对象推荐方法、装置、电子设备及介质与流程

1.本技术涉及信息处理技术领域，特别是涉及一种对象推荐方法、装置、电子设备及介质。


背景技术：

2.随着人工智能技术的快速发展，智能推荐起到越来越重要的作用。智能推荐的主要任务是通过分析用户信息、对象信息或其他辅助信息，获得用户对对象的偏好特征，并据此为用户进行对象推荐。
3.对象推荐是指通过分析对象的特征和用户的画像属性、爱好、历史浏览行为之间的相关性，确定对象与用户的匹配度，将匹配度较高的对象，也即与用户相关程度较高的对象推荐给用户。例如，在搜索场景下，用户发起对一些店铺(对象)的搜索，会出现很多候选店铺，实际中，会将与用户意图接近的候选店铺筛选出来推荐给用户。
4.相关技术中，向用户推荐对象的准确率较低，往往无法推荐可以反映用户真实搜索意图的对象。


技术实现要素：

5.为了解决上述问题，本技术提供了一种对象推荐方法、装置、电子设备及介质，旨在提高对象推荐的准确性。
6.本技术实施例的第一方面，提供了一种对象推荐方法，所述方法包括：
7.响应于用户发送的搜索请求，获取所述搜索请求对应的场景特征、多个候选对象特征和多个历史行为特征；所述场景特征用于描述所述用户当前所处的环境的时空信息，所述历史行为特征为所述用户在历史过程中执行预设操作所对应的特征；
8.将所述场景特征分别融合到所述多个历史行为特征的每个历史行为特征中，得到多个历史融合特征；
9.将每个所述候选对象特征与所述多个历史融合特征聚合，得到与每个所述候选对象特征对应的聚合特征；
10.基于与所述多个候选对象特征分别对应的聚合特征，从所述多个候选对象特征对应的候选对象中确定向所述用户推荐的目标对象。
11.可选地，将每个所述候选对象特征与所述多个历史融合特征聚合，得到与每个所述候选对象特征分别对应的聚合特征，包括：
12.从所述多个历史融合特征中，确定距离当前时刻的不同时长内的至少一个历史融合特征，得到多个特征集合，不同特征集合包括距离当前时刻不同时长内的历史融合特征；
13.将所述多个特征集合与所述候选对象聚合，得到与所述候选对象特征对应的聚合特征。
14.可选地，将所述多个特征集合与所述候选对象聚合，得到与所述候选对象特征对应的聚合特征，包括：
15.将所述候选对象特征与所述每种特征集合中的历史融合特征进行聚合，得到与不同时长分别对应的子聚合特征；所述子聚合特征用于反映不同时长内的历史融合特征对所述候选对象特征的贡献；
16.将所述候选对象特征与不同时长分别对应的子聚合特征进行聚合，得到每个候选对象特征对应的聚合特征。
17.可选地，将所述场景特征分别融合到所述多个历史行为特征的每个历史行为特征中，得到多个历史融合特征，包括：
18.确定所述场景特征对每个所述历史行为特征的融合权重，所述融合权重用于表征所述场景特征对所述历史行为特征的重要性；
19.基于所述融合权重，将所述场景特征分别融合到所述多个历史行为特征的每个历史行为特征中，得到多个历史融合特征。
20.可选地，所述方法是基于神经网络模型实现的，所述神经网络模型中包括门控单元，确定所述场景特征对每个所述历史行为特征的融合权重，包括：
21.将所述场景特征以及所述多个历史行为特征输入到所述门控单元；
22.通过所述门控单元中存储的与所述场景特征对应的预设第一参数，以及与所述多个历史行为特征对应的预设第二参数，确定所述场景特征对每个历史行为特征的融合权重。
23.可选地，基于与所述多个候选对象特征对应的聚合特征，与所述多个候选对象特征中确定向所述用户推荐的目标对象，包括：
24.基于与所述多个候选对象特征对应的聚合特征，确定与所述多个候选对象特征分别对应的推荐概率；
25.基于所述多个候选对象特征分别对应的推荐概率从各个所述候选对象中确定向所述用户推荐的目标对象。
26.可选地，基于与所述多个候选对象特征对应的聚合特征，确定与所述多个候选对象特征分别对应的推荐概率包括：
27.将所述场景特征、每个所述候选对象特征，以及与该候选对象特征对应的聚合特征进行拼接，得到拼接特征；
28.基于所述拼接特征，确定与所述多个候选对象特征分别对应的推荐概率。
29.可选地，获取所述搜索请求对应的场景特征所述场景特征，包括：
30.获取所述用户当前所处的位置，以及所述位置对应的气象信息；
31.确定所述当前时刻分别在多个预设时间统计尺度上所对应的时间信息；其中，所述多个预设时间统计尺度包括月统计尺度、周统计尺度、天统计尺度；
32.基于所述位置、所述气象信息以及所述时间信息，生成所述场景特征。
33.本技术实施例的第二方面，提供一种对象推荐装置，所述装置包括：
34.特征获取模块，用于响应于用户发送的搜索请求，获取所述搜索请求对应的场景特征、与所述搜索请求对应的多个候选对象特征和多个历史行为特征；所述场景特征用于描述所述用户当前所处的环境的时空信息，所述历史行为特征为所述用户在历史过程中执行预设操作所对应的特征；
35.特征融合模块，用于将所述场景特征分别融合到所述多个历史行为特征的每个历
史行为特征中，得到多个历史融合特征；
36.特征聚合模块，用于将每个所述候选对象特征与所述多个历史融合特征聚合，得到与每个所述候选对象特征对应的聚合特征；
37.推荐模块，用于基于与所述多个候选对象特征对应的聚合特征，从各个所述候选对象特征对应的候选对象中确定向所述用户推荐的目标对象。
38.本技术实施例的第三方面，提供了一种电子设备，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，所述处理器执行时实现如的一方面所述的对象推荐方法。
39.此外，本技术实施例还提供一种计算机可读存储介质，其存储的计算机程序使得处理器执行如第一方面所述的对象推荐方法。
40.采用本技术实施例的技术方案，至少具有以下优点：
41.本技术实施例的技术方案，可以响应于用户发送的搜索请求，获取搜索请求对应的场景特征、搜索请求对应的多个候选对象特征和多个历史行为特征；之后，将场景特征分别融合到多个历史行为特征的每个历史行为特征中，得到多个历史融合特征；再将每个候选对象特征与多个历史融合特征聚合，得到与每个候选对象特征对应的聚合特征；接着，基于与各个候选对象特征对应的聚合特征，从各个候选对象特征对应的候选对象中确定向所述用户推荐的目标对象。
42.由于本技术可以获取搜素请求对应的场景特征，而该场景特征可以用于描述用户当前所处的环境的时空信息，用户历史行为特征可以反映用户在历史过程中的真实搜索记录，将场景特征融合到每个历史行为特征中时，可以刻画用户当前所处的场景对历史行为特征的重要性，如此，在历史行为特征中可以融合对该历史行为特征较为重要的场景特征。又由于将候选对象的候选对象特征与多个历史行为特征进行聚合，从而得到的每个聚合特征均融合了历史行为特征、场景特征和候选对象特征，使得用于刻画用户的历史行为操作和当前所处的环境特征均被刻画进候选对象特征中，因此，对用户的真实搜索意图进行了细致的感知和提取，可以提高推荐的目标对象与用户真实搜索意图之间的匹配度，从而提高对象推荐的准确性。
附图说明
43.为了更清楚地说明本技术实施例的技术方案，下面将对实施例或相关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性的前提下，还可以根据这些附图获得其他的附图。
44.图1是本技术一实施例示出的对象推荐方法的整体流程示意图；
45.图2是本技术一实施例示出的一种对象推荐方法的步骤流程示意图；
46.图3是本技术一实施例示出的一种基于门控策略的特征融合示意图；
47.图4是本技术一实施例示出的一种基于时间窗口的特征聚合示意图；
48.图5是本技术一实施例示出的的一种可行的对象推荐方法的流程示意图；
49.图6是本技术一实施例示出的对象推荐装置的框架示意图。
具体实施方式
50.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，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
51.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
52.在搜索领域中，对用户搜索意图、用户本身属性特征(性别、年龄等) 以及对于候选商户经营属性地精准刻画决定了最终展示给用户的商户质量高低。相关技术中，普遍使用的方法都是基于深度学习相关模型，而在这其中，作为非常重要的能够隐式反映用户爱好的用户历史行为数据，更是对最终搜索质量的高低起到了很大的作用。
53.相关技术中，对用户历史行为数据进行表征的时候，往往将其抽象为序列数据建模问题，但是，在对用户行为序列进行建模的方案中，没有充分考虑用户所处的场景信息，例如，用户在某个场景中使用app搜索一个词语，在不同的城市、天气、时间中，对于当前时刻用户真正偏好的贡献应该不同的。然而，相关技术中，并没有很好的考虑用户所处的场景信息，导致最终的搜索结果不够准确。
54.有鉴于此，本技术为提高对象推荐的准确性，提出了如下技术构思：在对用户历史行为进行表征的时候，充分考虑用户所处的场景的时空信息，使得用户历史行为充分融合用户当前的场景特征，从而充分刻画用户当前所处的城市、天气、时间等对真实搜索意图的贡献，进而提高对象推荐的准确性。
55.参照图1所示，图1示出了本技术的对象推荐方法的整体流程示意图，如图1所示，v1至vn为历史行为特征，实际中，可以将场景特征融合到每个历史行为特征中，之后，将候选对象特征与每个融合有场景特征的历史融合特征进行聚合，最后，基于聚合后的聚合特征，向用户推荐对象。
56.结合图1所示，对本技术的对象推荐方法进行详细介绍，参照图2所示，输出了本技术的对象推荐方法的步骤流程示意图，如图2所示，具体可以应用于服务器中，包括以下步骤：
57.步骤s201：响应于用户发送的搜索请求，获取所述搜索请求对应的场景特征、与所述搜索请求对应的多个候选对象特征和多个历史行为特征。
58.其中，所述场景特征用于描述所述用户当前所处的环境的时空信息，其可以是获取到用户授权的情况下获取的，其中，所述历史行为特征为所述用户在历史过程中执行预设操作所对应的特征。
59.本实施例中，用户发送的搜索请求可以是通过客户端发送的，搜索请求中可以携带用户的搜索词，例如，“美食”，接着可以根据搜索词确定出候选池中待选的多个候选对象，例如，候选池中有20个美食店铺。
60.其中，候选对象特征可以是指候选对象的名称进行embedding编码表示 (embedding是一个将离散变量转为连续向量表示的一个方式)，而转化为的候选对象向量表示。
61.其中，预设操作可以包括点击和/或下单，历史行为特征则可以是用户在历史过程中对对象进行点击或下单的行为的特征。具体实施时，可以获取用户在历史过程中进行点击和/或下单的对象，之后，将这些点击和/或下单的对象编码为历史行为特征，其中，该历史行为特征可以是点击和/或下单的对象的名称的向量表示。其中，获取用户在历史过程中进行点击和/或下单的对象时，可以是在得到用户授权的基础上进行，如用户授权平台获取其历史行为数据，则平台可以获取用户进行点击或下单的对象。例如，用户在一个月内先后对50个美食店铺进行了下单，则会有50个历史行为特征。
62.其中，场景特征可以是用户当前所处的环境的时空信息的向量表示，包含当前所在的位置信息的向量表示、当前时刻的向量表示以及当前天气的向量表示。
63.本实施例中，历史行为特征可以反映用户在历史过程中对对象的真实偏好，而场景特征可以反映用户当前所处的环境特点，一般来说，用户所处的环境对其所要搜索的对象是有一定影响的。例如，当前的天气是雨天，则用户可能更倾向于选择“火锅”这类美食，若当前的天气很炎热，则用户可能更倾向于选择“凉茶”这类美食。
64.步骤s202：将所述场景特征分别融合到所述多个历史行为特征的每个历史行为特征中，得到多个历史融合特征。
65.本实施例中，可以将每个历史行为特征与场景特征进行融合，具体地，可以将每个历史行为特征与场景特征按照各自的权重进行融合，将场景特征融合到多个历史行为特征后，使得每个历史行为特征都兼具了用户当前所处的环境特征，从而历史融合特征可以同时反映用户在历史过程中对各对象的真实喜好，以及反映用户在当前所处的场景特征。
66.实际中，在将每个历史行为特征与场景特征进行融合时，可以将场景特征中与该历史行为特征较为重要的特征融合到该历史行为特征中。例如，用户在历史时刻上点击的店铺有火锅、中餐厅、咖啡厅、冷饮店等，当前的天气是雨天，当前这个雨天对于用户选中火锅的影响较大，用户可能在雨天更倾向于吃火锅，因此，对于火锅的历史行为特征，则会融合到更多的雨天的天气信息，而冷饮店则不会融合到很多的雨天的天气信息。
67.步骤s203：将每个所述候选对象特征与所述多个历史融合特征聚合，得到与每个所述候选对象特征对应的聚合特征。
68.本实施例中，可以将候选对象特征与多个历史融合特征进行聚合，其中，聚合可以是指，将全部的历史融合特征均与每个候选对象特征进行聚合，使得每个候选对象特征均融合了全部的历史融合特征的信息，从而使得得到的聚合特征能同时刻画候选对象特征和多个历史融合特征。
69.示例地，假设候选对象是20个美食店铺，用户行为特征是50个，则历史融合特征有50个，此种情况下，每个美食店铺的候选对象特征均要与50 个历史融合特征进行聚合，从而得到20个聚合特征。
70.本实施例中，将候选对象特征与多个历史融合特征进行聚合时，一方面，可以将能够反映用户爱好的用户历史行为数据刻画进候选池中的每个候选对象中，另一方面，又可以将用户当前所处的场景特征也刻画进候选池中的每个候选对象中，从而一个聚合特征便
可以同时刻画用户历史过程中的真实爱好、用户当前的场景特征对用户喜好的影响以及当前候选对象的对象特征。
71.步骤s204：基于与所述多个候选对象特征分别对应的聚合特征，从所述多个候选对象特征对应的候选对象中确定向所述用户推荐的目标对象。
72.本实施例中，由于每个候选对象特征对应一个聚合特征，该聚合特征可以同时刻画用户历史过程中的真实爱好、用户当前的场景特征对用户喜好的影响以及当前候选对象的对象特征，因此，可以基于聚合特征，确定向所述用户推荐的目标对象。
73.在一种实施例中，如图1所示，可以将聚合特征经过多层的网络转换和非线性激活函数之后，最终通过sigmoid激活函数得到对于每个候选对象的偏好概率值。从而，依照该偏好概率值确定多个候选对象的排序结果，筛选出要向用户推荐的目标对象。该目标对象可以是一个，也可以是多个。实际中，也可以将排序结果反馈给用户所在的客户端，在该客户端上的页面上，便可以按照排序结果显示各个候选对象。
74.采用本技术实施例的技术方案，由于本技术可以获取搜素请求对应的场景特征，而该场景特征可以用于描述用户当前所处的环境的时空信息，用户历史行为特征可以反映用户在历史过程中的真实搜索记录，将场景特征融合到每个历史行为特征中时，可以刻画用户当前所处的场景对历史行为特征的重要性，如此，在历史行为特征中可以融合对该历史行为特征较为重要的场景特征。
75.又由于将候选对象的候选对象特征与多个历史行为特征进行聚合，从而得到的每个聚合特征均融合了历史行为特征、场景特征和候选对象特征，如此，同时利用了历史数据和当前的场景数据刻画了用户对各个候选对象的搜索意图，从而提高了对象推荐的准确性，可以提高推荐的目标对象与用户真实搜索意图之间的匹配度，从而提高对象推荐的准确性。
76.其中，在一种具体实施方式中，获取到的场景特征可以是根据用户当前所处的位置、该位置的气象信息以及时间信息所生成的。具体的，可以通过以下步骤获取场景特征：
77.步骤s2011：获取所述用户当前所处的位置，以及所述位置对应的气象信息。
78.本实施例中，用户当前所处的位置可以是指城市位置，或者可以是城市中的某个行政区，气象信息可以是指当前时间在该位置的气象信息，气象信息可以包括温度、天气状况。用户当前所处的位置可以是用户授权情况下，获取的位置，或者可以是用户主动发送的位置。
79.步骤s2012：确定所述当前时刻分别在多个预设时间统计尺度上所对应的时间信息。
80.其中，所述多个预设时间统计尺度包括月统计尺度、周统计尺度、天统计尺度。
81.本实施例中，预设时间统计尺度可以是指对当前时间的统计尺度，例如，当前时间是处在哪一月份中的哪一日、一个星期中的星期几、一天中的上午还是下午。示例地，当前时刻是2021年2月13日9:28，则可以包括对应月统计尺度的时间信息，即2月；也可以包括对应周统计尺度的时间信息，即星期六；也可以包括对应天统计尺度的时间信息，即上午。
82.其中，不同的预设时间统计尺度，对用户搜索意图的贡献可以不同，仍以上述示例为例进行说明，例如，2月，对于用户的搜索意图，其可能更倾向于团圆饭。而对应星期六，则用户可能更倾向于聚餐，上午则用户可能更倾向于早午餐。
83.因此，统计出各个预设时间统计尺度各自对应的时间信息，有助于从多个时间维度共同刻画用户的搜索意图。
84.步骤s2013：基于所述位置、所述气象信息以及所述时间信息，生成所述场景特征。
85.本实施例中，可以将位置、气象信息和对应多个预设时间统计尺度的时间信息分别转换为向量表示后，将转换得到的向量表示进行拼接，从而得到该场景特征。
86.采用本实施方式，由于是依据用户所处的位置、气象信息和当前时间对应的多个时间信息，生成了场景特征，如此，可以从位置、天气状况和时间等多个维度去刻画用户的搜索意图，从而提高对用户意图刻画的准确性。
87.在一种实施例中，将场景特征分别融合到每个历史行为特征包括如下过程：
88.首先，确定所述场景特征对每个所述历史行为特征的融合权重。接着，基于所述融合权重，将所述场景特征分别融合到所述多个历史行为特征的每个历史行为特征中，得到多个历史融合特征。
89.如上述实施例所述，在将每个历史行为特征与场景特征进行融合时，可以将场景特征中与该历史行为特征较为重要的特征融合到该历史行为特征中，场景特征对不同的历史行为特征的重要性可以不同，对不同的历史行为特征，该融合权重可以是不同的，由此，可以将场景特征不同程度地融合到不同的历史行为特征中。
90.其中，所述融合权重用于表征所述场景特征对所述历史行为特征的重要性。在得到每个历史行为特征对应的融合权重时，可以通过以下公式(一) 进行特征融合：
91.gi＝vi⊙
gate (1-gate)
⊙vcontext
ꢀꢀꢀꢀꢀ
公式(一)
92.其中，在该公式(一)中，vi表示第i个历史行为特征，v
context
表示场景特征，gate表示融合权重，gi表示第i个历史融合特征。
93.通过以上公式，可以将场景特征不同程度地融合到每个历史行为特征中，且在融合时，可以根据历史行为特征自适应地确定场景特征的融合权重，从而可以将用户当前所处的时空环境信息更为细致刻画到历史过程中的历史行为特征中。
94.在一种实施例中，示出了如何将场景特征分别融合到每个历史行为特征的过程，参照图3所示，示出了一种基于门控策略的特征融合示意图，如图 3所示，上述的对象推荐方法可以是基于神经网络模型实现的，所述神经网络模型中包括门控单元，该门控单元可以用于将场景特征融合到每个历史行为特征中。
95.其中，在确定场景特征对每个历史行为特征的融合权重时，可以将所述场景特征以及所述多个历史行为特征输入到所述门控单元；并通过所述门控单元中存储的与所述场景特征对应的预设第一参数，以及与所述多个历史行为特征对应的预设第二参数，确定所述场景特征对每个历史行为特征的融合权重。
96.本实施例中，神经网络模型可以是基于训练样本对预设的神经网络进行训练得到的。其中，第一参数和第二参数可以是在训练得到神经网络模型的过程中被更新得到的参数，该第一参数和第二参数可以用于帮助确定融合权重。
97.具体实施时，可以通过以下公式(二)确定融合权重：
98.gate＝sigmoid(w
poivi
w
contextvcontext
b)
ꢀꢀꢀꢀꢀꢀ
公式(二)
99.其中，在公式(二)中，vi表示第i个历史行为特征，v
context
表示场景特征，gate表示融合权重，其中，w
poi
为预设第二参数、w
context
为预设第一参数， b属于神经网络模型的一部
分，其中，w
poi
、w
context
和b随着神经网络进行端到端的训练而被更新。
100.如图3所示，本实施例中，可以基于门控策略，确定对历史行为特征的场景特征的融合权重，以将对历史行为特征较为重要的部分场景特征融合到历史行为特征，从而使得每个历史行为特征都具有对其较为重要的场景特征。
101.其中，在得到历史融合特征后，可以对历史融合特征进行聚合。
102.参照图4所示，示出了本技术一种实施例中的基于时间窗口的特征聚合示意图，如图4所示，在将场景特征融合到每个历史行为特征得到历史融合特征之后，由于不同的历史融合特征距离当前搜索时刻的时间是不同的，因此，可以通过长短窗口提取结构，来提取不同时间跨度窗口下的历史融合特征，以刻画不同历史时期的用户行为对于当前时刻用户的真实搜索意图的贡献，从而进一步提高对象推荐的准确性。
103.在一种实施例中，可以从所述多个历史融合特征中，确定距离当前时刻的不同时长内的至少一个历史融合特征，得到多个特征集合；将所述多个特征集合与所述候选对象聚合，得到与所述候选对象特征对应的聚合特征。
104.其中，不同特征集合包括距离当前时刻不同时长内的历史融合特征。
105.本实施例中，由于历史融合特征是融合了场景特征的历史行为特征，而历史行为特征是基于用户在历史过程中执行预设操作的历史行为数据所生成的，因此，每个历史行为特征是对应一个历史时刻的。这样，可以抽取不同历史时期的历史行为特征，刻画用户在不同时间段的搜索意图。
106.如图4所示，在使用长短窗口提取历史融合特征时，往往是固定窗口的起始位置，即固定起始位置在当前时刻，伸缩变换窗口的长度，即变换距离当前时刻的时长，之后，对不同长度窗口内的历史融合特征进行提取，从而得到针对每个长度窗口的特征集合。
107.示例地，如图4所示，g1至gn是n个历史融合特征，每个历史融合特征均不同程度地融合了用户在当前搜索时刻的场景特征，其中，可以以距离当前时刻的时长分别为1周、2周、3周、4周为长度窗口进行特征提取，例如，截取到的1周内的历史融合特征包括g1至g3，2周内的历史融合特征包括g1至g5，3周内的历史融合特征包括g1至g7，4周内的历史融合特征包括g1至gn。由此，得到了4个特征集合：s1、s2、s3、s4。
108.如上述示例，可以理解的是，一方面，不同的特征集合中包括不同数量的历史融合特征，且，距离当前时刻的时长最长的特征集合中包括数量最多的历史融合特征。另一方面，距离当前时间的时长越短的历史融合特征可以同时存在在多个特征集合中，如历史融合特征g1便同时存在在4个特征集合中。
109.在得到多个特征集合后，每个特征集合可以用于刻画一个历史时期内用户的搜索意图。如此，可以将多个特征集合均分别与候选对象进行聚合，从而使得不同历史时期的历史行为特征可以不同程度地被聚合到候选对象的候选对象特征中。且由于距离当前时间的时长越短的历史融合特征可以同时存在在多个特征集合中，在进行聚合时，会被多次聚合，因此使得距离当时间的时长越短的历史融合特征被重点利用和刻画。
110.在一种实施例中，在提取了不同时间跨度窗口下的历史融合特征的情况下，如何进行特征聚合的示意图，如图4所示，可以先将候选对象特征与每个得到的特征集合进行聚合，得到与每个特征集合一一对应的子聚合特征，之后，再将候选对象特征与各个子聚合特征进行再聚合。
111.相应地，可以将所述候选对象特征与所述每种特征集合中的历史融合特征进行聚合，得到与不同时长分别对应的子聚合特征；所述子聚合特征用于反映不同时长内的历史融合特征对所述候选对象特征的贡献。
112.接着，将所述候选对象特征与不同时长分别对应的子聚合特征进行聚合，得到每个候选对象特征对应的聚合特征。
113.本实施例中，在得到多个特征集合后，每个特征集合均包括至少一个的历史融合特征，且，一个特征集合对应一个历史时期的用户行为，由此，可以先将每个特征集合分别与候选对象特征进行聚合，得到每个特征集合分别对应的子聚合特征，即可以得到不同历史时期的历史融合特征与候选对象的聚合特征。之后，再将得到的各个子聚合特征再次与候选对象特征进行聚合，得到的该候选对象特征最终的聚合特征。
114.如图4所示，共有4个特征集合，分别是s1、s2、s3、s4，则可以将候选对象特征v
target
分别与s1、s2、s3、s4进行聚合，得到的子聚合特征为s1'、 s2'、s3'、s4'。之后，再将s1'、s2'、s3'、s4'与候选对象特征v
target
进行聚合，得到聚合特征v
final
。
115.在一种实施例中，在将每个特征集合分别与候选对象特征进行聚合时，可以按照以下公式(三)和公式(四)进行聚合：
[0116][0117][0118]
在上述公式中，sk为第k个特征集合与候选对象特征的子聚合特征，gn为第k个特征集合中的第n个历史融合特征，v
target
是候选对象特征。
[0119]
本实施例中，针对每个候选对象特征，均可以与各个特征集合中的历史融合特征进行聚合，在得到每个候选对象特征对应的多个子聚合特征后，还可以将各个子聚合特征与该候选对象特征进行二次聚合。其中，进行二次聚合的过程可以参照上述公式(三)和公式(四)进行即可，在此不再赘述。
[0120]
其中，在得到聚合特征之后，可以基于聚合特征进行目标对象的推荐，在一种实施例中，可以基于与所述多个候选对象特征对应的聚合特征，确定与所述多个候选对象特征分别对应的推荐概率；之后，基于所述多个候选对象特征分别对应的推荐概率，从与所述多个候选对象特征对应的对象中确定向所述用户推荐的目标对象。
[0121]
本实施例中，推荐概率可以理解为是表征候选对象被推荐给用户的概率，实际中可以反映该候选对象与用户的真实搜索意图的匹配程度，推荐概率越高，则表示其越符合用户的真实搜索意图，从而实际中可以作为目标对象推荐给用户。
[0122]
当然，为了进一步提高推荐对象的准确度，可以在确定各个候选对象的推荐概率时，再次参考场景特征，具体地，可以将所述场景特征、每个所述候选对象特征，以及与该候选对象特征对应的聚合特征进行拼接，得到每个候选对象特征的拼接特征；之后，基于所述多个候选对象特征分别对应的拼接特征，确定与所述多个候选对象特征分别对应的推荐概率。
[0123]
本实施例中，在将聚合特征与场景特征、候选对象特征进行拼接后，可以使得拼接特征兼具细节特征，从而提高推荐的准确性。具体实施时，在本技术的对象推荐方法通过神
经网络模型实现时，神经网络模型可以包括全连接层和激活函数层，实际中，可以将通过全连接层对聚合特征、场景特征和候选对象特征的拼接特征进行全连接处理，之后再经过激活函数层，输出每个候选对象特征的推荐概率。
[0124]
结合以上实施例，示例性给出本技术实施例的对象推荐方法的整体实施例，参照图5所示，该示例性给出了具体实施时的一种可行的对象推荐方法的流程示意图，该对象推荐方法由神经网络模型实现，具体包括以下流程：
[0125]
如图5所示，输入到神经网络模型的输入部分包括用户历史行为特征、场景特征、候选对象的候选对象特征、用户属性特征以及其他特征等。
[0126]
其中，历史行为特征主要是由用户在过去一段时间(一般是1-2周)中的点击/下单的poi序列组成，其中，在输入到神经网络模型之前进行了 embedding编码表示，转换成了图示中v1、v2…vn
的向量表示。
[0127]
在实际的操作中，由于不同用户的点击的poi的才刚多不一致，为了方便后续神经网络模型的处理，往往限制向量表示的长度在一个固定的长度比方说64，对于超过的序列进行截断处理，对于不足的序列进行0填充处理，从而得到上述的历史行为特征。
[0128]
接下来，将历史行为特征和当前搜索时刻的场景特征输入到门控单元中，以进行历史行为特征和场景特征的融合，将历史行为特征过门控的机制融入当前搜索时刻的场景特征，其中，门控单元的内部结构细节和处理过程可以参照上述实施例的描述即可。
[0129]
经过门控单元的特征融合之后，原始输入的历史行为特征v1,v2…vn
转化成了融合了场景特征的历史融合特征g1,g2…gn
。
[0130]
接下来，将历史融合特征g1,g2…gn
和当前待预测的候选对象特征一起输入到神经网络模型的长短滑窗窗口提取网络中去，对各个历史融合特征进行更深层次的建模，以从历史的搜索行为中提取最能够反应用户偏好的聚合特征v
final
。其具体过程，可以参照上述实施例所描述的特征聚合过程，在此不再赘述。
[0131]
最后，将聚合特征v
final
结合候选对象特征、场景特征和其他特征一起输入到后续网络中去进行拼接，再经过多层的网络转换和非线性激活函数之后，最终通过sigmoid得到当前待预测的各个候选对象的推荐概率，从而根据各个候选对象的推荐概率，筛选出推荐概率超过预设概率的多个目标对象推荐给用户，在客户端可以按照多个目标对象的推荐概率从高到低的顺序对多个目标对象进行排序显示。使得推荐概率最高的显示在最前面，从而方便用户的浏览。
[0132]
实际中，若要实施上述实施例的技术方案，可以预先训练完成一个对象推荐模型，该对象推荐模型的结构可以如图6所示，具体地，该对象推荐模型可以参照上述实施例的方法执行本技术的对象推荐方法。其训练过程如下：
[0133]
首先，准备训练样本，训练样本包括样本用户在历史过程中的样本历史行为特征，样本场景特征以及候选对象样本特征，其中，每个候选对象样本特征被标注有推荐标签，推荐标签表征候选对象样本是否被用户点击。
[0134]
接着，将训练样本输入到预设模型中，之后，预设模型可以将样本场景特征融合到各个样本历史行为特征中，得到样本历史融合特征。
[0135]
之后，预设模型可以基于将多个候选对象样本特征与样本历史融合特征进行聚合，聚合后，再与样本场景特征、候选对象样本特征进行拼接，经过多层的网络转换和非线
性激活函数之后，得到候选对象样本的推荐概率。
[0136]
之后，将候选对象样本的推荐概率与预先标记的推荐标签，确定预设模型对应的损失值，根据损失值，对预设模型的参数进行不断更新。其中，人上述实施例所述，该参数可以包括确定融合权重时的预设第一参数和预设第二参数。
[0137]
采用本技术实施例的技术方案，至少具有以下优点：
[0138]
1、由于将表征用户所处的环境的时空信息的场景特征融合到各个历史行为特征中，从而可以刻画用户当前所处的场景对历史行为特征的重要性，又由于将候选对象的候选对象特征与多个历史行为特征进行聚合，从而得到的每个聚合特征均融合了历史行为特征、场景特征和候选对象特征，使得一个候选对象的特征可以刻画用户的历史行为操作和当前所处的环境特征，因此，对用户的真实搜索意图进行了细致的感知和提取，从而提高对象推荐的准确性。
[0139]
2、又由于在将候选对象的候选对象特征与多个历史行为特征进行聚合时，可以通过长短窗口提取结构，来提取不同时间跨度窗口下的历史融合特征，从而可以抽取不同历史时期的历史行为特征，刻画用户在不同时间段的搜索意图。进而，可以对用户的历史行为的聚集性和多样性进行了提取，以使聚合特征更精准和更具个性化，从而提高对象推荐的准确性。
[0140]
基于与上述实施例同一发明构思，本技术实施例的第二方面，提供了一种竞争对手确定装置，参照图6所示，示出了该竞争对手确定装置的结构示意图，如图6所示，所述装置具体可以包括以下模块：
[0141]
特征获取模块601，用于响应于用户发送的搜索请求，获取所述搜索请求对应的场景特征、与所述搜索请求对应的多个候选对象特征和多个历史行为特征；所述场景特征用于描述所述用户当前所处的环境的时空信息，所述历史行为特征为所述用户在历史过程中执行预设操作所对应的特征；
[0142]
特征融合模块602，用于将所述场景特征分别融合到所述多个历史行为特征的每个历史行为特征中，得到多个历史融合特征；
[0143]
特征聚合模块603，用于将每个所述候选对象特征与所述多个历史融合特征聚合，得到与每个所述候选对象特征对应的聚合特征；
[0144]
推荐模块604，用于基于与所述多个候选对象特征分别对应的聚合特征，从各个所述候选对象特征对应的候选对象中确定向所述用户推荐的目标对象。
[0145]
可选地，特征聚合模块603，具体包括：
[0146]
特征提取单元，用于从所述多个历史融合特征中，确定距离当前时刻的不同时长内的至少一个历史融合特征，得到多个特征集合，不同特征集合包括距离当前时刻不同时长内的历史融合特征；
[0147]
特征聚合单元，用于将所述多个特征集合与所述候选对象聚合，得到与所述候选对象特征对应的聚合特征。
[0148]
可选地，所述特征聚合单元，包括：
[0149]
第一聚合单元，用于将所述候选对象特征与所述每种特征集合中的历史融合特征进行聚合，得到与不同时长分别对应的子聚合特征；所述子聚合特征用于反映不同时长内的历史融合特征对所述候选对象特征的贡献；
[0150]
第二聚合单元，用于将所述候选对象特征与不同时长分别对应的子聚合特征进行聚合，得到每个候选对象特征对应的聚合特征。
[0151]
可选地，所述特征融合模块602，包括：
[0152]
权重确定单元，用于确定所述场景特征对每个所述历史行为特征的融合权重，所述融合权重用于表征所述场景特征对所述历史行为特征的重要性；
[0153]
融合单元，用于基于所述融合权重，将所述场景特征分别融合到所述多个历史行为特征的每个历史行为特征中，得到多个历史融合特征。
[0154]
可选地，所述对象推荐的方法是基于神经网络模型实现的，所述神经网络模型中包括门控单元，所述权重确定单元，包括：
[0155]
特征输入单元，用于将所述场景特征以及所述多个历史行为特征输入到所述门控单元；
[0156]
权重获得单元，用于通过所述门控单元中存储的与所述场景特征对应的预设第一参数，以及与所述多个历史行为特征对应的预设第二参数，确定所述场景特征对每个历史行为特征的融合权重。
[0157]
可选地，推荐模块604，包括：
[0158]
推荐概率确定单元，用于基于与所述多个候选对象特征对应的聚合特征，确定与所述多个候选对象特征分别对应的推荐概率；
[0159]
目标对象确定单元，用于基于所述多个候选对象特征分别对应的推荐概率，从各个所述候选对象中确定向所述用户推荐的目标对象。
[0160]
可选地，推荐概率确定单元，包括：
[0161]
拼接子单元，用于将所述场景特征、每个所述候选对象特征，以及与该候选对象特征对应的聚合特征进行拼接，得到每个所述候选对象特征对应的拼接特征；
[0162]
概率确定子单元，用于基于所述多个候选对象特征分别对应的拼接特征，确定与所述多个候选对象特征分别对应的推荐概率。
[0163]
可选地，所述特征获取模块601，包括：
[0164]
第一信息获取单元，用于获取所述用户当前所处的位置，以及所述位置对应的气象信息；
[0165]
第二信息获取单元，用于确定所述当前时刻分别在多个预设时间统计尺度上所对应的时间信息；其中，所述多个预设时间统计尺度包括月统计尺度、周统计尺度、天统计尺度；
[0166]
特征生成单元，用于基于所述位置、所述气象信息以及所述时间信息，生成所述场景特征。
[0167]
采用本技术实施例的对象推荐装置，由于可以在进行对象推荐时，同时参考用户的历史行为特征以及用户当前所处的环境的场景特征，从而同时利用了历史数据和当前的场景数据刻画了用户对各个候选对象的搜索意图，从而提高了对象推荐的准确性。
[0168]
本发明实施例还提供了一种电子设备，该电子设备可以包括存储器、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，所述处理器被配置为执行所述的对象推荐方法。
[0169]
本技术实施例还提供了一种非临时性计算机可读存储介质，当所述存储介质中的
指令由处理器执行时，使得所述处理器能够执行一种以实现本技术上述的对象推荐方法所执行的操作。
[0170]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0171]
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0172]
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0173]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0174]
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0175]
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
[0176]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0177]
以上对本发明所提供的一种对象推荐方法、装置、服务器、电子设备及介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。