推荐方法及装置、电子设备、存储介质及程序产品与流程

本公开涉及互联网，尤其涉及一种推荐方法及装置、电子设备、存储介质及程序产品。

背景技术：

1、近年来，互联网广告领域发展迅速，尤其是在针对广告的个性化推荐和精准营销方面取得了显著进展。

2、目前，为了优化广告推荐的展示顺序，通常是在传统推荐的召回、重排和精排环节之后，增加一个重排环节，来对精排环节的排序进行修正。然而，目前的重排环节中所用到的模型普遍运行在云端，无法对用户的实时行为做出响应，导致推荐效果差。

技术实现思路

1、为克服相关技术中存在的问题，本公开提供一种推荐方法及装置、电子设备、存储介质及程序产品，能够实时感知到终端侧的行为和/或状态，并做出实时反馈，有效提升推荐物料的效果。

2、根据本公开实施例的第一方面，提供一种推荐方法，至少包括：

3、向服务端发送推荐请求；

4、接收所述服务端基于所述推荐请求返回的响应结果；其中，所述响应结果中包括多个待推荐物料；

5、对所述多个待推荐物料进行排序处理，得到目标顺序；

6、按所述目标顺序显示所述多个待推荐物料。

7、在一些可能的实施方式中，所述对所述多个待推荐物料进行排序处理，得到目标顺序，包括：

8、获取用户和/或终端关联的参考信息；其中，所述参考信息包括所述用户对所述终端的操作行为和/或所述终端的运行状态；

9、基于所述参考信息对所述多个待推荐物料进行排序处理，得到所述目标顺序。

10、在一些可能的实施方式中，所述基于所述参考信息对所述多个待推荐物料进行排序处理，得到所述目标顺序，包括：

11、对所述参考信息进行特征提取，得到所述参考信息对应的参考特征；

12、基于所述参考特征，利用训练后的排序模型对所述多个待推荐物料进行排序处理，得到所述目标顺序；其中，所述训练后的排序模型是所述服务端训练得到并发送给所述终端的。

13、在一些可能的实施方式中，所述训练后的排序模型包括重排序模型；所述基于所述参考特征，利用训练后的排序模型对所述多个待推荐物料进行排序处理，得到所述目标顺序，包括：

14、基于所述参考特征，利用所述重排序模型对每一待推荐物料进行注意力计算，得到所述每一待推荐物料的注意力得分；

15、基于所述每一待推荐物料的注意力得分，对所述多个待推荐物料进行排序处理，得到所述目标顺序。

16、在一些可能的实施方式中，所述基于所述参考特征，利用所述重排序模型对每一待推荐物料进行注意力计算，得到所述每一待推荐物料的注意力得分，包括：

17、提取所述每一待推荐物料对应的物料特征；

18、将所述参考特征，与所述每一待推荐物料对应的物料特征进行拼接后输入所述重排序模型，得到所述每一待推荐物料的特征向量；

19、基于所述每一待推荐物料的特征向量，利用注意力机制构建各待推荐物料之间的关联度，并基于所述各待推荐物料之间的关联度计算各待推荐物料对应的注意力权重，以得到所述每一待推荐物料的注意力得分。

20、在一些可能的实施方式中，所述提取所述每一待推荐物料对应的物料特征，包括：

21、对所述每一待推荐物料进行特征提取，得到所述每一待推荐物料的内容特征；

22、针对每一待推荐物料，将待推荐物料的内容特征和待推荐物料在所述多个待推荐物料中的排序位置的特征进行拼接，得到所述每一待推荐物料对应的物料特征。

23、在一些可能的实施方式中，所述训练后的排序模型包括评估模型；所述基于所述参考特征，利用训练后的排序模型对所述多个待推荐物料进行排序处理，得到所述目标顺序，包括：

24、提取每一待推荐物料的内容特征；

25、针对每一待推荐物料，将所述参考特征，与待推荐物料的内容特征进行拼接后输入所述评估模型中，对待推荐物料进行评估，得到待推荐物料的推荐得分；

26、基于所述每一待推荐物料的推荐得分，对所述多个待推荐物料进行排序处理，得到所述目标顺序。

27、根据本公开实施例的第二方面，提供一种推荐方法，至少包括：

28、接收终端发送的推荐请求；

29、响应于所述推荐请求，确定所述推荐请求对应的多个待推荐物料；

30、向所述终端返回响应结果；其中，所述响应结果中包括所述多个待推荐物料，所述响应结果用于所述终端对所述多个待推荐物料进行排序处理以得到目标顺序后显示。

31、在一些可能的实施方式中，所述方法还包括：

32、获取样本数据集；其中，所述样本数据集中包括多个样本参考信息以及与所述多个样本参考信息关联的多个样本物料；

33、基于所述样本数据集，对预设的神经网络模型进行训练，得到训练后的排序模型；

34、将所述训练后的排序模型发送至所述终端；其中，所述训练后的排序模型用于所述终端对接收的所述多个待推荐物料进行排序处理。

35、在一些可能的实施方式中，所述方法还包括：

36、接收所述终端发送的所述多个样本参考信息；其中，所述多个样本参考信息包括多个样本用户对所述终端的样本操作行为和/或所述样本操作行为关联的所述终端的样本运行状态。

37、根据本公开实施例的第三方面，提供一种推荐装置，至少包括：

38、第一发送模块，配置为向服务端发送推荐请求；

39、第一接收模块，配置为接收所述服务端基于所述推荐请求返回的响应结果；其中，所述响应结果中包括多个待推荐物料；

40、处理模块，配置为对所述多个待推荐物料进行排序处理，得到目标顺序；

41、推荐模块，配置为按所述目标顺序显示所述多个待推荐物料。

42、在一些可能的实施方式中，所述处理模块具体配置为：

43、获取用户和/或终端关联的参考信息；其中，所述参考信息包括所述用户对所述终端的操作行为和/或所述终端的运行状态；

44、基于所述参考信息对所述多个待推荐物料进行排序处理，得到所述目标顺序。

45、在一些可能的实施方式中，所述处理模块还配置为：

46、对所述参考信息进行特征提取，得到所述参考信息对应的参考特征；

47、基于所述参考特征，利用训练后的排序模型对所述多个待推荐物料进行排序处理，得到所述目标顺序；其中，所述训练后的排序模型是所述服务端训练得到并发送给所述终端的。

48、根据本公开实施例的第四方面，提供一种推荐装置，至少包括：

49、第二接收模块，配置为接收终端发送的推荐请求；

50、确定模块，配置为响应于所述推荐请求，确定所述推荐请求对应的多个待推荐物料；

51、第二发送模块，配置为向所述终端返回响应结果；其中，所述响应结果中包括所述多个待推荐物料，所述响应结果用于所述终端对所述多个待推荐物料进行排序处理以得到目标顺序后显示。

52、在一些可能的实施方式中，所述第二发送模块还配置为：

53、获取样本数据集；其中，所述样本数据集中包括多个样本参考信息以及与所述多个样本参考信息关联的多个样本物料；

54、基于所述样本数据集，对预设的神经网络模型进行训练，得到训练后的排序模型；

55、将所述训练后的排序模型发送至所述终端；其中，所述训练后的排序模型用于所述终端对接收的所述多个待推荐物料进行排序处理。

56、在一些可能的实施方式中，所述第二接收模块还配置为：

57、接收所述终端发送的所述多个样本参考信息；其中，所述多个样本参考信息包括多个样本用户对所述终端的样本操作行为和/或所述样本操作行为关联的所述终端的样本运行状态。

58、根据本公开实施例的第五方面，提供一种电子设备，至少包括：

59、处理器；

60、用于存储计算机程序或指令的存储器；

61、其中，所述处理器执行所述计算机程序或指令以实现第一方面或第二方面所述的推荐方法的步骤。

62、根据本公开实施例的第六方面，提供一种非临时性计算机可读存储介质，所述存储介质存储有计算机程序或指令，当所述存储介质中的计算机程序或指令由处理器执行时，实现第一方面或第二方面所述的推荐方法的步骤。

63、根据本公开实施例的第七方面，提供一种计算机程序产品，包括计算机程序或指令，所述计算机程序或指令被处理器执行时，实现第一方面或第二方面所述的推荐方法的步骤。

64、本公开的实施例提供的技术方案可以包括以下有益效果：

65、本公开实施例提供的一种推荐方法，应用于终端，可以通过向服务端发送推荐请求，并接收服务端返回的包括多个待推荐物料的响应结果，再对多个待推荐物料进行排序处理，得到目标顺序，以按目标顺序显示多个待推荐物料。如此，可以通过在终端上对多个待推荐物料进行排序处理，以按排序后的目标顺序显示多个待推荐物料，从而能够实时感知到终端侧的行为和/或状态，并做出实时反馈，有效提升推荐物料的效果。

66、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。