推荐方法、电子设备及计算机存储介质与流程

1.本技术实施例涉及计算机技术领域，尤其涉及一种推荐方法、电子设备及计算机存储介质。


背景技术：

2.随着应用程序集成的功能越来越丰富，以地图类应用程序为例，其不仅能够提供基础的地图功能，还集成了导航、车主服务、美食榜单、酒店推荐等多样信息化的功能。
3.对于使用者而言，应用程序中的功能增加有助于满足不同使用者的需求，但如何准确地向使用者推荐需要的功能，以降低使用者查找功能的时间成本，成为亟需解决的问题。


技术实现要素：

4.有鉴于此，本技术实施例提供一种推荐方案，以至少部分解决上述问题。
5.根据本技术实施例的第一方面，提供了一种推荐方法，包括：获取目标对象的属性信息、候选推荐对象的信息、以及所述目标对象的行为信息，其中，所述行为信息包括所述目标对象的点击信息，所述行为信息还包括未点击信息、偏好信息和非偏好信息中至少之一；根据所述目标对象的属性信息和所述候选推荐对象的信息，对所述行为信息进行特征提取，以获得用于指示所述目标对象第一时间段兴趣的第一兴趣特征数据；使用所述第一兴趣特征数据对目标对象的第二时间段的兴趣特征数据进行更新，并从更新的所述第二时间段的兴趣特征数据中获取用于指示所述目标对象第二时间段的兴趣的第二兴趣特征数据；对所述第一兴趣特征数据和所述第二兴趣特征数据进行融合，并根据所述融合结果确定所述候选推荐对象的推荐程度。
6.根据本技术实施例的第二方面，提供了一种推荐方法，包括：展示地图界面；根据所述地图界面的界面类别，在所述地图界面中展示推荐的地图功能，推荐的所述地图功能根据上述的方法确定。
7.根据本技术实施例的第三方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如第一或二方面所述的方法对应的操作。
8.根据本技术实施例的第四方面，提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一或二方面所述的方法。
9.根据本技术实施例的第五方面，提供了一种计算机程序，该程序被处理器执行时实现如上述的方法。
10.根据本技术实施例提供的推荐方案，确定目标对象的兴趣特征时不仅使用了目标对象的属性信息和点击信息，而且结合了未点击信息、偏好信息和非偏好信息中的至少一个，减少了提取出的第一兴趣特征数据中的偏差，提升了准确度和可靠性，此外针对目标对
象不仅获得用于指示第一时间段兴趣的第一兴趣特行数据，而且提取出用于指示第二时间段的兴趣的第二兴趣特征数据，并通过第一兴趣特征数据和第二兴趣特征数据的融合获得更加全面的目标对象的兴趣特征数据，从而在基于融合结果确定向目标对象推荐候选推荐对象的推荐程度，以便提升推荐效果。
附图说明
11.为了更清楚地说明本技术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技术实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
12.图1为根据本技术实施例一的一种推荐方法的步骤流程图；
13.图2为根据本技术实施例一的一种实现步骤s104的子步骤的示意图；
14.图3为根据本技术实施例一的对行为信息、属性信息和候选推荐对象的信息进行处理神经网络模型的示意图；
15.图4为根据本技术实施例一的数据提纯的示意图；
16.图5为根据本技术实施例一的另一种实现步骤s104的子步骤的示意图；
17.图6为根据本技术实施例一的一种数据更新的示意图；
18.图7为根据本技术实施例一的神经网络模型训练过程中计算损失值的示意图；
19.图8a为根据本技术实施例一的一种实现步骤s108的子步骤的示意图；
20.图8b为根据本技术实施例一的一种数据融合的示意图；
21.图9为根据本技术实施例二的一种方法的步骤流程示意图；
22.图10为根据本技术实施例三的一种装置的结构框图；
23.图11为根据本技术实施例四的一种装置的结构框图；
24.图12为根据本技术实施例五的一种电子设备的结构示意图。
具体实施方式
25.为了使本领域的人员更好地理解本技术实施例中的技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术实施例一部分实施例，而不是全部的实施例。基于本技术实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本技术实施例保护的范围。
26.下面结合本技术实施例附图进一步说明本技术实施例具体实现。
27.实施例一
28.参照图1，示出了本技术的实施例一的推荐方法的步骤流程图。
29.在本实施例中，该方法可以配置于服务端或者终端设备上，用于确定对某个目标对象而言候选推荐对象的推荐程度。在不同的应用场景中候选推荐对象可以不同，其可以是待推荐的功能或者商品等。下面以候选推荐对象为应用程序中的功能为例进行说明：
30.其中，该方法包括以下步骤：
31.步骤s102：获取目标对象的属性信息、候选推荐对象的信息、以及所述目标对象的行为信息。
32.目标对象可以是应用程序的使用者。目标对象的属性信息可以是获得授权或许可的情况下获取。属性信息包括但不限于：使用者标识，但不限于此。
33.不同的使用场景中候选推荐对象可以不同，例如，若候选推荐对象为商品，则候选推荐对象的信息包括但不限于名称、品类、价格等等。又或者，若候选推荐对象为应用程序中的功能，则候选推荐对象的信息包括但不限于功能名称和功能所属类型等等。
34.在本实施例的一个示例中，候选推荐对象为应用程序中的功能，如导航功能、搜索周边功能、美食榜单功能、酒店推荐功能、车主服务功能、打车功能中至少之一。
35.行为信息可以在目标对象授权或者允许的情况下获得。为了提升对目标对象的兴趣提取的准确性，所述行为信息包括所述目标对象的点击信息。当然，在其他实施例中，为了能够更加准确地获得目标对象的兴趣点，避免误点击等情况产生的兴趣提取偏差，行为信息还可以包括未点击信息、非偏好信息、或者偏好信息等。
36.点击信息用于指示目标对象点击的候选推荐对象，如目标对象点击的商品序列或者点击的功能序列等。
37.未点击信息用于指示目标对象未点击的候选推荐对象，如向目标对象展示，但未点击的商品或功能等，这些未点击的候选推荐对象中也可能存在目标对象需要或偏好的对象。
38.偏好信息用于指示目标对象喜欢的候选推荐对象的序列，偏好信息可以根据目标对象的收藏数据、购买数据或者是对功能的添加操作等等确定。
39.非偏好信息用于指示目标对象不喜欢的候选推荐对象的序列，非偏好信息可以根据目标对象的取关数据、退货数据或者是对功能的删除操作等确定。
40.步骤s104：根据所述目标对象的属性信息和所述候选推荐对象的信息，对所述行为信息进行特征提取，以获得用于指示所述目标对象第一时间段兴趣的第一兴趣特征数据。
41.在行为信息包含不同内容的情况下，获得的第一兴趣特征数据中包含的内容可能不同。例如，在第一种情况中，所述行为信息包括所述点击信息和所述非偏好信息，则可以获得第一兴趣特征数据中的点击特征数据和非偏好特征数据。如图2所示，基于此种行为信息可以通过下述子步骤获得第一兴趣特征数据中的对应内容。
42.子步骤s1041：基于所述目标对象的属性信息、地图应用中的所述候选推荐对象的信息和所述点击信息，构建第一输入数据。
43.其中，所述点击信息用于指示地图应用中被点击的地图功能序列(记作点击序列)。针对点击序列，其可以表示为{c1，c2，
……
，c
t
}。为了方便后续进行特征提取，点击序列经过embedding layer对应转换为64维的点击向量ec，该点击向量ec可以表示为可以表示为其中包含的元素与点击序列中的第一个元素c1对应。
44.同理，目标对象的属性信息也可以转换为相应的属性向量(记作e
user
)。候选推荐对象的信息转换为相应的信息向量(记作e
item
)。通过将属性向量、信息向量和点击向量进行拼接形成第一输入数据。
45.需要说明的是，转换出的各向量的维度可以根据计算算力、存储空间占用等适当确定，例如为64维的向量，但对此不作限制。
46.子步骤s1042：使用所述目标对象的属性信息、所述候选推荐对象的信息与所述非
对应。
62.属性信息对应的属性向量以及候选推荐对象的信息对应的信息向量的获取方式不再赘述。
63.第四输入数据可以通过将属性向量、信息向量和偏好向量进行拼接获得。
64.子步骤s1048：对所述第三输入数据进行未点击特征提取，以获得未点击候选特征数据。
65.将第三输入数据输入到训练的用于提取未点击特征数据的transformer模型(记作unck-seq)中，获得其输出的未点击候选特征数据fu。由于目标对象未点击的功能可能并非全部是其不感兴趣的功能，因此基于未点击信息获得的未点击候选特征数据中可能包含了误差，需要后续进行提纯。
66.子步骤s1049：对所述第四输入数据进行偏好特征提取，以获得所述偏好特征数据。
67.针对第四输入特征数据，将其输入到训练的用于进行偏好特征数据提取的transformer模型(记作like-seq)中，获得其输出的偏好特征数据f
l
。
68.子步骤s10410：使用所述偏好特征数据对所述未点击候选特征数据进行修正，以获得所述未点击特征数据。
69.为了获得目标对象更加准确的兴趣，对未点击候选特征数据fu进行修正。例如，将未点击候选特征数据fu映射到非偏好特征数据fd，根据映射结果确定非点击特征数据映射方式与图4所示方式类似，故不再赘述。
70.需要说明的是，本实施例中除必须有先后顺序的子步骤之外，其他子步骤之间的执行顺序不作限制，例如，子步骤s1046和子步骤s1047之间可以任一一个在先执行，或者两者并行执行。其他子步骤同理。
71.步骤s106：使用所述第一兴趣特征数据对目标对象的第二时间段的兴趣特征数据进行更新，并从更新的所述第二时间段的兴趣特征数据中获取用于指示所述目标对象第二时间段的兴趣的第二兴趣特征数据。
72.第二兴趣特征数据用于表示目标对象的第二时间段的兴趣，其可以理解为目标对象的长期兴趣，由于目标对象的兴趣在时间维度上可能会存在一些变化，但是其长期兴趣存在连续性和可归纳性，因此为了更加准确地确定目标对象兴趣，可以进行目标对象的第二时间段的兴趣存储，并使用前述获得的第一兴趣特征数据对第二时间段的兴趣特征进行更新。
73.第一兴趣特征数据中包含的不同内容可以更新到不同的存储器中，如第一兴趣特征数据中的点击特征数据可以更新到相应的点击存储器中，点击存储器中存储了融合了第二时间段内的点击特征数据的特征数据。
74.其更新过程例如为：根据需要更新的第二时间段的兴趣特征数据对应的行为种类，将所述第一兴趣特征数据中对应行为种类的特征数据和所述目标对象的属性信息拼接为更新数据，并将所述更新数据添加至对应的所述第二时间段的兴趣特征数据中。
75.在一示例中，如图6所示，行为种类为点击行为，将点击特征数据和属性向量e
user
拼接为更新数据，更新数据输入到controller(控制模型)，控制模型对更新数据进行
扩维处理，如通过更新数据与训练出的扩维矩阵进行矩阵乘法实现扩维，以使目标对象的兴趣表达的更加突出。扩维结果使用wr ite head(写入模型)写入到点击存储器(click memory)中。
76.需要说明的是，该扩维结果除了更新到相应的存储器中之外，在前述的ck-seq、unck-seq、dislike-seq和like-seq等的训练过程中，该扩维结果可以用于计算损失值(triplet loss)，以便根据计算的损失值对ck-seq、unck-seq、dlslike-seq和like-seq中至少之一的参数进行调整。
77.其中，损失值计算方式如图7所示，从目标对象已有的行为数据库中选取出正样本，从其他行为数据库中选取出负样本，并计算扩维结果和正样本的第一距离、以及扩维结果和负样本的第二距离，将第一距离和第二距离计算损失值。
78.对于行为种类是未点击行为、偏好行为或者非偏好行为的数据更新方式与点击行为的更新方式类似，故不再赘述。
79.通过类似方式可以将第一兴趣特征数据中的未点击特征数据更新到未点击存储器中。第一兴趣特征数据中的偏好特征数据也可以更新到偏好存储器中。第一兴趣特征数据中的偏好特征数据也可以更新到非偏好存储器中。
80.由此实现使用第一兴趣特征数据对第二时间段的兴趣特征数据进行更新的效果。
81.基于更新的结果，一种可行的获得第二兴趣特征数据的实现过程可以为：根据所述更新数据及对应的行为种类，使用注意力模型从更新的所述第二时间段的兴趣特征数据中提取出第二兴趣特征数据中对应行为种类的部分。
82.例如，更新数据的行为种类为点击行为，控制模型将扩维结果输入到点击行为的读取模型(read head)中，读取模型可以是注意力模型(attention)，注意力模型根据扩维结果从点击存储器中读取出第二兴趣特征数据中的点击兴趣特征数据mc。
83.第二兴趣特征数据中的非点击兴趣特征数据mu、偏好兴趣特征数据m
l
和非偏好兴趣特征数据md的获取过程类似，故不再赘述。
84.步骤s108：对所述第一兴趣特征数据和所述第二兴趣特征数据进行融合，并根据所述融合结果确定所述候选推荐对象的推荐程度。
85.在一种可行方式中，针对第一兴趣特征数据中的不同行为种类对应的部分可以和第二兴趣特征数据中相同行为种类的部分进行融合。
86.例如，将第一兴趣特征数据中的点击特征数据和第二兴趣特征数据中的第二时间段的点击兴趣特征数据进行融合。
87.如图8a所示，其融合过程可以通过下述子步骤实现：
88.子步骤s1081：根据所述第一兴趣特征数据确定第一门控值，并根据所述第二兴趣特征数据确定第二门控值。
89.如图8b所示，根据第一兴趣特征数据中的点击特征数据确定第一门控值(如图8b所示的ε)，该门控值可以为根据点击特征数据确定的选择概率。选择概率可以根据任何适当的方式确定，本实施例对此不作限制。类似地，根据第二兴趣特征数据中的第二时间段的点击兴趣特征数据确定第二门控值。第二门控值可以是选择概率。
90.子步骤s1082：分别对所述第一兴趣特征数据和所述第二兴趣特征数据进行扩维处理。
91.例如，对第一兴趣特征数据的点击特征数据进行线性变换(即图8b中所示ffn)，如，将点击特征数据与变换矩阵进行矩阵相乘，以增加点击特征数据的维度，并获得扩维结果。变换矩阵和确定选择概率用的参数均可以在训练过程中经过学习获得。
92.类似地，对第二兴趣特征数据中的第二时间段的点击兴趣特征数据进行线性变换，以获得相应的扩维结果。
93.子步骤s1083：使用所述第一门控值对所述第一兴趣特征数据的扩维结果进行特征提取，并使用第二门控值对所述第二兴趣特征数据的扩维结果进行特征提取。
94.通过将第一门控值和第一兴趣特征数据中的点击特征数据的扩维结果进行矩阵乘法，实现特征提取，以获得融合结果中点击特征数据对应的保留的特征。
95.通过第二门控值和第二兴趣特征数据中的第二时间段的点击兴趣特征数据的扩维结果进行矩阵乘法，实现对第二时间段的点击兴趣特征数据的特征提取，以获得融合结果中第二时间段的点击兴趣特征数据对应的保留的特征。
96.子步骤s1084：对所述第一兴趣特征数据的提取结果和所述第二兴趣特征数据的提取结果进行拼接，以获得所述融合结果。
97.通过将第一兴趣特征数据中的点击特征数据的提取结果和第二兴趣特征数据中第二时间段的点击兴趣特征数据的提取结果进行拼接(即图8b中所示concat)，以获得点击信息对应的拼接结果uc。
98.通过上述子步骤可以实现第一兴趣特征数据中的点击特征数据和第二兴趣特征数据中第二时间段的点击兴趣特征数据的融合，有效地提取出两者需要保留的部分。
99.通过类似的方式可以对未点击兴趣特征数据、偏好兴趣特征数据、以及非偏好兴趣特征数据进行融合，故不再赘述。
100.根据点击信息对应的拼接结果、未点击信息的拼接结果、偏好信息的拼接结果、非偏好信息的拼接结果以及属性向量e
user
和候选推荐对象的信息向量e
item
进行拼接以获得融合结果。
101.在根据所述融合结果确定所述候选推荐对象的推荐程度时可实现为：对所述融合结果进行降维处理；对降维结果进行归一化处理，以获得所述候选推荐对象的推荐程度。
102.例如，通过使用训练出的降维矩阵与融合结果进行矩阵乘法以实现对其进行降维处理，针对降维结果可以使用softmax函数等归一化函数对其进行处理，以将降维结果转换到0到1之间的归一化结果，该归一化结果指示的向目标对象推荐该候选推荐对象的推荐程度。
103.通过这种方式可以在为目标对象提供多种不同功能的应用程序中分别确定各功能(也即候选推荐对象)相对目标对象(也即某个使用者)的推荐程度，进而可以在首页等功能展示位置向目标对象展示推荐程度比较高的候选推荐对象，这样可以使目标对象在使用应用程序时能够更加方便地获得自己需要的功能，从而提升了使用的便捷性。
104.在确定候选推荐对象相对目标对象的推荐程度时，将目标对象的长期兴趣和短期兴趣进行融合，且通过非偏好特征数据对目标对象的点击兴趣特征数据进行提纯处理，使用偏好特征数据对目标对象的非点击特征数据进行提取，并通过pai r模型对长期的第二兴趣特征数据和短期的第一兴趣特征数据进行融合。这样不但考虑了点击信息，同时建立未点击信息、偏好信息和非偏好信息，使得综合的信息更多，可以对兴趣进行无偏建模，避
免了只考虑到点击信息造成的兴趣刻画偏差。
105.通过对长期兴趣进行存储解决了长期兴趣依赖点击序列确定，而长期兴趣的准确度依赖于序列长度，本实施例中，通过设置长期兴趣的存储器实现了长期兴趣与序列长度的解耦，且能够更好的刻画长期兴趣。
106.通过本方法解决了不能刻画深度兴趣，兴趣同质化比较严重的问题，而且解决了基于用户点击信息建模兴趣造成推荐偏差，出现点击的功能不代表目标对象真正喜欢的功能的问题。通过显性的偏好信息对未点击信息进行提纯，非偏好信息对点击信息进行提纯，同时结合长期稳定兴趣共同刻画深度兴趣，提升了推荐的准确度。
107.通过本实施例，确定目标对象的兴趣特征时不仅使用了目标对象的属性信息和点击信息，而且结合了未点击信息、偏好信息和非偏好信息中的至少一个，减少了提取出的第一兴趣特征数据中的偏差，提升了准确度和可靠性，此外针对目标对象不仅获得用于指示第一时间段兴趣的第一兴趣特行数据，而且提取出用于指示第二时间段的兴趣的第二兴趣特征数据，并通过第一兴趣特征数据和第二兴趣特征数据的融合获得更加全面的目标对象的兴趣特征数据，从而在基于融合结果确定向目标对象推荐候选推荐对象的推荐程度，以便提升推荐效果。
108.通过本实施例，确定目标对象的兴趣特征时不仅使用了目标对象的属性信息和点击信息，而且结合了未点击信息、偏好信息和非偏好信息中的至少一个，减少了提取出的第一兴趣特征数据中的偏差，提升了准确度和可靠性，此外针对目标对象不仅获得用于指示第一时间段兴趣的第一兴趣特行数据，而且提取出用于指示第二时间段的兴趣的第二兴趣特征数据，并通过第一兴趣特征数据和第二兴趣特征数据的融合获得更加全面的目标对象的兴趣特征数据，从而在基于融合结果确定向目标对象推荐候选推荐对象的推荐程度，以便提升推荐效果。
109.本实施例的推荐方法可以由任意适当的具有数据处理能力的电子设备执行，包括但不限于：服务器、移动终端(如手机、pad等)和pc机等。
110.实施例二
111.参照图9，示出了本技术实施例二的推荐方法的步骤流程示意图。
112.该方法包括：
113.步骤s902：展示地图界面。
114.在不同的使用场景中地图界面的界面类别可以不同，如，界面类别可以是已知目的地的导航界面，也可以是未知目的地的定位界面。
115.例如，在打开地图应用后展示地图界面可以是定位界面，在定位界面中显示目标对象所在位置，以及所在位置周边的地图。
116.又例如，在地图应用输入起点和终点，并进入导航后展示的地图界面可以是导航界面，导航界面中会采用突出显示的方式展示规划的路径，并且会在规划路径上显示目标对象所在位置。
117.步骤s904：根据所述地图界面的界面类别，在所述地图界面中展示推荐的地图功能。
118.推荐的所述地图功能根据前述实施例的方法确定。例如，所述地图功能包括导航功能、搜索周边功能、美食榜单功能、酒店推荐功能、车主服务功能、打车功能中至少之一。
119.在一种可行方式中，步骤s904可以实现为：若所述地图界面的界面类型为已知目的地的导航界面，则从多个待展示的推荐的地图功能中筛选出与所述已知目的地匹配的地图功能，并将筛选出的地图功能在所述地图界面上展示。
120.例如，针对地图应用中的每个地图功能，通过前述的方法确定了向目标对象推荐该地图功能对应的推荐程度。从这些地图功能中选取推荐程度最高的n个作为待展示的推荐的地图功能。n大于或等于1。
121.受限于能够展示的空间问题，若待展示的推荐的地图功能较多，则难以在一屏中将其完全展示，为了解决这一问题，根据已知目的地对待展示的推荐的地图功能进行筛选，如选取目标对象在目的地处更需要使用的地图功能，或者，筛选在目的地中使用频率更高的地图功能。通过将筛选出的地图功能展示在地图界面上，以方便目标对象到达目的地后能够快速找到自己需要的功能，以提升使用体验。
122.在另一种可行方式中，步骤s904可以实现为：若所述地图界面的界面类型为未知目的地的定位界面，则从多个待展示的推荐的地图功能中筛选出与定位界面的地图功能，并将筛选出的地图功能在所述地图界面上展示。
123.确定出待展示的推荐的地图功能的过程与前一种可行方式类似，故不再赘述。
124.在界面类型为定位界面时，可以从待展示的推荐的地图功能中筛选出目标对象在定位界面中常用的地图功能，作为筛选出的地图功能在地图界面上展示。
125.可选地，为了进一步提升体验效果，使得目标对象可以查看更加丰富的功能，该方法还包括以下步骤：
126.步骤s906：获取地图功能对应的候选推荐项目。
127.不同的地图功能中可以对应多个候选推荐项目。不同的推荐项目可以有不同的所属类目，以指示其对应的地图功能。
128.例如，候选推荐项目的所属类目为美食类，则候选推荐项目与美食榜单功能对应。候选推荐项目的所属类目为行程地点，则候选推荐项目与导航功能对应。
129.步骤s908：根据对展示的地图功能的触发操作，从多个推荐项目中确定所属类目与被触发的地图功能匹配的推荐项目。
130.在目标对象触发某个地图功能时，可以展开地图功能对应的功能界面，该功能界面可以展示与该地图功能对应的推荐项目。
131.例如，被触发的地图功能为美食榜单功能，则从获取的多个候选推荐项目中选取所属类目为美食类的候选推荐项目作为推荐项目。或者，被触发的地图功能为导航功能，则选取所属类目为行程地点的候选推荐项目作为推荐项目。
132.步骤s910：将确定的所述推荐项目展示在对应的地图功能的功能界面中。
133.例如，在美食榜单功能的展示界面中按照是评分或者排名由高到低展示美食类的推荐项目。或者是按照距离当前所在位置的距离由近及远展示美食类的推荐项目。
134.又例如，在导航功能的展示界面中按照选择频率的由高到低展示行程地点类的推荐项目等等。
135.通过这种方式可以在地图界面中向不同的目标对象推荐对应的地图功能，以方便其快速获得想要的地图功能。此外，在地图功能的功能界面中可以展示适当的推荐项目，从而使得推荐信息更加丰富，以提升体验。
136.实施例三
137.参照图10，示出了本技术实施例三的推荐装置的结构框图。
138.在本实施例中，推荐装置，包括：
139.获取模块1002，用于获取目标对象的属性信息、候选推荐对象的信息、以及所述目标对象的行为信息，其中，所述行为信息包括所述目标对象的点击信息，所述行为信息还包括未点击信息、偏好信息和非偏好信息中至少之一；
140.提取模块1004，用于根据所述目标对象的属性信息和所述候选推荐对象的信息，对所述行为信息进行特征提取，以获得用于指示所述目标对象第一时间段兴趣的第一兴趣特征数据；
141.更新模块1006，用于使用所述第一兴趣特征数据对目标对象的第二时间段的兴趣特征数据进行更新，并从更新的所述第二时间段的兴趣特征数据中获取用于指示所述目标对象第二时间段的兴趣的第二兴趣特征数据；
142.融合模块1008，用于对所述第一兴趣特征数据和所述第二兴趣特征数据进行融合，并根据所述融合结果确定所述候选推荐对象的推荐程度。
143.可选地，所述行为信息包括所述点击信息和所述非偏好信息，所述第一兴趣特征数据包括与所述点击信息对应的点击特征数据和与所述非偏好信息对应的非偏好特征数据；
144.所述提取模块1004用于基于所述目标对象的属性信息、地图应用中的所述候选推荐对象的信息和所述点击信息，构建第一输入数据，并使用所述目标对象的属性信息、所述候选推荐对象的信息与所述非偏好信息，构建第二输入数据，所述点击信息用于指示地图应用中被点击的地图功能序列，所述非偏好信息用于指示地图应用中被点击非偏好选项的地图功能序列；对所述第一输入数据进行点击特征提取，以获得点击候选特征数据，并对所述第二输入数据进行非偏好特征提取，以获得所述非偏好特征数据；使用所述非偏好特征数据对所述点击候选特征数据进行修正，以获得所述点击特征数据。
145.可选地，所述行为信息包括所述未点击信息和所述偏好信息，所述第一兴趣特征数据包括与所述未点击信息对应的未点击特征数据和与所述偏好信息对应的偏好特征数据；
146.所述提取模块1004用于基于所述目标对象的属性信息、地图应用中的所述候选推荐对象的信息和所述未点击信息，构建第三输入数据，并使用所述目标对象的属性信息、所述候选推荐对象的信息与所述偏好信息，构建第四输入数据，所述未点击信息用于指示地图应用中未点击的地图功能序列，所述偏好信息用于指示地图应用中被点击偏好选项的地图功能序列；对所述第三输入数据进行未点击特征提取，以获得未点击候选特征数据，并对所述第四输入数据进行偏好特征提取，以获得所述偏好特征数据；使用所述偏好特征数据对所述未点击候选特征数据进行修正，以获得所述未点击候选特征数据。可选地，所述更新模块1006用于在使用所述第一兴趣特征数据对目标对象的第二时间段的兴趣特征数据进行更新时，根据需要更新的第二时间段的兴趣特征数据对应的行为种类，将所述第一兴趣特征数据中对应行为种类的特征数据和所述目标对象的属性信息拼接为更新数据，并将所述更新数据添加至对应的所述第二时间段的兴趣特征数据中。
147.可选地，所述更新模块1006用于在从更新的所述第二时间段的兴趣特征数据中获
取用于指示所述目标对象第二时间段的兴趣的第二兴趣特征数据时，根据所述更新数据及对应的行为种类，使用注意力模型从更新的所述第二时间段的兴趣特征数据中提取出第二兴趣特征数据中对应行为种类的部分。
148.可选地，所述融合模块1008用于在对所述第一兴趣特征数据和所述第二兴趣特征数据进行融合时，根据所述第一兴趣特征数据确定第一门控值，并根据所述第二兴趣特征数据确定第二门控值；分别对所述第一兴趣特征数据和所述第二兴趣特征数据进行扩维处理；使用所述第一门控值对所述第一兴趣特征数据的扩维结果进行特征提取，并使用第二门控值对所述第二兴趣特征数据的扩维结果进行特征提取；对所述第一兴趣特征数据的提取结果和所述第二兴趣特征数据的提取结果进行拼接，以获得所述融合结果。
149.可选地，所述融合模块1008用于在根据所述融合结果确定所述候选推荐对象的推荐程度时，对所述融合结果进行降维处理；对降维结果进行归一化处理，以获得所述候选推荐对象的推荐程度。本实施例的推荐装置用于实现前述多个方法实施例中相应的推荐方法，并具有相应的方法实施例的有益效果，在此不再赘述。此外，本实施例的推荐装置中的各个模块的功能实现均可参照前述方法实施例中的相应部分的描述，在此亦不再赘述。
150.实施例四
151.参照图11，示出了本技术实施例四的推荐装置的结构框图。
152.展示模块1102，用于展示地图界面；
153.推荐模块1104，用于根据所述地图界面的界面类别，在所述地图界面中展示推荐的地图功能，推荐的所述地图功能根据前述装置确定。
154.可选地，所述地图功能包括导航功能、搜索周边功能、美食榜单功能、酒店推荐功能、车主服务功能、打车功能中至少之一。
155.可选地，所述推荐模块1104用于若所述地图界面的界面类型为已知目的地的导航界面，则从多个待展示的推荐的地图功能中筛选出与所述已知目的地匹配的地图功能，并将筛选出的地图功能在所述地图界面上展示。
156.可选地，推荐模块1104若所述地图界面的界面类型为未知目的地的定位界面，则从多个待展示的推荐的地图功能中筛选出与定位界面匹配的地图功能，并将筛选出的地图功能在所述地图界面上展示。
157.可选地，所述装置还包括：
158.项目获取模块1106，用于获取地图功能对应的候选推荐项目；
159.项目确定模块1108，用于根据对展示的地图功能的触发操作，从多个推荐项目中确定所属类目与被触发的地图功能匹配的推荐项目；
160.项目展示模块1110，用于将确定的所述推荐项目展示在对应的地图功能的功能界面中。
161.实施例五
162.参照图12，示出了根据本技术实施例五的一种电子设备的结构示意图，本技术具体实施例并不对电子设备的具体实现做限定。
163.如图12所示，该电子设备可以包括：处理器(processor)1202、通信接口(communications interface)1204、存储器(memory)1206、以及通信总线1208。
164.其中：
165.处理器1202、通信接口1204、以及存储器1206通过通信总线1208完成相互间的通信。
166.通信接口1204，用于与其它电子设备或服务器进行通信。
167.处理器1202，用于执行程序1210，具体可以执行上述方法实施例中的相关步骤。
168.具体地，程序1210可以包括程序代码，该程序代码包括计算机操作指令。
169.处理器1202可能是处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本技术实施例的一个或多个集成电路。智能设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
170.存储器1206，用于存放程序1210。存储器1206可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
171.程序1210具体可以用于使得处理器1202执行前述的方法对应的操作。
172.程序1210中各步骤的具体实现可以参见上述方法实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
173.根据本技术的另一方面，提供一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的方法。
174.根据本技术的另一方面，提供一种计算机程序，该程序被处理器执行时实现如上述的方法。
175.需要指出，根据实施的需要，可将本技术实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本技术实施例的目的。
176.上述根据本技术实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如cd rom、ram、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如asic或fpga)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，ram、rom、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的方法。此外，当通用计算机访问用于实现在此示出的方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的方法的专用计算机。
177.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术实施例的范围。
178.以上实施方式仅用于说明本技术实施例，而并非对本技术实施例的限制，有关技术领域的普通技术人员，在不脱离本技术实施例的精神和范围的情况下，还可以做出各种
变化和变型，因此所有等同的技术方案也属于本技术实施例的范畴，本技术实施例的专利保护范围应由权利要求限定。