与所述第二对象的哈希值满足预设条件的情况下，向所述第一对象推送所述第二对象的信息。

可选的，所述目标函数的自变量为所述第一对象的历史哈希向量和所述第二对象的历史哈希向量；

所述目标函数至少包括：

第一正则化因子，所述第一正则化因子由所述第一对象的历史哈希向量和所述第二对象的历史哈希向量构成；

所述第一正则化因子用于表征相同类型对象的类内约束。

可选的，所述目标函数还包括：

第二正则化因子，所述第二正则化因子由所述第一对象的历史哈希向量中各位的和以及所述第二对象的历史哈希向量中各位的和构成；

所述第二正则化因子用于表征不同类型的对象的类间约束。

可选的，所述目标函数还包括：

初步目标函数，所述初步目标函数由所述第一对象的历史哈希向量与所述第二对象的历史哈希向量的相似度、以及所述第一对象对于所述第二对象的满意度构成。

可选的，所述目标函数为：

其中，h_ij为第i个第一对象对第j个第二对象的满意度，为第i个第一对象的历史哈希向量与第j个第二对象的历史哈希向量的相似度，为第i个第一对象的历史哈希向量中的第k位，为第j个第二对象的历史哈希向量中的第k位，G^u为第i个第一对象的历史哈希向量，G^a为第j个第二对象的历史哈希向量，x_i为第i个第一对象的属性，x_j为第j个第二对象的属性，λ、β为预设的系数。

可选的，所述求解预设的目标函数，得到哈希函数包括：

将相似度满足所述预设条件的第一历史哈希向量和第二历史哈希向量作为所述目标函数的自变量，使得所述目标函数的因变量最优，得到W、V、B和C，以确定作为所述目标函数的所述哈希函数，所述第一历史哈希向量为第一对象的哈希向量，所述第二历史哈希向量为所述第二对象的哈希向量。

可选的，所述使用所述哈希函数，计算第一对象的哈希值和第二对象的哈希向量包括：

将所述第一对象的属性值输入所述哈希函数，得到所述第一对象的哈希向量；

将所述第二对象的属性值输入所述哈希函数，得到所述第二对象的哈希向量。

一种信息推送装置，包括：

哈希函数获取模块，用于求解预设的目标函数，得到哈希函数，所述目标函数以所述哈希函数为约束条件；

计算模块，用于使用所述哈希函数，计算第一对象的哈希值和第二对象的哈希向量；

推送模块，用于在所述第一对象的哈希值与所述第二对象的哈希值满足预设条件的情况下，向所述第一对象推送所述第二对象的信息。

可选的，所述目标函数的自变量为所述第一对象的历史哈希向量和所述第二对象的历史哈希向量；

所述目标函数至少包括：

第一正则化因子，所述第一正则化因子由所述第一对象的历史哈希向量和所述第二对象的历史哈希向量构成；

所述第一正则化因子用于表征相同类型对象的类内约束。

可选的，所述目标函数还包括：

第二正则化因子，所述第二正则化因子由所述第一对象的历史哈希向量中各位的和以及所述第二对象的历史哈希向量中各位的和构成；

所述第二正则化因子用于表征不同类型的对象的类间约束。

可选的，所述目标函数还包括：

初步目标函数，所述初步目标函数由所述第一对象的历史哈希向量与所述第二对象的历史哈希向量的相似度、以及所述第一对象对于所述第二对象的满意度构成。

可选的，所述目标函数为：

其中，h_ij为第i个第一对象对第j个第二对象的满意度，为第i个第一对象的历史哈希向量与第j个第二对象的历史哈希向量的相似度，为第i个第一对象的历史哈希向量中的第k位，为第j个第二对象的历史哈希向量中的第k位，G^u为第i个第一对象的历史哈希向量，G^a为第j个第二对象的历史哈希向量，x_i为第i个第一对象的属性，x_j为第i个第二对象的属性，λ、β为预设的系数。

可选的，所述哈希函数获取模块，用于求解预设的目标函数，得到哈希函数，包括：

将相似度满足所述预设条件的第一历史哈希向量和第二历史哈希向量作为所述目标函数的自变量，使得所述目标函数的因变量最优，得到W、V、B和C，以确定作为所述目标函数的所述哈希函数，所述第一历史哈希向量为第一对象的哈希向量，所述第二历史哈希向量为所述第二对象的哈希向量。

可选的，所述计算模块，用于使用所述哈希函数，计算第一对象的哈希值和第二对象的哈希向量，包括：

所述计算模块具体用于，将所述第一对象的属性值输入所述哈希函数，得到所述第一对象的哈希向量；将所述第二对象的属性值输入所述哈希函数，得到所述第二对象的哈希向量。

本申请所述的信息推送方法及装置，求解预设的目标函数，得到哈希函数，使用哈希函数，计算第一对象的哈希值和第二对象的哈希向量，在所述第一对象的哈希值与所述第二对象的哈希值满足预设条件的情况下，向所述第一对象推送所述第二对象的信息。因此，对于新的第一对象也可以使用目标函数得到其哈希向量，并依据哈希向量的相似度向第一对象推送信息，从而提高信息推送的针对性。

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。

图1为本申请实施例公开的一种信息推送方法的流程图；

图2(a)为本申请实施例公开的技术方案与现有技术的实施效果对比示意图；

图2(b)为本申请实施例公开的技术方案与现有技术的实施效果对比示意图；

图2(c)为本申请实施例公开的技术方案与现有技术的实施效果对比示意图；

图3为本申请实施例公开的本申请实施例公开的一种信息推送装置的结构示意图。

具体实施方式

本申请实施例公开的信息推送方法及装置，可以应用在任何信息推送的场景中，以APP为例，假设一款APP在为用户提供业务的同时，还要为用户推送广告信息，本申请实施例公开的信息推送方法及装置的目的在于，对于新用户实现针对性的广告推送的问题。并且，进一步的，还可以在推送中加入不同商品的类间约束因素，进一步提高广告推送的针对性。

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

图1为本申请实施例公开的一种信息推送方法，包括以下步骤：

S101：构建目标函数。

本实施例中，使用的线性哈希函数定义为：

其中，为第i个第一对象的历史哈希向量中的第k位，为第j个第二对象的历史哈希向量中的第k位，x_i为第i个第一对象的属性，x_j为第i个第二对象的属性，本申请的实施例中，以第一对象为用户，第二对象为商品为例进行说明。

W＝[w₁,w₂,...,w_K]是用户的哈希向量中各位的参数，即w₁为第1位的参数，……以此类推，w_K为第k位的参数。

V＝[v₁,v₂,...,v_K]是广告的哈希向量中各位的参数，即v₁为第1位的参数，……以此类推，v_K为第k位的参数。

B＝[b₁,b₂,...,b_K]是用户的哈希向量中各位的阈值，即b₁为第1位的阈值，……以此类推，b_K为第k位的阈值。

C＝[c₁,c₂,...,c_K]是广告的哈希向量中各位的阈值，即c₁为第1位的阈值，……以此类推，c_K为第k位的阈值。

sgn(x)为符号函数，表达式为：

用户的哈希向量与商品的哈希向量之间的相似度为：

其中，equ(x,y)是定义的判断函数，即

上式表明，若用户i的哈希向量和商品j的哈希向量中的每一位哈希值都相同，则若用户i的哈希向量和商品j的哈希向量中的每一位哈希值都不相同，则

在广告推送过程中，判断是否为用户推送广告的依据是用户和商品间的哈希向量的相似度，那么，用户和商品间哈希向量的相似度应该和用户对商品的满意度是一致的。

因此，本实施例中，用户对商品的满意度由用户对商品的评价决定，分为两个等级，即满意h_ij＝1或不满意h_ij＝-1。若用户对商品评价为满意，那么希望用户和该广告的哈希向量也是相同的，若用户对商品评价为不满意，那么希望用户和该广告的哈希向量不同。即存在四种情况：

1、h_ij＝1，

2、h_ij＝1，

3、h_ij＝-1，

4、h_ij＝-1，

考虑到用户满意度的哈希向量定义为

从上述四种情况可以看出，如果用户和商品的哈希向量的相似度与用户对该商品的满意度一致，那么等于1，否则等于-1。目标函数是使得基于用户满意度的哈希值相似度尽可能高，即使得所有用户和广告所有哈希值尽可能相等，构建初步目标函数为：

通过最优化上述初步目标函数，最终学习得到的用户与商品间的哈希向量能够正确反映出用户对商品的满意度，即若用户对商品满意，那么两者的哈希向量的相似度会偏高，反之，若用户对商品不满意，那么两者的哈希向量的相似度比较低。

处理异构数据时如果考虑类间和类内相似度问题，则会提高广告推送的准确性，因此，本实施例对上述初步目标函数进行改进，加入两类约束，一类是哈希值类间约束，一类是哈希值类内约束。

哈希值的类间约束即同一位哈希值间的约束，加入类间约束是为了避免过拟合。根据信息论原理，最大化哈希值提供的信息可以防止过拟合现象的出现，而根据最大熵原理，一个哈希位的熵最大就能保证其包含的信息量最大。故可以将类间约束转化为求解最大熵问题，即

其中为所有用户的哈希向量中的第k位。当且仅当时上式最大，也就是说所有用户在第k位的哈希值有一半为1，有一半为-1，即满足同理，广告的哈希值也同样满足本实施例中不要求所有用户或所有广告的某一位哈希值的和一定等于0，但是上述条件希望尽可能小。

哈希值的类内约束是为了防止出现极端情况，例如：每个用户所有哈希位上的值都一样时只需要一位哈希值就可以表示一个用户，所以类内约束应该使得不同哈希位之间尽可能不相关，构建约束条件

||G^u(G^u)^T-I||²and||G^a(G^a)^T-I||²

其中I是单位阵。为了使得满足类内约束条件，上述公式的值越小越好。

结合构建的初始目标函数，将上述两个约束条件作为正则化因子加入到目标函数中，得到最终的目标函数为：

其中，h_ij为第i个第一对象对第j个第二对象的满意度，为第i个第一对象的历史哈希向量与第j个第二对象的历史哈希向量的相似度，为第i个第一对象的历史哈希向量中的第k位，为第j个第二对象的历史哈希向量中的第k位，G^u为第i个第一对象的历史哈希向量的熵，G^a为第j个第二对象的历史哈希向量的熵，x_i为第i个第一对象的属性，x_j为第i个第二对象的属性，λ、β为预设的系数。

上述目标函数中，为初步目标函数，β(||G^u(G^u)^T-I||2+||G^a(G^a)^T-I||²)为第一正则化因子，为第二正则化因子。

需要说明的是，依据上述原理，构建上述目标函数，可以看作预处理步骤，目标函数可以被重复使用，而无需重复执行S101。

S102：求解预设的目标函数，得到哈希函数。

具体的，将相似度满足预设条件(如大于预设阈值)的第一历史用户的哈希向量和第二历史商品的哈希向量作为目标函数的自变量，使得目标函数的因变量最优，得到W、V、B和C。再将W、V、B和C带入作为目标函数的约束条件的哈希函数，得到确定的哈希函数。

S103：使用确定的哈希函数，计算新用户的哈希向量和/或新商品的哈希向量。

具体的，可以将新用户的属性值输入哈希函数，得到新用户的哈希向量。将新商品的属性值输入哈希函数，得到新商品的哈希向量。

S104：查找哈希向量与新用户的哈希向量的相似度大于预设阈值的商品，作为目标商品。

本实施例中，查找商品的范围并不限定于新商品，也可以包括历史商品。

S105：向新用户推送目标商品的信息。

从图1所示的流程可以看出，依据匹配(具有相似的哈希向量)的历史用户的和历史商品的哈希向量，求解预设的目标函数，得到哈希函数，再使用得到的哈希函数，计算新用户的哈希向量，向新用户推送具有相似的哈希向量的商品的信息。因为哈希函数依据匹配的历史用户的和历史商品的哈希向量得到，所以，哈希函数可以看作从历史用户和历史商品的匹配情况学习得到，且新用户的哈希向量使用哈希函数得到，所以，对于新用户也能够得到哈希向量，因此，与现有的随机向新用户推送广告的方式相比，向新用户推送的商品的信息对于新用户具有较高的针对性(即匹配性)。

进一步的，因为目标函数集成了类间约束项和类内约束项，所以，能够进一步提高信息推送的针对性。

下面将对图1所示的流程进行举例说明：

假设电影作为商品样本(即历史商品)，则按照电影的属性：G^a＝{上映时间＝80年代，类型＝动作，导演＝吴宇森，国家＝中国，标签＝义气}，以及属性与哈希值的对应关系：

80年代＝[-1 1 1]，动作＝[1 -1 -1 1]，吴宇森＝[-1 1 -1 … -1]，中国＝[1 -1 -1 … 1]，义气＝[1 -1 -1 … 1]，

为该商品样本配置的哈希向量为：G^a＝[-1 1 1 1 -1 -1 1 -1 1 -1 … -1 1 -1-1 … 1 1 -1 -1 … 1]

假设用户样本(即历史用户)的属性信息为G^u＝{性别＝男，年龄＝40岁，国籍＝中国，是否喜欢电影＝是，喜欢电影类型＝动作}，其哈希值映射如下：

男＝[-1 1]，年龄＝[1 1 -1 -1 1 -1]，中国＝[1 -1 -1 … 1]，喜欢电影＝[11]，喜欢动作电影＝[-1 1 1 -1 -1 … 1]

为该用户样本配置的哈希向量为：G^u＝[-1 1 1 1 -1 -1 1 -1 1 -1 -1 … 1 11 -1 1 1 -1 -1 … 1]。

假设上述两个哈希向量的相似度大于预设阈值，上述用户样本与商品样本匹配，即对于该用户推荐该商品的广告是完全合理的，则将两者的哈希向量作为上述目标函数的自变量，利用已有的集成学习方法Boosting学习得到上述目标函数中参数(W,V,B,C)，得到哈希函数。

对于新用户，根据其属性信息，通过学习得到的哈希函数求解得到对应的哈希向量，再进行相应的相似度计算。设定阈值，若根据哈希函数映射得到的新用户与商品间的哈希向量的相似度大于该阈值，则对该用户推送该商品的广告。

也就是说，一方面，对基于哈希算法的广告推送问题进行建模，得到目标函数，在构建约束条件时不仅考虑类间相似度，同时考虑类内相似度，使得哈希函数对异构数据处理更加合理和有效。另一方面，对构建好的目标函数及约束条件采用集成学习算法boosting进行求解得到哈希函数，再对用户和商品进行哈希向量映射，求解他们之间的哈希向量的相似度，对用户进行精准的商品广告的推送。

需要说明的是，历史用户虽然已经被配置了哈希向量，但历史用户也可以使用得到的哈希函数重新计算哈希向量，同样，得到的哈希函数也可以用于计算新商品或历史商品的哈希向量，即本申请实施例并不限定使用哈希函数仅计算新用户的哈希向量。

图2(a)、图2(b)和图2(c)分别为使用现有方法(迭代更新法和直接代入法)和本申请所述的方法(即Boost哈希法)在不同场景(为新用户推荐历史商品的信息、为新用户推荐新商品的信息，用老用户推荐新商品的信息)及不同的哈希向量长度(即8，16，24，32，40，48)的情况下，为用户推送广告的效果示意，从这三幅图可以看出Boost哈希算法要明显优于迭代更新法和直接带入法，因为这两种方法不可避免的在哈希值位数增大的时候会导致过拟合，效果下降的非常明显，而Boost哈希算法，由于利用了boosting泛化能力强的特性，在哈希值位数增大的时候，能够捕捉到更多地用户和物品的特征，因此仍然能够保持很强的泛化能力。

表1训练时间对比

表2测试时间对比

表1对比了Boost哈希算法，PAM算法和Pairwise算法的训练时间：

Pairwise算法的时间最长，因为Pairwise算法将每个用户广告评分作为一条样本，特征是用户和广告特征的两两组合，所以复杂度非常高。而PAM算法的训练时间最低，Boost哈希法的训练时间是126s，耗时也不是很长。

表2对比了三者的测试时间：Boost哈希算法具有明显的优越性，其他算法的耗时基本是BoostHash算法耗时的20倍以上，这个结论充分证明了利用哈希的方法在冷启动中进行推荐是能够大大提高推送效率的。

图3为本申请实施例公开的一种信息推送装置，包括：哈希函数获取模块、计算模块和推送模块。

其中，哈希函数获取模块用于求解预设的目标函数，得到哈希函数，目标函数以哈希函数为约束条件。计算模块用于使用哈希函数，计算第一对象的哈希值和第二对象的哈希向量。推送模块用于在第一对象的哈希值与第二对象的哈希值满足预设条件的情况下，向第一对象推送第二对象的信息。

具体的，目标函数的构建原理如前所述，这里不再赘述。

可选的，所述装置还可以包括目标函数构建模块，用于按照上述原理，构建目标函数。

具体的，哈希函数获取模块求解预设的目标函数，得到哈希函数的具体实现方式为：将相似度满足预设条件的第一历史哈希向量和第二历史哈希向量作为目标函数的自变量，使得目标函数的因变量最优，得到W、V、B和C，以确定作为目标函数的所述哈希函数，第一历史哈希向量为第一对象的哈希向量，第二历史哈希向量为所述第二对象的哈希向量。

具体的，计算模块使用所述哈希函数，计算第一对象的哈希值和第二对象的哈希向量的具体实现方式为：将所述第一对象的属性值输入所述哈希函数，得到所述第一对象的哈希向量；将所述第二对象的属性值输入所述哈希函数，得到所述第二对象的哈希向量。

所述信息推送装置不仅能够为新的第一对象有针对性地推荐信息，还考虑了第二对象的类间相似性，能够进一步提高为第一对象推荐的信息的针对性。

本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (14)

1.一种信息推送方法，其特征在于，包括：

求解预设的目标函数，得到哈希函数，所述目标函数以所述哈希函数为约束条件；

使用所述哈希函数，计算第一对象的哈希值和第二对象的哈希向量；

在所述第一对象的哈希值与所述第二对象的哈希值满足预设条件的情况下，向所述第一对象推送所述第二对象的信息。

2.根据权利要求1所述的方法，其特征在于，所述目标函数的自变量为所述第一对象的历史哈希向量和所述第二对象的历史哈希向量；

所述目标函数至少包括：

第一正则化因子，所述第一正则化因子由所述第一对象的历史哈希向量和所述第二对象的历史哈希向量构成；

所述第一正则化因子用于表征相同类型对象的类内约束。

3.根据权利要求2所述的方法，其特征在于，所述目标函数还包括：

第二正则化因子，所述第二正则化因子由所述第一对象的历史哈希向量中各位的和以及所述第二对象的历史哈希向量中各位的和构成；

所述第二正则化因子用于表征不同类型的对象的类间约束。

4.根据权利要求2所述的方法，其特征在于，所述目标函数还包括：

初步目标函数，所述初步目标函数由所述第一对象的历史哈希向量与所述第二对象的历史哈希向量的相似度、以及所述第一对象对于所述第二对象的满意度构成。

5.根据权利要求2-4任一项所述的方法，其特征在于，所述目标函数为：

其中，h_ij为第i个第一对象对第j个第二对象的满意度，为第i个第一对象的历史哈希向量与第j个第二对象的历史哈希向量的相似度，为第i个第一对象的历史哈希向量中的第k位，为第j个第二对象的历史哈希向量中的第k位，G^u为第i个第一对象的历史哈希向量，G^a为第j个第二对象的历史哈希向量，x_i为第i个第一对象的属性，x_j为第j个第二对象的属性，λ、β为预设的系数。

6.根据权利要求5所述的方法，其特征在于，所述求解预设的目标函数，得到哈希函数包括：

将相似度满足所述预设条件的第一历史哈希向量和第二历史哈希向量作为所述目标函数的自变量，使得所述目标函数的因变量最优，得到W、V、B和C，以确定作为所述目标函数的所述哈希函数，所述第一历史哈希向量为第一对象的哈希向量，所述第二历史哈希向量为所述第二对象的哈希向量。

7.根据权利要求1所述的方法，其特征在于，所述使用所述哈希函数，计算第一对象的哈希值和第二对象的哈希向量包括：

将所述第一对象的属性值输入所述哈希函数，得到所述第一对象的哈希向量；

将所述第二对象的属性值输入所述哈希函数，得到所述第二对象的哈希向量。

8.一种信息推送装置，其特征在于，包括：

哈希函数获取模块，用于求解预设的目标函数，得到哈希函数，所述目标函数以所述哈希函数为约束条件；

计算模块，用于使用所述哈希函数，计算第一对象的哈希值和第二对象的哈希向量；

推送模块，用于在所述第一对象的哈希值与所述第二对象的哈希值满足预设条件的情况下，向所述第一对象推送所述第二对象的信息。

9.根据权利要求8所述的装置，其特征在于，所述目标函数的自变量为所述第一对象的历史哈希向量和所述第二对象的历史哈希向量；

所述目标函数至少包括：

第一正则化因子，所述第一正则化因子由所述第一对象的历史哈希向量和所述第二对象的历史哈希向量构成；

所述第一正则化因子用于表征相同类型对象的类内约束。

10.根据权利要求9所述的装置，其特征在于，所述目标函数还包括：

第二正则化因子，所述第二正则化因子由所述第一对象的历史哈希向量中各位的和以及所述第二对象的历史哈希向量中各位的和构成；

所述第二正则化因子用于表征不同类型的对象的类间约束。

11.根据权利要求9所述的装置，其特征在于，所述目标函数还包括：

初步目标函数，所述初步目标函数由所述第一对象的历史哈希向量与所述第二对象的历史哈希向量的相似度、以及所述第一对象对于所述第二对象的满意度构成。

12.根据权利要求9-10任一项所述的装置，其特征在于，所述目标函数为：

其中，h_ij为第i个第一对象对第j个第二对象的满意度，为第i个第一对象的历史哈希向量与第j个第二对象的历史哈希向量的相似度，为第i个第一对象的历史哈希向量中的第k位，为第j个第二对象的历史哈希向量中的第k位，G^u为第i个第一对象的历史哈希向量，G^a为第j个第二对象的历史哈希向量，x_i为第i个第一对象的属性，x_j为第i个第二对象的属性，λ、β为预设的系数。

13.根据权利要求12所述的装置，其特征在于，所述哈希函数获取模块，用于求解预设的目标函数，得到哈希函数，包括：

将相似度满足所述预设条件的第一历史哈希向量和第二历史哈希向量作为所述目标函数的自变量，使得所述目标函数的因变量最优，得到W、V、B和C，以确定作为所述目标函数的所述哈希函数，所述第一历史哈希向量为第一对象的哈希向量，所述第二历史哈希向量为所述第二对象的哈希向量。

14.根据权利要求8所述的装置，其特征在于，所述计算模块，用于使用所述哈希函数，计算第一对象的哈希值和第二对象的哈希向量，包括：

所述计算模块具体用于，将所述第一对象的属性值输入所述哈希函数，得到所述第一对象的哈希向量；将所述第二对象的属性值输入所述哈希函数，得到所述第二对象的哈希向量。