CN111680221B - 信息推荐方法、装置、设备及计算机可读存储介质 - Google Patents

Abstract

本申请实施例提供一种信息推荐方法、装置、设备及计算机可读存储介质，其中，方法包括：响应于接收到的信息推荐请求，获取所述信息推荐请求中携带的用户标识；获取所述用户标识对应的用户特征、多个待推荐信息和所述多个待推荐信息的信息特征；获取所述多个待推荐信息中携带的推荐对象的对象特征，所述对象特征中至少包括所述推荐对象的价格特征；基于所述用户特征、信息特征和对象特征从所述多个待推荐信息中确定目标推荐信息；将携带有所述目标推荐信息的推荐响应发送至用户终端。通过本申请，结合用户特征、信息特征和包括价格特征的对象特征进行信息推荐，从而能够提高信息推荐的准确性，实现信息的精准推荐。

Description

信息推荐方法、装置、设备及计算机可读存储介质

技术领域

本申请实施例涉及信息推荐技术领域，涉及但不限于一种信息推荐方法、装置、设备及计算机可读存储介质。

背景技术

随着互联网技术的发展以及移动终端的普及，人们可以利用移动终端中安装的各种应用程序随时随地获取各类资讯。有针对性地向用户推荐其可能感兴趣的信息，如今已成为很多网络平台重点关注的业务之一，例如，新闻平台需要向用户推荐其可能感兴趣的新闻，音视频资源播放平台需要向用户推荐其可能感兴趣的音频和/或视频资源，购物平台需要向用户推荐其可能感兴趣的商品信息，等等。

目前，一般是利用推荐***中的排序模型，基于用户特征和推荐信息特征预测待推荐信息的点击率并进行排序，将评分高的作为优先推荐的对象，但是该方法在信息推荐时仅考虑了用户特征和推荐信息特征，在进行预测时准确度不高。

发明内容

本申请实施例提供一种信息推荐方法、装置、设备及计算机可读存储介质，通过结合用户特征、信息特征和包括价格特征的对象特征进行信息推荐，从而能够提高信息推荐的准确性。

本申请实施例的技术方案是这样实现的：

本申请实施例提供一种信息推荐方法，包括：

响应于接收到的信息推荐请求，获取所述信息推荐请求中携带的用户标识；

获取所述用户标识对应的用户特征、多个待推荐信息和所述多个待推荐信息的信息特征；

获取所述多个待推荐信息中携带的推荐对象的对象特征，所述对象特征中至少包括所述推荐对象的价格特征；

将所述用户特征、信息特征和对象特征输入至训练好的排序模型，得到所述多个待推荐信息的排序结果；

基于所述排序结果，从所述多个待推荐信息中确定至少一个目标推荐信息；将携带有所述目标推荐信息的推荐响应发送至用户终端。

本申请实施例提供一种信息推荐装置，包括：

第一获取模块，用于响应于接收到的信息推荐请求，获取所述信息推荐请求中携带的用户标识；

第二获取模块，用于获取所述用户标识对应的用户特征、多个待推荐信息和所述多个待推荐信息的信息特征；

第三获取模块，用于获取所述多个待推荐信息中携带的推荐对象的对象特征，所述对象特征中至少包括所述推荐对象的价格特征；

输入模块，用于将所述用户特征、信息特征和对象特征输入至训练好的排序模型，得到所述多个待推荐信息的排序结果；

第一确定模块，用于基于所述排序结果，从所述多个待推荐信息中确定至少一个目标推荐信息；

发送模块，用于将携带有所述目标推荐信息的推荐响应发送至用户终端。

在一些实施例中，该装置还包括：

第四获取模块，用于获取所述用户标识对应的历史行为数据、用户属性特征和用户上下文特征；

第二确定模块，用于基于所述历史行为数据确定所述用户标识对应的用户画像特征和目标对象标识，所述目标对象标识是用户进行点击或者存在转化的推荐对象的对象标识；

第五获取模块，用于获取所述目标对象标识对应的历史对象特征；

第三确定模块，用于基于所述用户属性特征、用户上下文特征、用户画像特征和历史对象特征确定所述用户标识对应的用户特征。

在一些实施例中，该第三获取模块，还用于：

获取各个待推荐信息对应的推荐对象的对象标识；

从标准对象信息库中获取所述对象标识对应的对象信息；

从所述对象信息中提取所述推荐对象的对象特征。

在一些实施例中，该第三获取模块，还用于：

从所述对象信息中至少提取所述推荐对象的对象标识、标准类型、对象品牌；

获取所述推荐对象的对象价格和所述标准类型对应的价格分类信息；

基于所述对象价格和所述价格分类信息，确定所述推荐对象的价格指数，所述价格指数用于表征所述对象价格在同类中的昂贵程度；

将所述对象价格和所述价格指数确定为所述推荐对象的价格特征。

在一些实施例中，该装置还包括：

第六获取模块，用于获取样本对象库和预设的候补类型集合，所述样本对象库中包括多个样本对象和所述多个样本对象对应的样本类型；

第四确定模块，用于将所述样本对象库中包括的样本类型集合和候补类型集合的并集确定为标准类型集合；

第七获取模块，用于获取所述样本对象库中各个样本对象的目标样本信息，所述目标样本信息为除样本类型之外的其他样本信息；

训练模块，用于利用所述目标样本信息和所述标准类型集合对所述对象分类模型进行训练，得到训练好的对象分类模型。

在一些实施例中，该装置还包括：

第八获取模块，用于获取供应方提供的原始对象信息库，所述原始对象信息库中包括多个推荐对象的原始对象信息；

第五确定模块，用于将各个原始对象信息中除去各个推荐对象的对象类型得到的对象信息确定为各个预测对象信息；

分类模块，用于将所述各个预测对象信息输入至训练好的对象分类模型，得到各个推荐对象的标准类型；

信息库构建模块，用于基于各个推荐对象的标准类型和原始对象信息构建标准对象信息库。

在一些实施例中，该装置还包括：

第九获取模块，用于获取标准对象信息库中各个标准类型对应的对象信息；

第六确定模块，用于基于各个标准类型对应的对象信息确定各个标准类型对应的最低价格和最高价格；

第七确定模块，用于基于所述各个标准类型最低价格、最高价格和预设的区间个数，确定所述各个标准类型的价格分类信息。

在一些实施例中，该第一确定模块，还用于：

获取所述信息推荐请求对应的信息推荐时长；

基于所述信息推荐时长和所述排序结果，从所述多个待推荐信息中确定至少一个目标推荐信息。

本申请实施例提供一种信息推荐设备，包括：

存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，实现上述的方法。

本申请实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现上述的方法。

本申请实施例具有以下有益效果：

信息推荐服务器在接收到信息推荐请求后，获取该信息推荐请求中携带的用户标识所对应的用户特征、多个待推荐信息的信息特征，并且获取多个待推荐信息中的推荐对象的对象特征，尤其要获取价格特征，从而结合用户特征、信息特征和对象特征从所述多个待推荐信息中确定目标推荐信息，如此能够保证目标推荐信息不仅能够符合用户特征，还能够符合用户的消费习惯，不仅能够提高信息推荐的准确率，还能够提高信息推荐的起量率和转化率。

附图说明

图1为相关技术中利用排序模型进行广告预测的实现流程示意图；

图2A是本申请实施例提供的信息推荐***20的网络架构示意图；

图2B为本申请实施例提供的信息推荐***20应用于区块链***的一个可选的结构示意图；

图2C是本申请实施例提供的区块结构的一个可选的示意图；

图3是本申请实施例提供的信息推荐服务器300的结构示意图；

图4为本申请实施例提供的信息推荐方法的一种实现流程示意图；

图5是本申请实施例提供的构建标准对象信息库的实现流程示意图；

图6为本申请实施例提供的信息推荐方法的再一种实现流程示意图；

图7A为本申请实施例提供的信息推荐方法的再一种实现流程示意图；

图7B为本申请实施例提供的广告主设置商品数据的界面示意图；

图7C为商品详情页的界面示意图；

图8为本申请实施例提供的利用排序模型进行排序预测的实现流程示意图；

图9为本申请实施例提供的将多个商品库映射到统一类目体系的流程示意图；

图10为本申请实施例提供的构建商品知识库和统一类目的示意图；

图11A为只加了商品价格特征的排序模型预测结果示意图；

图11B为增加了价格指数特征的排序模型预测结果示意图；

图12为利用本申请实施例提供的信息推荐方法进行信息推荐时广告起量率的变化曲线示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。除非另有定义，本申请实施例所使用的所有的技术和科学术语与属于本申请实施例的技术领域的技术人员通常理解的含义相同。本申请实施例所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

以下对本申请实施例涉及到的科学术语进行说明。

1）排序模型：信息推荐***最核心的部分，在给定推荐信息队列中，根据用户和上下文情况对所有推荐信息进行排序的模型；

2）商品广告：一种特殊的广告形态，赋予了广告的商品属性，使广告有了真实的商品含义。

3）点击通过率（CTR，Click-Through-Rate），是衡量互联网广告效果的一项重要指标，指网络广告（图片广告/文字广告/关键词广告/排名广告/视频广告等）的点击到达率，即该广告的实际点击次数除以广告的展现量（Show content）；

4）转化率（CVR， Conversion Rate），是一个衡量CPA广告效果的指标，指用户点击广告到成为一个有效激活或者注册甚至付费用户的转化率；

5）广告召回，指的是根据输入的关键词组获取广告的过程。

为了更好地理解本申请实施例中提供的信息推荐方法，首先对相关技术中的信息推荐方法进行说明：

目前，推荐***利用排序模型（CTR预估模型和CVR预估模型）以用户特征（用户画像、兴趣意图、上下文）以及广告特征（广告素材、标题）作为输入，通过深度网络模型预测得到用户和广告pairwise的预测分数，相同出价情况下预测得分越高，广告的排序就越靠前。

图1为相关技术中利用排序模型进行广告预测的实现流程示意图，如图1所示，该排序模型包括两侧（也称塔）。左塔输入的是用户信息，右塔输入的是商品的信息，该实现流程包括：

步骤S001，将特征信息输入到向量（embedding）层。

这里，步骤S001在实现时，将各个用户特征（如性别、年龄、城市，职业，地区等）输入左塔的向量层，将每个用户特征映射为一个向量，并将所有的用户特征对应的向量进行拼接，得到用户特征向量；将各个广告特征（如广告id、广告主信息、广告素材、广告文案等）输入至右塔的向量层，将每个广告特征映射为一个向量，并将所有的广告特征对应的向量进行拼接，得到广告特征向量。

步骤S002，将用户特征向量输入至左塔的全连接网络得到预设维数的用户特征向量，并将广告特征向量输入至右塔的全连接网络得到预设维数的广告特征向量。

这里，如图1所示，左塔的全连接网络和右塔的全连接网络均为三层全连接网络，步骤S002在实现时，可以是利用左塔的三层全连接网络对用户特征向量进行全连接处理，得到32维的用户特征向量；利用右塔的三层全连接网络对广告特征向量进行全连接处理，得到32维的广告特征向量。

步骤S003，将预设维数的用户特征向量和预设维数的广告特征向量计算内积，得到广告得分。

这里，将预设维数的用户特征向量和预设维数的广告特征向量计算内积，得到的值即为此广告对该用户的得分，得分越大表示商品的推荐度越高。

现有的排序模型只考虑广告在特定用户上的得分，而对于商品广告来说，广告上的属性不能完全反应商品的特性，如商品的价格、类别等。尤其是对于价格相差巨大的不同的商品广告，可能有着类似的广告属性，在现有模型下预测得分相差无几；而实际上由于广告上商品的不同，其对不同人群有着很大的倾向性和差异性。

在现有模型的作用下，商品广告在广告的排序队列中得分并不占优势（胜出率少），并且对于特别低价的商品广告（90元以下），广告主期望的成本大多在40元以下，低于或持平大多数普通广告的转化成本。在以上两个原因的综合作用下，低价商品广告在广告***中存在起量困难的情况。

基于以上问题，为了让排序模型能够根据不同的商品预测出更精确的得分，在本申请实施例中，在排序模型中加入了商品特征（包括价格特征）以加强模型效果。

下面说明本申请实施例提供的信息推荐设备的示例性应用，本申请实施例提供的信息推荐设备可以实施为服务器。下面，将说明信息推荐设备实施为信息推荐服务器时的示例性应用。

参见图2A，图2A是本申请实施例提供的信息推荐***20的网络架构示意图。如图2A所示，该信息推荐***20中包括用户终端100、应用服务器200、信息推荐服务器300和供应方终端400。其中，用户终端100与应用服务器200之间通过网络建立有通信连接，信息推荐服务器300和应用服务器200、供应方终端400之间分别通过网络建立有通信连接。

用户终端100和供应方终端400均可以是笔记本电脑，平板电脑，台式计算机，移动设备（例如，移动电话，便携式音乐播放器，个人数字助理，便携式游戏设备）等任意具有屏幕显示功能的终端，在图2A中仅仅是将用户终端100以智能手机，将供应方终端400以台式计算机示例性示出，并不限定两者的具体类型。用户终端100中安装有各种应用程序（App，Application），例如，即时通讯App、购物App、视频播放App等，供应方终端400中同样安装有各种各样的App，在本申请实施例中，供应方终端中可以安装有广告投放App，推荐对象的供应方可以通过供应方终端400上的广告投放App将推荐对象的对象信息，以及推荐对象对应的推荐信息上传至信息推荐服务器300，信息推荐服务器300分别基于对象信息提取对象特征，并基于推荐信息提取信息特征，信息推荐服务器300还会提前提取用户的用户特征，并且对象特征中会包括价格特征，用户特征中除了包括用户的基本属性特征之外，还包括用户历史点击或者存在转化的推荐对象的对象特征。

用户在利用用户终端100上安装的视频播放App观看视频，或者用户在启动某一购物App时，会触发信息推荐请求，该信息推荐请求经由应用服务器200发送至信息推荐服务器300，信息推荐服务器300在接收到信息推荐请求后，结合用户特征、待推荐信息的信息特征以及待推荐信息中推荐对象的对象特征，从多个待推荐信息中确定一个或多个目标推荐信息，进而由信息推荐服务器300将确定出的目标推荐信息经由应用服务器200发送至用户终端100，并在用户终端100中呈现目标推荐信息。

在本申请实施例中，应用服务器200以及信息推荐服务器300，均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***，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、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，服务器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。

人工智能云服务，一般也被称作是AI即服务（AIaaS，AI as a Service）。这是目前主流的一种人工智能平台的服务方式，具体来说AIaaS平台会把几类常见的AI服务进行拆分，并在云端提供独立或者打包的服务。这种服务模式类似于开了一个AI主题商城：所有的开发者都可以通过API接口的方式来接入使用平台提供的一种或者是多种人工智能服务，部分资深的开发者还可以使用平台提供的AI框架和AI基础设施来部署和运维自己专属的云人工智能服务，在本发明实施例提供的信息推荐方法中，可以通过人工智能云服务提供的AI框架和AI基础设施来部署和运维信息推荐***。

本申请实施例涉及的信息推荐***20也可以是区块链***的分布式***201，参见图2B，图2B是本申请实施例提供的信息推荐***20应用于区块链***的一个可选的结构示意图，其中，所述分布式***201可以是由多个节点202（接入网络中的任意形式的计算设备，如服务器、用户终端）和客户端203形成的分布式节点，节点之间形成组成的点对点（P2P，Peer To Peer）网络，P2P协议是一个运行在传输控制协议（TCP，TransmissionControl Protocol）协议之上的应用层协议。在分布式***中，任何机器如服务器、终端都可以加入而成为节点，节点包括硬件层、中间层、操作***层和应用层。

需要说明的是，在分布式***201中，每一节点202对应一用户终端，在每一用户的用户终端上，会收集该用户的互动信息和互动数据（例如，用户所点击信息的类型、点击的次数等），进而对用户画像进行描绘，以确定用户的喜好和习惯，从而结合本申请实施例的方法，准确的确定出每一用户终端对应的目标推荐信息，以实现对用户终端进行信息推荐。

在该区块链***中，每一用户的互动信息和互动数据均会被记录下来，且不可更改，并且，随着用户互动信息和互动数据的更新，区块链中所存储的数据也会发生更新，从而能够及时地对用户画像进行更新，从而使得用户特征能够及时更新，进而在进行信息推荐时，能够基于所描绘的用户画像（即用户的习惯和喜好），匹配出更加适合用户的目标推荐信息，实现对用户的准确和高效推荐。

参见图2B示出的区块链***中各节点的功能，下面对区块链***中各节点涉及的功能进行详细介绍：

1）路由，节点具有的基本功能，用于支持节点之间的通信。节点除具有路由功能外，还可以具有以下功能：

2）应用，用于部署在区块链中，根据实际业务需求而实现特定业务，记录实现功能相关的数据形成记录数据，在记录数据中携带数字签名以表示任务数据的来源，将记录数据发送到区块链***中的其他节点，供其他节点在验证记录数据来源以及完整性成功时，将记录数据添加到临时区块中。例如，应用实现的业务包括：2.1）钱包，用于提供进行电子货币的交易的功能，包括发起交易（即，将当前交易的交易记录发送给区块链***中的其他节点，其他节点验证成功后，作为承认交易有效的响应，将交易的记录数据存入区块链的临时区块中；当然，钱包还支持查询电子货币地址中剩余的电子货币。2.2）共享账本，用于提供账目数据的存储、查询和修改等操作的功能，将对账目数据的操作的记录数据发送到区块链***中的其他节点，其他节点验证有效后，作为承认账目数据有效的响应，将记录数据存入临时区块中，还可以向发起操作的节点发送确认。2.3）智能合约，计算机化的协议，可以执行某个合约的条款，通过部署在共享账本上的用于在满足一定条件时而执行的代码实现，根据实际的业务需求代码用于完成自动化的交易，例如查询买家所购买商品的物流状态，在买家签收货物后将买家的电子货币转移到商户的地址；当然，智能合约不仅限于执行用于交易的合约，还可以执行对接收的信息进行处理的合约。

3）区块链，包括一系列按照产生的先后时间顺序相互接续的区块（Block），新区块一旦加入到区块链中就不会再被移除，区块中记录了区块链***中节点提交的记录数据。

4）共识（Consensus），是区块链网络中的一个过程，用于在涉及的多个节点之间对区块中的交易达成一致，达成一致的区块将被追加到区块链的尾部，实现共识的机制包括工作量证明（PoW，Proof of Work）、权益证明（PoS，Proof of Stake）、股份授权证明（DPoS，Delegated Proof-of-Stake）、消逝时间量证明（PoET，Proof of Elapsed Time）等。

参见图2C，图2C是本申请实施例提供的区块结构（Block Structure）的一个可选的示意图，每个区块中包括本区块存储交易记录的哈希值（本区块的哈希值）、以及前一区块的哈希值，各区块通过哈希值连接形成区块链。另外，区块中还可以包括有区块生成时的时间戳等信息。区块链（Blockchain），本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了相关的信息，用于验证其信息的有效性（防伪）和生成下一个区块。

参见图3，图3是本申请实施例提供的信息推荐服务器300的结构示意图，图3所示的信息推荐服务器300包括：至少一个处理器310、存储器350、至少一个网络接口320和用户接口330。信息推荐服务器300中的各个组件通过总线***340耦合在一起。可理解，总线***340用于实现这些组件之间的连接通信。总线***340除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图3中将各种总线都标为总线***340。

处理器310可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器（DSP，Digital Signal Processor），或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。

用户接口330包括使得能够呈现媒体内容的一个或多个输出装置331，包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口330还包括一个或多个输入装置332，包括有助于用户输入的用户接口部件，比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。

存储器350可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器350可选地包括在物理位置上远离处理器310的一个或多个存储设备。存储器350包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器（ROM，Read Only Memory），易失性存储器可以是随机存取存储器（RAM，Random Access Memory）。本申请实施例描述的存储器350旨在包括任意适合类型的存储器。在一些实施例中，存储器350能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。

操作***351，包括用于处理各种基本***服务和执行硬件相关任务的***程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；

网络通信模块352，用于经由一个或多个（有线或无线）网络接口320到达其他计算设备，示例性的网络接口320包括：蓝牙、无线相容性认证（WiFi）、和通用串行总线（USB，Universal Serial Bus）等；

输入处理模块353，用于对一个或多个来自一个或多个输入装置332之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。

在一些实施例中，本申请实施例提供的装置可以采用软件方式实现，图3示出了存储在存储器350中的一种信息推荐装置354，该信息推荐装置354可以是信息推荐服务器300中的信息推荐装置，其可以是程序和插件等形式的软件，包括以下软件模块：第一获取模块3541、第二获取模块3542、第三获取模块3543、输入模块3544、第一确定模块3545和发送模块3546，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。

在另一些实施例中，本申请实施例提供的装置可以采用硬件方式实现，作为示例，本申请实施例提供的装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本申请实施例提供的信息推荐方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路（ASIC，Application Specific Integrated Circuit）、DSP、可编程逻辑器件（PLD，Programmable Logic Device）、复杂可编程逻辑器件（CPLD，ComplexProgrammable Logic Device）、现场可编程门阵列（FPGA，Field-Programmable GateArray）或其他电子元件。

下面将结合本申请实施例提供的信息推荐服务器300的示例性应用和实施，说明本申请实施例提供的信息推荐方法。参见图4，图4为本申请实施例提供的信息推荐方法的一种实现流程示意图，该信息推荐方法应用于信息推荐服务器，以下将结合图4示出的步骤进行说明。

步骤S101，响应于接收到的信息推荐请求，获取所述信息推荐请求中携带的用户标识。

这里，该信息推荐请求可以是用户终端发出的，用户终端在打开某一个应用程序或者在打开某个视频时，会触发信息推荐请求，该信息推荐请求会先发送至应用程序对应的应用服务器，该应用服务器再将该信息推荐请求发送至信息推荐服务器。信息推荐请求中携带有用户标识，该用户标识可以是用户登录应用程序时的标识，该用户标识具有唯一性。例如，对于即时通讯应用来说，用户标识可以是用户ID，而不是昵称。

信息推荐服务器在接收到信息推荐请求后，获取该信息推荐请求中携带的该用户标识，以通过该用户标识确定用户喜好、用户属性等。

步骤S102，获取所述用户标识对应的用户特征、多个待推荐信息和所述多个待推荐信息的信息特征。

这里，该用户特征可以包括用户属性特征，例如，该用户标识对应的用户名、年龄、所在地，还包括用户上下文特征，该用户上下文特征为用户发起本次推荐请求时的上下文特征，例如用户终端所属的网络类型、用户终端的类型、触发推荐请求的时机。网络类型可以包括移动网网络、有线网络、无线网络等；用户终端的类型可以包括智能手机、平板电脑、台式计算机等；触发推荐请求的时机可以是启动App，观看视频等。

该多个推荐信息可以是召回的推荐信息。推荐信息可以是图像推荐信息，还可以是视频推荐信息，推荐信息的信息特征可以包括：信息标题、信息素材等。

在本申请实施例中，用户特征还可以包括历史对象特征，该历史对象特征可以是用户进行点击或者存在转化的推荐对象的对象特征，例如可以包括对象标识、对象价格等。在本申请实施例中，将历史对象特征增加至用户特征中，从而能够在进行信息推荐时，增加对用户消费习惯的考量，进而提高信息推荐的准确性。

在一些实施例中，用户特征可以是信息推荐服务器在接收到信息推荐请求之前，从用户属性信息以及用户的历史行为数据中提取出来的。

步骤S103，获取所述多个待推荐信息中携带的推荐对象的对象特征。

这里，推荐对象可以是商品，该对象特征中至少包括所述推荐对象的价格特征，其中，该价格特征包括推荐对象的绝对价格特征还包括相对价格特征，其中绝对价格特征表征推荐对象的绝对价格的高低，相对价格特征表征推荐对象在同类型产品中相对价格的高低；在一些实施例中，该对象特征还可以包括对象标识、对象类型、对象品牌等。

步骤S104，将该用户特征、信息特征和对象特征输入至训练好的排序模型，得到该多个待推荐信息的排序结果。

这里，该排序模型可以是神经网络模型，例如可以是深度学习神经网络模型，该排序模型至少可以包括向量层和全连接层，在具体实现时，可以包括左右两个塔，并在这两个塔分别包括向量层和全连接层。

在步骤S102和步骤S103中，得到的用户特征、信息特征和对象特征都还是原始的格式，例如用户标识可以是012345，性别可以是女，所在地可以是北京等等。步骤S104在实现时，可以是将用户特征输入至一个塔的向量层，从而得到用户特征的向量表示，将用户特征的向量表示输入至该塔的全连接层，得到全连接层输出的预设维数的第一向量；将信息特征和对象特征输入至另一个塔的向量层，得到信息特征和对象特征的向量表示，并且将两者的向量表示进行拼接，得到拼接后的向量，并将拼接后的向量输入该塔的全连接层，同样得到预设维数的第二向量，进而将第一向量和第二向量进行内积计算，得到待推荐信息的预测得分，基于每个待推荐信息的预测得分进行升序或降序排列，得到排序结果。

步骤S105，基于该排序结果，从该多个待推荐信息中确定至少一个目标推荐信息。

这里，步骤S105在实现时，可以是基于信息推荐请求对应的信息推荐时长，从排序结果中获取前一个或前几个待推荐信息，作为目标推荐信息，且该至少一个目标推荐信息的播放总时长是大于或者等于该信息推荐时长的。

在对多个待推荐信息筛选目标推荐信息时，不仅考虑了用户特征以及信息特征，还融合了推荐对象的对象特征，从而能够提供更适合用户的推荐信息。

步骤S106，将携带有所述目标推荐信息的推荐响应发送至用户终端。

这里，步骤S106在实现时，可以是信息推荐服务器将该推荐响应发送至应用服务器，再由应用服务器将推荐响应发送至用户终端。在一些实施例中，用户终端在接收到推荐响应中，获取其中携带的目标推荐信息，并呈现该目标推荐信息。

在本申请实施例提供的信息推荐方法中，信息推荐服务器在接收到信息推荐请求后，获取该信息推荐请求中携带的用户标识所对应的用户特征、多个待推荐信息的信息特征，并且获取多个待推荐信息中的推荐对象的对象特征，尤其要获取价格特征，从而结合用户特征、信息特征和对象特征从所述多个待推荐信息中确定目标推荐信息，如此能够保证目标推荐信息不仅能够符合用户特征，还能够符合用户的消费习惯，不仅能够提高信息推荐的准确率，还能够提高信息推荐的起量率和转化率。

在一些实施例中，上述的步骤S105“基于所述排序结果，从所述多个待推荐信息中确定至少一个目标推荐信息”可以通过以下步骤实现：

步骤S1051，获取所述信息推荐请求对应的信息推荐时长。

这里，信息推荐请求中可以携带有信息推荐时长，该信息推荐时长可以是基于信息推荐请求的触发时机确定的，例如，是在用户启动某一App而触发信息推荐请求时，推荐时长可以是3到5秒，当用户观看视频而触发信息推荐请求时，推荐时长可以是30秒到90秒，例如可以是65秒。

步骤S1052，基于所述信息推荐时长和所述排序结果，从所述多个待推荐信息中确定至少一个目标推荐信息。

这里，步骤S1052在实现时，可以根据推荐时长，从排序结果中选择出前N个推荐信息，其中，满足前N-1个推荐信息的播放时长相加小于信息推荐时长，且前N个推荐信息的播放时长加起来大于或等于该推荐时长，当前N个推荐信息的播放时长加起来大于信息推荐时长时，可以调整最后一个推荐信息的播放倍速，从而使得在该信息推荐时长内播放完该N个推荐信息。

在一些实施例中，上述的排序模型在训练时的训练数据同样包括用户特征、对象特征和信息特征，这样能够使得排序模型能够感知不同推荐对象的价格，因此，在利用训练好的排序模型从待推荐信息中确定目标推荐信息时，能够优化排序效果。

在一些实施例中，在步骤S101之前，信息推荐服务器需要提前提取出各个用户标识对应的用户特征和各个推荐信息的信息特征，从而能够在接收到信息推荐请求时，及时为用户提供目标推荐信息。其中，信息特征可以是针对推荐信息进行本身进行特征提取得到的；用户特征的提取过程可以通过以下步骤实现：

步骤S201，获取所述用户标识对应的历史行为数据、用户属性特征和用户上下文特征。

这里，用户属性特征可以包括用户标识、性别、年龄、所在地等，用户上下文特征可以包括用户终端的类型、用户终端所使用网络的类型、信息推荐请求的触发时机等，历史行为数据可以包括用户浏览的文章，搜索的关键字、购买的物品、观看的推荐信息等。

步骤S202，基于所述历史行为数据确定所述用户标识对应的用户画像特征和目标对象标识。

这里，步骤S202在实现时，可以对历史行为数据进行数据分析，从而确定出用户的偏好信息，从而确定出用户画像特征，目标对象标识是用户进行点击或者存在转化的推荐对象的对象标识，通过对历史行为数据的分析，能够确定用户点击过哪些推荐信息，或者购买过哪些推荐信息对应的推荐对象，从而确定出目标对象标识。

步骤S203，获取所述目标对象标识对应的历史对象特征。

这里，在一些实施例中，信息推荐服务器可以对自身存储的推荐对象的对象信息进行特征提取，得到各个推荐对象的对象特征，并将各个推荐对象的对象特征存储至特征仓库。步骤S203在实现时，可以基于目标对象标识，从特征仓库中获取对应的历史对象特征。该历史对象特征中可以包括对象标识、对象类型等，在一些实施例中，该历史对象特征中还可以包括推荐对象的价格特征。

步骤S204，基于所述用户属性特征、用户上下文特征、用户画像特征和历史对象特征确定所述用户标识对应的用户特征。

通过上述的步骤S201至步骤S204，在用户特征中增加用户进行点击或存在转化的推荐对象的历史对象特征，通过历史对象特征能够确定用户消费水平、消费习惯，从而提高信息推荐的准确率。

在一些实施例中，上述步骤S103“获取该多个待推荐信息中携带的推荐对象的对象特征”可以通过以下步骤实现：

步骤S1031，获取各个待推荐信息对应的推荐对象的对象标识。

这里，对象标识可以是对象名称，还可以是对象ID。

步骤S1032，从标准对象信息库中获取所述对象标识对应的对象信息。

这里，标准对象信息库中包括各个推荐对象的标准类型，该标准类型是通过训练好的对象分类模型对各个推荐对象的推荐信息中除对象类型之外的推荐信息进行类型预测得到的，通过训练好的训练分类模型可以将不同供应方提供的推荐对象的对象类型映射至统一类目中，从而便于对同类推荐对象的价格进行相对性比较。

步骤S1033，从所述对象信息中提取所述推荐对象的对象特征。

这里，步骤S1033可以通过以下步骤实现：

步骤S331，从所述对象信息中至少提取所述推荐对象的对象标识、标准类型、对象品牌。

这里，步骤S331在实现时，可以从对象信息中对象标识、标准类型、对象品牌对应的字段中提取出推荐对象的对象标识、标准类型、对象品牌。

步骤S332，获取所述推荐对象的对象价格和所述标准类型对应的价格分类信息。

这里，可以从对象信息中价格字段中获取该推荐对象的对象价格，该对象价格可以是整数或浮点数。各个标准类型对应的价格分类信息可以是根据标准对象信息库中属于同一个标准类型的所有推荐对象的对象价格确定的。该价格分类信息可以是价格指数与价格区间的对应关系。

步骤S333，基于所述对象价格和所述价格分类信息，确定所述推荐对象的价格指数。

这里，价格指数用于表征所述对象价格在同类中的昂贵程度，在本申请实施例中，可以将价格指数分为10级，价格指数越高表示推荐对象在同类中越昂贵，例如，价格指数为1的推荐对象，在同类中很便宜，价格指数为10的推荐对象在同类中很昂贵。

步骤S334，将所述对象价格和所述价格指数确定为所述推荐对象的价格特征。

这里，对象价格可以是推荐对象的绝对价格；价格指数可以表征推荐对象的相对价格。

在一些实施例中，信息推荐服务器可以预先提取出标准对象信息库中包括的所有推荐对象的对象特征，并存储到对象特征库中，那么此时步骤S103在实现时，可以是首先获取各个待推荐信息对应的推荐对象的对象标识，然后再从对象特征库中获取对象标识对应的对象特征。

在一些实施例中，为了更准确的确定推荐对象的价格特征，需要将不同供应方提供的推荐对象映射到统一的类目体系中，该统一的类目体系中包括多个标准类型，在将推荐对象映射到统一的类目体系在实现时，可以通过训练好的对象分类模型对推荐对象的类型进行预测，从而得到推荐对象的标准类型。

在一些实施例中可以通过下述的步骤S401至步骤S404得到训练好的对象分类模型，以下结合各步骤进行说明。

步骤S401，获取样本对象库和预设的候补类型集合。

这里，样本对象库中包括多个样本对象和所述多个样本对象对应的样本类型。该样本对象库可以是具备完整商品体系的大平台对象库，该样本类型可以是样本对象所属的对象类目路径。

步骤S402，将所述样本对象库中包括的样本类型集合和候补类型集合的并集确定为标准类型集合。

这里，候补类型集合可以包括信息推荐服务器对应的工作人员指定的候补类型。该候补类型一般是不包括于样本类型集合的类型，用于对样本类型集合进行补充。

步骤S403，获取所述样本对象库中各个样本对象的目标样本信息。

这里，目标样本信息为除样本类型之外的其他样本信息。

步骤S404，利用所述目标样本信息和所述标准类型集合对所述对象分类模型进行训练，得到训练好的对象分类模型。

这里，对象分类模型可以是神经网络模型，步骤S404在实现时，可以首先确定目标样本信息的样本类型，然后将目标样本信息输入至预设的对象分类模型中进行预测处理，得到目标样本信息的预测类型，根据样本类型和预测类型对对象分类模型进行训练，也即对对象分类模型的参数进行调整，直至达到训练目标，从而得到训练好的对象分类模型。

通过上述步骤S401至步骤S404，能够得到训练好的对象分类模型，从而能够利用该训练好的对象分类模型，能够将不同供应方提供的对象库映射到标准对象库中，使得所有推荐对象都映射到同一个类目体系下。

在一些实施例中，基于训练好的对象分类模型，可以通过如图5所示的步骤S501至步骤S504构建标准对象信息库，以下结合各步骤进行说明。

步骤S501，获取供应方提供的原始对象信息库。

这里，原始对象信息库中包括多个推荐对象的原始对象信息；在一些实施例中，该原始对象信息可以是供应方人员通过供应方终端在信息推荐App上设置的对象信息，可以包括对象标识、对象品牌、材质、颜色、价格、图片等。供应方人员通过供应方终端设置好对象信息后，可以将对象信息上传至信息推荐服务器，信息推荐服务器为每个供应方建立有一个对象信息库，信息推荐服务器将接收到的对象信息存储至对应的对象信息库中。

步骤S502，将各个原始对象信息中除去各个推荐对象的对象类型得到的对象信息确定为各个预测对象信息。

这里，由于需要对各个推荐对象的标准类型进行预测，因此在步骤S502中需要将推荐对象的对象类型从原始对象信息中删除，从而避免原始的对象类型对预测结果的干扰。

步骤S503，将所述各个预测对象信息输入至训练好的对象分类模型，得到各个推荐对象的标准类型。

步骤S504，基于各个推荐对象的标准类型和原始对象信息构建标准对象信息库。

这里，步骤S504在实现时，可以将各个推荐对象的标准类型增加至各个推荐对象的原始对象信息中，得到标准对象信息，所有推荐对象的标准对象信息构成标准对象信息库。

利用上述的步骤S501至步骤S504，可以将不同供应方提供的原始对象信息库映射到标准对象信息库中，从而使得信息推荐服务器中的所有的推荐对象的类型都统一映射到同一个类目体系，便于后续对同一标准类型的推荐对象的价格进行分桶处理。

在一些实施例中，在构建出标准对象信息库后，可以通过以下步骤确定标准对象信息库中所包括的各个标准类型的价格分类信息：

步骤S505，获取标准对象信息库中各个标准类型对应的对象信息。

这里，步骤S505在实现时，可以获取属于各个标准类型的所有对象信息，例如，获取“汽车”这一标准类型的所有对象信息；获取“洗发水”这一标准类型的所有对象信息等等。

步骤S506，基于各个标准类型对应的对象信息确定各个标准类型对应的最低价格和最高价格。

这里，在步骤S505中获取的对象信息中包括有各个推荐对象的价格，因此在确定出各个标准类型对应的所有对象信息后，可以确定出属于该标准类型的所有推荐对象的最高价格和最低价格。

步骤S507，基于所述各个标准类型最低价格、最高价格和预设的区间个数，确定所述各个标准类型的价格分类信息。

这里，不同的标准类型的区间个数是相同的，例如为K，K为大于2的整数，可以为10、15、20等。但是每个价格区间可以是不同的。在本申请实施例中，可以是将最低价格和最高价格之间划分为K-2个价格区间，将0至最低价格和最高价格至无穷大分别作为两个价格区间，从而得到K个价格区间，该K个价格区间对应1到K的价格指数，将该K个价格区间和K个价格指数之间的对应关系确定为标准类型的价格分类信息。

通过上述的步骤S505至步骤S507，能够将标准对象信息库中属于同一类的推荐对象的价格进行价格指数的确定，通过价格指数反映商品在特定类目下的相对价格高低，以在信息推荐时将价格指数特征融入排序模型，使排序模型能够感知不同商品的相对价格，优化排序效果。

基于前述的实施例，本申请实施例再提供一种信息推荐方法，应用于图2A所示的网络架构，图6为本申请实施例提供的信息推荐方法的再一种实现流程示意图，如图6所示，该方法包括：

步骤S601，供应方终端响应于设置操作，获取针对推荐对象设置的对象信息和推荐信息。

这里，供应方终端中可以安装有信息推荐App，供应方人员能够通过该信息推荐App设置要进行推荐的推荐对象，例如可以是衣服、箱包，还可以是线上课程等，并通过该信息推荐App设置推荐对象的对象信息和推荐信息，该推荐信息可以是广告。

步骤S602，当供应方终端接收到信息上传操作时，将设置的对象信息和推荐信息上传至信息推荐服务器。

这里，当供应方人员通过信息推荐App完成对推荐对象的对象信息和推荐信息的设置后，可以通过做出上传操作，将设置的对象信息和推荐信息上传至信息推荐服务器。

步骤S603，信息推荐服务器提取接收到的对象信息的对象特征，并提取推荐信息的信息特征。

这里，信息推荐服务器在接收到供应方上传的对象信息和推荐信息后，首先确定自身是否存储有该供应方的原始信息库，其中包括原始对象信息库和推荐信息库，如果自身存储有该供应方的原始信息库，那么将接收到的对象信息存储至原始对象信息库，并利用训练好的对象分类模型确定该推荐对象的标准类型，将该推荐对象的标准类型和对象信息存储至标准对象信息库，将该推荐对象的推荐信息存储至供应方的推荐信息库。

步骤S603在实现时，信息推荐服务器基于标准对象信息库中推荐对象的对象信息提取对象特征，并基于推荐信息库中的推荐信息提取推荐信息的信息特征。

步骤S604，信息推荐服务器获取各个用户标识对应的用户特征。

这里，信息推荐服务器获取各个用户标识对应的历史行为数据，从而基于历史行为数据确定用户画像特征和目标对象标识，并获取各个用户标识对应的用户属性特征。其中目标对象标识为用户进行过点击或者存在转化的推荐对象的对象标识。

步骤S605，信息推荐服务器基于各个用户标识对应的用户特征，从所有的推荐信息中筛选出各个用户标识对应的待推荐信息。

这里，待推荐信息可以时基于各个用户特征确定出的各个用户标识对应的召回的推荐信息。

步骤S606，用户终端接收会触发信息推荐请求的触发操作。

这里，该触发操作可以是点击某一App的图标启动该App的操作，也可以是针对视频播放App中某一视频的点击操作。

步骤S607，用户终端响应于该触发操作，经由应用服务器向信息推荐服务器发送信息推荐请求。

这里，该信息推荐请求中携带有用户标识，并且该信息推荐请求中还携带有该触发操作的类型。

步骤S608，信息推荐服务器获取信息推荐请求中携带的用户标识。

步骤S609，信息推荐服务器获取所述用户标识对应的用户特征、多个待推荐信息和所述多个待推荐信息的信息特征。

步骤S610，信息推荐服务器获取所述多个待推荐信息中携带的推荐对象的对象特征。

这里，对象特征中至少包括所述推荐对象的价格特征，该价格特征可以包括推荐对象的绝对价格，还包括推荐对象的价格指数。

步骤S611，信息推荐服务器将所述用户特征、信息特征和对象特征输入至训练好的排序模型，得到所述多个待推荐信息的排序结果。

步骤S612，信息推荐服务器获取所述信息推荐请求对应的信息推荐时长。

步骤S613，信息推荐服务器基于所述信息推荐时长和所述排序结果，从所述多个待推荐信息中确定至少一个目标推荐信息。

步骤S614，信息推荐服务器将携带有所述目标推荐信息的推荐响应发送至用户终端。

步骤S615，用户终端呈现目标推荐信息。

这里，当目标推荐信息为视频时，步骤S615在实现时可以是，用户终端播放该目标推荐信息。

需要说明的是，本申请实施例与其他实施例相同的概念和步骤，请参考其他实施例的说明。

在本申请实施例提供的信息推荐方法中，供应方通过供应方终端对需要进行推广的推荐对象的对象信息和推荐信息进行编辑并上传至信息服务器，信息服务器将不同供应方提供的对象信息映射到标准对象信息库中，以将不同供应方提供的推荐对象进行打平处理，并给每个标准类型下的所有推荐对象计算价格指数，用以反映推荐对象在同一类型下的相对价格高低；信息推荐服务器在接收到信息推荐请求后，获取该信息推荐请求中携带的用户标识所对应的用户特征、多个待推荐信息的信息特征，并且获取多个待推荐信息中的推荐对象的对象特征，尤其要获取价格特征，从而结合用户特征、信息特征和对象特征从所述多个待推荐信息中确定目标推荐信息，如此能够保证目标推荐信息不仅能够符合用户特征，还能够符合用户的消费习惯，从而能够提高信息推荐的准确率，另外，由于低价的推荐信息本身有更高的转化率，因此在增加了价格特征后，低价的推荐信息的得分得以提高，从而能够提高信息推荐的起量率。

下面，将说明本申请实施例在一个实际的应用场景中的示例性应用。在本申请实施例中，以推荐信息为广告为例进行说明。

图7A为本申请实施例提供的信息推荐方法的再一种实现流程示意图，如图7A所示，该流程包括：

步骤S701，获取广告主提供的商品数据。

这里，广告主可以通过图7B所示的界面，设置商品数据，并可以通过点击或触控图7B中的商品详情按钮控件721，呈现如图7C所示的商品详情界面。

步骤S702，基于广告主提供的商品数据进行商品特征挖掘。

步骤S703，基于广告主提供的商品数据和挖掘出的商品特征构建商品库。

步骤S704，广告主通过投放终端选择商品。

步骤S705，将选择商品对应的广告存储至广告库。

图7A所示的步骤S701至步骤S705为商品广告的投放过程，投放广告的过程中，需要从商品库选择适当的商品作为商品广告的一部分。

步骤S706，将从商品库中提取出各个商品的商品特征存储至特征仓库，并将从广告库中提取出各个广告的广告特征存储至特征仓库；

步骤S707，获取回流的效果数据；

步骤S708，将效果数据进行日志转化；

步骤S709，将转化后的数据和特征仓库中的商品特征、广告特征进行关联，得到训练数据流；

步骤S710，基于训练数据流进行特征提取；

步骤S711，利用提取出的特征进行模型训练，得到训练好的排序模型；

步骤S706至步骤S711为模型训练部分，广告和商品相关的特征属性通过特征仓库，写入训练数据流，进行模型训练。

步骤S712，将用户画像提供的用户特征、召回广告的广告特征和对应的商品特征输入至排序模型，得到排序结果。

通过步骤S712能够实现线上模型的预估，通过利用上述步骤训练好的排序模型，对用户画像提供的用户特征、商品特征和广告特征，对召回的广告进行打分排序，得到排序结果，在实际实现时，该排序结果可以是按照降序排序的，也即得分最高的广告排在第一位，得分最低的广告排在最后一位。

在一些实施例中，在得到排序结果后，可以基于排序结果确定一个或多个广告提供给用户。

图8为本申请实施例提供的利用排序模型进行排序预测的实现流程示意图，如图8所示，该排序模型也包括左塔和右塔，左塔和右塔至少包括三层的全连接网络，该流程包括：

步骤S801，将商品前文特征和用户特征、前文特征进行拼接，得到第一拼接向量，将广告特征和对应的商品特征进行拼接，得到第二拼接向量。

这里，商品前文特征可以是基于用户的历史行为数据中，筛选出的用户有点击和转化商品的商品特征，例如商品ID，类目ID，品牌ID等，在一些实施例中商品前文特征还可以包括将商品价格以及商品价格指数，用以表征用户对商品价格的偏好，从而能够提高用户意图的识别准确性。

与广告特征进行拼接的商品特征是广告中所包括商品的商品特征，例如一个关于黑芝麻丸的广告，那么该广告对应的商品特征为该黑芝麻丸的商品特征。其中，与广告特征进行拼接的商品特征中一定包括价格特征，例如可以包括商品价格，还可以包括价格指数。

步骤S802，将第一拼接向量输入至左塔的全连接网络，得到32维的第一向量，将第二拼接向量输入至右塔的全连接网络，得到32维的第二向量。

步骤S803，将第一向量和第二向量进行内积计算，得到广告预测得分。

本申请实施例中，在步骤S801之前，还需要提取商品特征，例如商品名称、商品ID、类目ID、品牌ID、价格等，其中，商品名称为字符串类型的特征，商品ID、类目ID、品牌ID均为整数类型的特征，价格为浮点数类型的特征。

在本申请实施例中，商品名称、商品ID、类目ID、品牌ID均以原始形态接入特征embedding层处理。价格特征由于其特殊性，直接以ID或字符串处理易造成损失，因此采用了分桶处理的方法。桶的上下界首尾相接，假设各分桶依次为：[1,10,20,30,40,50,60,70,80,90,100,120,140,160,180,200,250,300,350,400,500,600,700,800,900,1000,2000,3000,4000,5000,6000,7000,8000,9000]

对应地，桶的编号依次为1，2，3，4……，如果某个商品的价格为25元，则其落在第3个桶，其抽取后的价格特征为3。

在本申请实施例中，加入商品特征（包括价格特征）后，整体电商广告的AUC提升1.16%，其中有价格的商品广告AUC提升2.08%，商品特征使得商品广告在模型中的预测准确性有大幅的提升。

但是如果将绝对价格输入排序模型，那么排序模型只学到了绝对价格的高低，却对商品的便宜与否没有准确的认识。比如一辆廉价轿车的价格为10万元，一块名牌手表的价格为9万元。轿车的绝对价格是比手表要高，但显然手表的相对价格（档次）要比轿车高不少。

为了让排序模型对商品的相对价格有更好的预测，在本申请实施例中提出计算商品的价格指数这一方法。

在实现时，首先通过商品知识库将所有商品库（包括大平台和小广告主电商）的所有商品映射到同一个类目体系下。由此，所有的商品均被划分到各自的类目下。

如图9所示，将商品库A 901、商品库B 902、商品库C 903中的所有商品映射到同一个类目体系，该类目体系包括统一类目1 911、统一类目2 912、统一类目3 913、…、统一类目N 91N。

然后对每个类目下的所有商品价格进行分桶，每个统一类目有各自的价格分桶。例如可以将每个类目的商品价格分为10个等级（价格指数）。

表1为汽车和手表的价格等级划分表，如表1所示，10万元的汽车的价格指数为3，9万元的名牌表的价格指数为10，两个商品的价格档次差别显而易见。

在本申请实施例中，将价格指数特征也加入到排序模型当中进行训练。

图10为本申请实施例提供的构建商品知识库和统一类目的示意图，如图10所示，首先将具备完整商品体系的大平台商品库1001和自己制定的标准行业类目1002作为训练样本，进行训练，得到商品知识库模型1003。

然后将所有的商品库（包括小广告主商品库、大平台电商商品库）通过商品知识库模型进行预测，即得到统一类目体系1004。

例如，A广告主下的“箱包”商品和和B广告主下的“名牌包包”商品就均被归类到“服饰箱包”的类目中去。

以下通过实例对本申请实施例提供的信息推荐方法的技术效果进行图表化说明。

首先用图形化的方式证明价格指数能够反映商品的相对价格，在本申请实施例中，从真实的商品广告中找到了两组商品，分别是茶壶和染发膏。表2为茶壶和染发膏的商品特征对照表。

通过表2可以看出，染发膏（C，D）的整体价格明显是低于茶壶（A，B）的价格，价格138的染发膏D绝对价格不贵，但是在染发高中已经很高价了；价格199的茶壶A绝对价格较高，但属于便宜的茶壶。

因此，融入了价格指数特征的模型相对于原模型：贵的染发膏D和贵的茶壶B的相似度高些；贵的染发膏D和便宜的茶壶A的相似度低些。

以下结合图11A和图11B进行直观地印证：

将A、B、D三组广告和随机抽取的500个噪声广告用模型预测embedding特征向量，并通过TSNE的降维可视化方法标注于预测结果图中。图中的点与点之间距离越近，则说明两者的相似度越高。

图11A为只加了商品价格特征的排序模型预测结果示意图，通过图11A可以看出，商品D 1103与商品A 1101同属绝对价格低商品，距离近，相似度高；商品D 1103与商品B1102属于高档次商品，但距离远，相似度低。

图11B为增加了价格指数特征的排序模型预测结果示意图，通过图11B可以看出，商品D 1103与商品A 1101同属绝对价格低商品，价格档次差别大距离变远，相似度变低，商品D 1013与商品B 1102属于高档次商品，距离变近，相似度变高。

图12为利用本申请实施例提供的信息推荐方法进行信息推荐时广告起量率的变化曲线示意图，如图12中起量率曲线1201所示，自2019年12月24日采用本申请实施例提供的信息推荐方法进行信息推荐后，商品广告的起量率从10%逐步提升到24%。

需要说明的是，商品侧的商品特征和用户侧的商品前文特征总计会给***大盘带来1.1%的消耗提升，其中对商品广告的提升有10.1%的消耗提升。

在本申请实施例中，将商品特征，尤其是价格特征融入广告排序模型，用以加强排序模型对不同价格广告预测的区分度和准确性。在广告主给定的商品价格基础上，利用商品知识库技术，将各广告主的商品打平处理，映射到统一的类目体系中，并给每个类目下的所有商品计算价格指数，用以反映商品在特定类目下的相对价格高低。将价格指数特征融入排序模型，使模型能够感知不同商品的相对价格，优化排序效果。

下面继续说明本申请实施例提供的信息推荐装置354实施为软件模块的示例性结构，在一些实施例中，如图3所示，存储在存储器350的信息推荐装置354中的软件模块可以是服务器300中的信息推荐装置，包括：

第一获取模块3541，用于响应于接收到的信息推荐请求，获取所述信息推荐请求中携带的用户标识；

第二获取模块3542，用于获取所述用户标识对应的用户特征、多个待推荐信息和所述多个待推荐信息的信息特征；

第三获取模块3543，用于获取所述多个待推荐信息中携带的推荐对象的对象特征，所述对象特征中至少包括所述推荐对象的价格特征；

输入模块3544，用于将所述用户特征、信息特征和对象特征输入至训练好的排序模型，得到所述多个待推荐信息的排序结果；

第一确定模块3545，用于基于所述排序结果，从所述多个待推荐信息中确定至少一个目标推荐信息；

发送模块3546，用于将携带有所述目标推荐信息的推荐响应发送至用户终端。

在一些实施例中，该装置还包括：

第四获取模块，用于获取所述用户标识对应的历史行为数据、用户属性特征和用户上下文特征；

第二确定模块，用于基于所述历史行为数据确定所述用户标识对应的用户画像特征和目标对象标识，所述目标对象标识是用户进行点击或者存在转化的推荐对象的对象标识；

第五获取模块，用于获取所述目标对象标识对应的历史对象特征；

第三确定模块，用于基于所述用户属性特征、用户上下文特征、用户画像特征和历史对象特征确定所述用户标识对应的用户特征。

在一些实施例中，该第三获取模块，还用于：

获取各个待推荐信息对应的推荐对象的对象标识；

从标准对象信息库中获取所述对象标识对应的对象信息；

从所述对象信息中提取所述推荐对象的对象特征。

在一些实施例中，该第三获取模块，还用于：

从所述对象信息中至少提取所述推荐对象的对象标识、标准类型、对象品牌；

获取所述推荐对象的对象价格和所述标准类型对应的价格分类信息；

基于所述对象价格和所述价格分类信息，确定所述推荐对象的价格指数，所述价格指数用于表征所述对象价格在同类中的昂贵程度；

将所述对象价格和所述价格指数确定为所述推荐对象的价格特征。

在一些实施例中，该装置还包括：

第六获取模块，用于获取样本对象库和预设的候补类型集合，所述样本对象库中包括多个样本对象和所述多个样本对象对应的样本类型；

第四确定模块，用于将所述样本对象库中包括的样本类型集合和候补类型集合的并集确定为标准类型集合；

第七获取模块，用于获取所述样本对象库中各个样本对象的目标样本信息，所述目标样本信息为除样本类型之外的其他样本信息；

训练模块，用于利用所述目标样本信息和所述标准类型集合对所述对象分类模型进行训练，得到训练好的对象分类模型。

在一些实施例中，该装置还包括：

第八获取模块，用于获取供应方提供的原始对象信息库，所述原始对象信息库中包括多个推荐对象的原始对象信息；

第五确定模块，用于将各个原始对象信息中除去各个推荐对象的对象类型得到的对象信息确定为各个预测对象信息；

分类模块，用于将所述各个预测对象信息输入至训练好的对象分类模型，得到各个推荐对象的标准类型；

信息库构建模块，用于基于各个推荐对象的标准类型和原始对象信息构建标准对象信息库。

在一些实施例中，该装置还包括：

第九获取模块，用于获取标准对象信息库中各个标准类型对应的对象信息；

第六确定模块，用于基于各个标准类型对应的对象信息确定各个标准类型对应的最低价格和最高价格；

第七确定模块，用于基于所述各个标准类型最低价格、最高价格和预设的区间个数，确定所述各个标准类型的价格分类信息。

在一些实施例中，该第一确定模块，还用于：

将所述用户特征、信息特征和对象特征输入至训练好的排序模型，得到所述多个待推荐信息的排序结果；

获取所述信息推荐请求对应的信息推荐时长；

基于所述信息推荐时长和所述排序结果，从所述多个待推荐信息中确定至少一个目标推荐信息。

需要说明的是，本申请实施例装置的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果，因此不做赘述。对于本装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

本申请实施例提供一种存储有可执行指令的存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的方法，例如，如图4、图5和图6示出的方法。

在一些实施例中，存储介质可以是计算机可读存储介质，例如，铁电存储器（FRAM，Ferromagnetic Random Access Memory）、只读存储器（ROM，Read Only Memory）、可编程只读存储器（PROM，Programmable Read Only Memory）、可擦除可编程只读存储器（EPROM，Erasable Programmable Read Only Memory）、带电可擦可编程只读存储器（EEPROM，Electrically Erasable Programmable Read Only Memory）、闪存、磁表面存储器、光盘、或光盘只读存储器（CD-ROM，Compact Disk-Read Only Memory）等存储器；也可以是包括上述存储器之一或任意组合的各种设备。

在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。

作为示例，可执行指令可以但不一定对应于文件***中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（HTML，Hyper TextMarkup Language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

以上所述，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。

Claims (11)

1.一种信息推荐方法，其特征在于，包括：

响应于接收到的信息推荐请求，获取所述信息推荐请求中携带的用户标识；

获取所述用户标识对应的用户特征、多个待推荐信息和所述多个待推荐信息的信息特征；

从标准对象信息库中获取所述多个待推荐信息中携带的推荐对象的对象特征，所述对象特征中至少包括所述推荐对象的价格特征；所述标准对象信息库是基于各个推荐对象的标准类型和供应方提供的原始对象信息库中包括的原始对象信息构建的，所述标准类型是通过训练好的对象分类模型对各个原始对象信息中除去各个推荐对象的对象类型之外的对象信息进行类型预测得到的；所述价格特征包括推荐对象的对象价格和价格指数，所述价格指数用于表征所述对象价格在同类中的昂贵程度；

将所述用户特征、信息特征和对象特征输入至训练好的排序模型，得到所述多个待推荐信息的排序结果；

基于所述排序结果，从所述多个待推荐信息中确定至少一个目标推荐信息；

将携带有所述目标推荐信息的推荐响应发送至用户终端。

2.根据权利要求1中所述的方法，其特征在于，所述方法还包括：

获取所述用户标识对应的历史行为数据、用户属性特征和用户上下文特征；

基于所述历史行为数据确定所述用户标识对应的用户画像特征和目标对象标识，所述目标对象标识是用户进行点击或者存在转化的推荐对象的对象标识；

获取所述目标对象标识对应的历史对象特征；

基于所述用户属性特征、用户上下文特征、用户画像特征和历史对象特征确定所述用户标识对应的用户特征。

3.根据权利要求1中所述的方法，其特征在于，获取所述多个待推荐信息中携带的推荐对象的对象特征，包括：

获取各个待推荐信息对应的推荐对象的对象标识；

从标准对象信息库中获取所述对象标识对应的对象信息；

从所述对象信息中提取所述推荐对象的对象特征。

4.根据权利要求3中所述的方法，其特征在于，所述从所述对象信息中提取所述推荐对象的对象特征，包括：

从所述对象信息中至少提取所述推荐对象的对象标识、标准类型、对象品牌；

获取所述推荐对象的对象价格和所述标准类型对应的价格分类信息；

基于所述对象价格和所述价格分类信息，确定所述推荐对象的价格指数；

将所述对象价格和所述价格指数确定为所述推荐对象的价格特征。

5.根据权利要求4中所述的方法，其特征在于，所述方法还包括：

获取样本对象库和预设的候补类型集合，所述样本对象库中包括多个样本对象和所述多个样本对象对应的样本类型；

将所述样本对象库中包括的样本类型集合和候补类型集合的并集确定为标准类型集合；

获取所述样本对象库中各个样本对象的目标样本信息，所述目标样本信息为除样本类型之外的其他样本信息；

利用所述目标样本信息和所述标准类型集合对对象分类模型进行训练，得到训练好的对象分类模型。

6.根据权利要求5中所述的方法，其特征在于，所述方法还包括：

获取供应方提供的原始对象信息库，所述原始对象信息库中包括多个推荐对象的原始对象信息；

将各个原始对象信息中除去各个推荐对象的对象类型得到的对象信息确定为各个预测对象信息；

将所述各个预测对象信息输入至训练好的对象分类模型，得到各个推荐对象的标准类型；

基于各个推荐对象的标准类型和原始对象信息构建标准对象信息库。

7.根据权利要求6中所述的方法，其特征在于，所述方法还包括：

获取标准对象信息库中各个标准类型对应的对象信息；

基于各个标准类型对应的对象信息确定各个标准类型对应的最低价格和最高价格；

基于所述各个标准类型最低价格、最高价格和预设的区间个数，确定所述各个标准类型的价格分类信息。

8.根据权利要求1中所述的方法，其特征在于，所述基于所述排序结果，从所述多个待推荐信息中确定至少一个目标推荐信息，包括：

获取所述信息推荐请求对应的信息推荐时长；

基于所述信息推荐时长和所述排序结果，从所述多个待推荐信息中确定至少一个目标推荐信息。

9.一种信息推荐装置，其特征在于，包括：

第一获取模块，用于响应于接收到的信息推荐请求，获取所述信息推荐请求中携带的用户标识；

第二获取模块，用于获取所述用户标识对应的用户特征、多个待推荐信息和所述多个待推荐信息的信息特征；

第三获取模块，用于从标准对象信息库中获取所述多个待推荐信息中携带的推荐对象的对象特征，所述对象特征中至少包括所述推荐对象的价格特征；所述标准对象信息库是基于各个推荐对象的标准类型和供应方提供的原始对象信息库中包括的原始对象信息构建的，所述标准类型是通过训练好的对象分类模型对各个原始对象信息中除去各个推荐对象的对象类型之外的对象信息进行类型预测得到的；所述价格特征包括推荐对象的对象价格和价格指数，所述价格指数用于表征所述对象价格在同类中的昂贵程度；

输入模块，用于将所述用户特征、信息特征和对象特征输入至训练好的排序模型，得到所述多个待推荐信息的排序结果；

第一确定模块，用于基于所述排序结果，从所述多个待推荐信息中确定至少一个目标推荐信息；

发送模块，用于将携带有所述目标推荐信息的推荐响应发送至用户终端。

10.一种信息推荐设备，其特征在于，包括：

存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至8任一项所述的方法。

11.一种计算机可读存储介质，其特征在于，存储有可执行指令，用于引起处理器执行时，实现权利要求1至8任一项所述的方法。

Images