对象投放方法、装置、存储介质及电子设备与流程

1.本公开的实施方式涉及计算机技术领域，更具体地，本公开的实施方式涉及一种对象投放方法、装置、存储介质及电子设备。


背景技术：

2.在内容分发中，最主流的是"推荐"，也是大家最为熟知的分发方式。推荐系统是利用用户基础属性和用户历史行为等数据，来尝试识别用户兴趣，然后从全体内容池中，筛选出和该用户画像匹配程度最高的内容，推荐给用户，并收集用户对推荐内容的反馈数据，来不断迭代用户画像并基于此进行用户兴趣推荐的一套系统。
3.虽然推荐系统能将用户信息和内容信息相互匹配进行高效的个性化推荐，但也存在很多不可忽视的缺点。一方面，有时用户行为并不等同于用户兴趣。比如一些标题党、擦边球的内容，用户看到这类内容时，虽然不喜欢，但还是经常忍不住去点击，而点击、观看等行为在推荐系统里一般会被认为是正向反馈行为，推荐系统就会认为用户喜欢这类内容，从而加大此类内容的推荐，从而形成恶性循环，伤害用户体验。另一方面，是存在“马太效应”问题，在内容侧，数百万级的内容池中，可能头部的10％的内容占据了80％的流量，导致“中腰部”内容分发不足，长尾优质内容无法获得有效曝光，形成强者恒强的局面，不利于平台内容长期生态的发展。


技术实现要素：

4.为克服相关技术中存在的问题，本公开提供一种对象投放方法、装置、存储介质及电子设备。
5.依据本公开的第一方面，提供了一种对象投放方法，该方法包括：
6.响应于目标用户在目标页面上的对象投放请求，根据所述目标用户对应的配置标签以及所述目标页面上预先配置的投放条件，确定符合所述配置标签的投放条件所对应的多个命中对象；
7.利用预训练的对象推荐模型计算所述多个命中对象对应的预测分值，来确定所述目标用户匹配的多个待投放对象；所述对象推荐模型是用于确定所述目标用户对所述命中对象的偏好、所述目标用户的特征以及所述命中对象的热度的模型；
8.按照预设投放策略从所述多个待投放对象中确定所述目标用户对应的目标投放对象；
9.以预设投放方式在所述目标页面上将所述目标投放对象推送给所述目标用户。
10.依据本公开的第二方面，提供了一种对象投放装置，所述装置包括：
11.第一确定模块，用于响应于目标用户在目标页面上的对象投放请求，根据所述目标用户对应的配置标签以及所述目标页面上预先配置的投放条件，确定符合所述配置标签的投放条件所对应的多个命中对象；
12.计算模块，用于利用预训练的对象推荐模型计算所述多个命中对象对应的预测分
值，来确定所述目标用户匹配的多个待投放对象；所述对象推荐模型是用于确定所述目标用户对所述命中对象的偏好、所述目标用户的特征以及所述命中对象的热度的模型；
13.第二确定模块，用于按照预设投放策略从所述多个待投放对象中确定所述目标用户对应的目标投放对象；
14.推送模块，用于以预设投放方式在所述目标页面上将所述目标投放对象推送给所述目标用户。
15.根据本公开的一个方面，提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时上述的对象投放方法。
16.根据本公开的一个方面，提供一种电子设备，包括：
17.处理器；以及
18.存储器，用于存储所述处理器的可执行指令；
19.其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的对象投放方法。
20.综上所述，本公开实施例提供的对象投放方法，可以先响应于目标用户在目标页面上的对象投放请求，根据目标用户对应的配置标签以及目标页面上预先配置的投放条件，确定符合配置标签的投放条件所对应的多个命中对象，利用预训练的对象推荐模型计算多个命中对象对应的预测分值，来确定目标用户匹配的多个待投放对象，对象推荐模型是用于确定目标用户对命中对象的偏好、目标用户的特征以及命中对象的热度的模型，按照预设投放策略从多个待投放对象中确定目标用户对应的目标投放对象，以预设投放方式在目标页面上将目标投放对象推送给目标用户。这样，通过用户的配置标签和页面上的投放条件来确定待投放对象，使得选取到的待投放对象更符合目标用户的偏好，从而可以一定程度上提高用户对投放对象点击的命中率，并且，基于预设投放策略来选取目标用户对应的目标投放对象，可以减轻对象推荐时流量分发出现的马太效应，在投放对象符合目标用户偏好的基础上，向目标用户推送更多不同的目标投放对象，从而可以提高投放对象投放的效率。
附图说明
21.通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：
22.图1是本公开实施例提供的一种对象投放方法的步骤流程图；
23.图2是本公开实施例提供的一种确定命中对象的流程图；
24.图3是本公开实施例提供的一种确定命中对象的示意图；
25.图4是本公开实施例提供的一种确定目标投放人群的流程图；
26.图5是本公开实施提供的一种确定待投放对象的流程图；
27.图6是本公开实施提供的一种计算命中对象预测分值的示意图；
28.图7是本公开实施例提供的一种确定目标投放对象的流程图；
29.图8是根据本公开实施方式的对象投放装置的方框图；
30.图9是根据本公开实施方式的存储介质的示意图；以及
31.图10是根据本公开实施方式的电子设备的方框图。
32.在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
33.下面将参考若干示例性实施方式来描述本公开的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
34.本领域技术人员知道，本公开的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式，本公开所涉及的数据可以为经用户授权或者经过各方充分授权的数据。对数据的采集、传播、使用等，均符合国家相关法律法规要求，本公开实施方式/实施例可以互相组合。
35.在本文中，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
36.下面参考本公开的若干代表性实施方式，详细阐述本公开的原理和精神。
37.图1是本公开实施例提供的一种对象投放方法的步骤流程图，如图1所示，该方法可以包括：
38.步骤s101、响应于目标用户在目标页面上的对象投放请求，根据所述目标用户对应的配置标签以及所述目标页面上预先配置的投放条件，确定符合所述配置标签的投放条件所对应的多个命中对象。
39.本公开实施例中，目标用户在目标页面上的对象投放请求可以是目标用户在进入目标页面时所触发的对象投放请求，由于页面上可以设置有向用户推荐投放对象的界面，该界面用于在用户进入目标页面时向用户播放投放对象，因此，在目标用户进入目标页面时相当于启动了该目标页面上的推荐投放对象的界面，即，目标用户在进入目标页面时相当于发送针对推荐投放对象的界面的对象投放请求。目标用户对应的配置标签可以是预先根据用户设置的特征信息而添加的配置标签，具体的，该配置标签可以包括性别、年龄、所在地、职业、爱好等等多个维度的用户特征信息确定的。目标页面上预先配置的投放条件可以是针对不同页面预先配置的投放条件，即，可以根据每一页面所展示的内容来个性化的配置不同的投放条件，以此来提高用户点击投放对象的目的，该投放条件可以包括计划配置、主播配置、人群配置，其中，计划配置可以是需要配置计划投放时间段、投放策略、投放主播、投放人群，计划配置内的投放主播可以同步关联主播配置，主播配置详情可以包括：主播id、主播类型、主播投放时间段、主播投放流量上限和下限阈值。人群配置可以主要是配置人群标签，人群标签支持“年龄”、“性别”、“城市”等基础属性标签，以及“直播新用户”、“直播活跃用户”、“直播付费用户”等直播付费标签，还有从用户在应用中的行为获取的其他用户兴趣标签。
40.本公开实施例中，响应于目标用户在目标页面上的对象投放请求，根据目标用户对应的配置标签以及目标页面上预先配置的投放条件，确定符合配置标签的投放条件所对应的多个命中对象，可以是在目标用户在进入目标页面之后，响应于该目标用户在目标页
面上的对象投放请求，确定目标用户对应的配置标签，以及确定目标页面上预先配置的投放条件，根据该配置标签和投放条件来确定符合配置标签的投放条件，最后，确定该符合配置标签的投放条件所对应的多个命中对象。其中，每个投放条件下都对应有多个用于投放给用户的对象，该对象可以是主播、商品、视频、链接等等。
41.步骤s102、利用预训练的对象推荐模型计算所述多个命中对象对应的预测分值，来确定所述目标用户匹配的多个待投放对象；所述对象推荐模型是用于确定所述目标用户对所述命中对象的偏好、所述目标用户的特征以及所述命中对象的热度的模型。
42.本公开实施例中，对象推荐模型可以是利用样本特征对初始对象推荐模型预先训练得到的。具体的，可以是通过不断利用样本特征对对象推荐模型进行迭代训练，使得对象推荐模型可以学习到根据输入的特征正确生成用户对对象偏好程度的预测能力、用户爱好的预测能力以及对象热度的预测能力。因此，本公开实施例中可以利用训练得到的对象推荐模型对用户特征、内容相关特征、内容侧特征或者用户特征、或者内容侧特征进行计算，来获取各特征所表征对命中对象偏好的预测分值、用户爱好的预测分值以及命中对象热度的预测分值。其中，对象推荐模型可以是深度推荐模型(deep factorization machines，deepfm)，也可以是点击率预估模型(mixed logistic regression，mlr)，还可以是其他深度学习的精排模型。
43.本公开实施例中，利用预训练的对象推荐模型计算多个命中对象对应的预测分值，来确定目标用户匹配的多个待投放对象，可以是通过预训练的对象推荐模型分别计算每一命中对象的预测分值，将预测分值符合预设分值阈值的命中对象作为待投放对象，从而得到目标用户匹配的多个待投放对象。
44.步骤s103、按照预设投放策略从所述多个待投放对象中确定所述目标用户对应的目标投放对象。
45.本公开实施例中，预设投放策略可以是目标页面上预先设置的投放策略，其中，不同页面上可以设置不同的投放策略。为了满足多样化的运营需求，预设投放策略可以是随机扶持、加权扶持、置顶扶持、频次控制等投放策略中的任一个。具体的，随机扶持可以是简单的按概率对投放计划命中的主播进行人群匹配用户的随机分发；置顶扶持可以是将计划命中的主播按精排模型打分进行排序分发；加权扶持可以是将计划命中的主播在计算得到预测分值的基础上再加权融合参数可调的加权因子进行排序分发；频次控制可以是在一段时间内，限制主播重复曝光给同一用户的次数，防止用户疲劳，
46.本公开实施例中，按照预设投放策略从多个待投放对象中确定目标用户对应的目标投放对象，可以是基于目标页面上的预设投放策略对多个待投放对象进行筛选，将符合预设投放策略的待投放对象作为向目标用户推荐的目标投放对象。
47.步骤s104、在所述目标页面上，按照预设投放方式将所述目标投放对象推送给所述目标用户。
48.本公开实施例中，由于目标页面上可以设置有用于展示投放对象的区域，因此，可以在目标页面的预设区域中，按照预设投放方式显示目标投放对象，以便将该目标投放对象推送给目标用户。其中，预设投放方式可以是预先设置的展示投放对象的方式，预设投放方式可以是置顶显示、悬浮显示等投放方式，本公开对此不做限制。
49.综上所述，本公开实施例提供的对象投放方法，可以先响应于目标用户在目标页
面上的对象投放请求，根据目标用户对应的配置标签以及目标页面上预先配置的投放条件，确定符合配置标签的投放条件所对应的多个命中对象，利用预训练的对象推荐模型计算多个命中对象对应的预测分值，来确定目标用户匹配的多个待投放对象，对象推荐模型是用于确定目标用户对命中对象的偏好、目标用户的特征以及命中对象的热度的模型，按照预设投放策略从多个待投放对象中确定目标用户对应的目标投放对象，以预设投放方式在目标页面上将目标投放对象推送给目标用户。这样，通过用户的配置标签和页面上的投放条件来确定待投放对象，使得选取到的待投放对象更符合目标用户的偏好，从而可以一定程度上提高用户对投放对象点击的命中率，并且，基于预设投放策略来选取目标用户对应的目标投放对象，可以减轻对象推荐时流量分发出现的马太效应，在投放对象符合目标用户偏好的基础上，向目标用户推送更多不同的目标投放对象，从而可以提高投放对象投放的效率。
50.可选的，本公开实施例中预先配置的投放条件可以包括投放人群和对应的投放对象，上述根据所述目标用户对应的配置标签以及所述目标页面上预先配置的投放条件，确定符合所述配置标签的投放条件所对应的多个命中对象的操作，如图2所示，可以具体包括：
51.步骤s1011、基于所述目标用户对应的配置标签，确定所述目标用户所包含的各维度特征信息。
52.本公开实施例中，由于目标用户对应的配置标签可以是目标用户自助选择添加的标签，也可以是根据用户填写的基础信息生成的标签，因此，可以根据目标用户对应的配置标签所表征的维度以及配置标签的内容，来确定目标用户包含的各个维度特征信息。示例的，目标用户的配置标签有“男”、“35岁”、“工程师”，则可以确定该目标用户包含的维度特征信息有“性别-男”、“年龄-35岁”、“职业-工程师”。
53.步骤s1012、根据所述目标用户所包含的各维度特征信息，从所述投放人群中确定符合所述各维度特征信息的目标投放人群。
54.本公开实施例中，由于不同维度特征信息对应的投放人群不同，因此，可以根据目标用户所包含的各维度特征信息来确定匹配的投放人群，获得目标用户所属的目标投放人群。
55.步骤s1013、基于所述投放人群与所述投放对象之间的预设映射关系，将所述目标投放人群对应的多个投放对象确定为符合所述配置标签的投放条件所对应的多个命中对象。
56.本公开实施例中，预设映射关系可以是预先设置的投放人群与投放对象之间的匹配映射关系，因此，可以根据预设映射关系来确定目标投放人群对应的各个投放对象，将这多个投放对象作为符合配置标签的投放条件所对应的多个命中对象。示例的，可以将投放人群与投放对象之间的预设映射关系写入倒排索引表来建立召回索引，在用户所表征的各维度特征信息满足投放对象对应的投放人群的用户画像，则将该投放人群对应的各个投放对象作为符合配置标签的投放条件所对应的多个命中对象。
57.可选的，本公开实施例中上述基于所述目标用户对应的配置标签，确定所述目标用户所包含的各维度特征信息的操作，可以具体包括：
58.根据所述目标用户对应的配置标签，确定所述目标用户在每一预设用户维度上对
应的特征信息；若所述配置标签在所述预设用户维度上对应的特征信息为空信息，则按照预设特征填补方式确定所述目标用户在所述预设用户维度上对应的补充信息；根据所述目标用户在各个预设用户维度上的所述特征信息和/或所述补充信息，获得所述目标用户所包含的各维度特征信息。
59.本公开实施例中，预设用户维度可以是根据实际情况预先设置的用户维度，比如，预设用户维度可以是性别、年龄、职业、所在地、爱好等等，因此，可以先根据目标用户所关联的配置标签确定对应的预设用户维度，再根据配置标签的内容来确定目标用户在每一预设用户维度上对应的特征信息。
60.本公开实施例中，若出现对于某一预设用户维度，该目标用户没有对应的配置标签，即，配置标签在该预设用户维度上对应的特征信息为空信息，则可以按照预设特征填补方式确8定目标用户在预设用户维度上对应的补充信息，其中，预设特征填补方式可以是根据实际情况预先设置的特征填补方式。例如，当配置标签没有指定的预设用户维度，即该目标用户可以接收各个预设用户维度对应的投放对象，因此，可以将该目标用户在预设用户维度上的补充信息填写为all；当目标用户的配置标签缺少某一预设用户维度的信息时，可以将该目标用户在预设用户维度上的补充信息填写为empty，使得预设用户维度的补充信息为empty的维度，仅能匹配上该预设用户维度为all的投放对象。
61.本公开实施例中，根据目标用户在各个预设用户维度上的特征信息和/或补充信息，获得目标用户所包含的各维度特征信息，可以是在各个预设用户维度上均根据配置标签确定对应的特征信息来获得各维度特征信息，或者在各个预设用户维度上一部分根据配置标签确定对应的特征信息、另一部分根据对应的补充信息来获得各维度特征信息，或者在各个预设用户维度上全部根据各个预设用户维度上对应的补充信息来获得各维度特征信息。这样，通过将配置标签对各个预设用户维度上的特征信息补齐后，在匹配时就会匹配到投放条件所要求的所有预设用户维度，从而得到正确的与配置标签对应的投放对象，避免由于缺少各个预设用户维度的特征信息而导致匹配到的投放对象数量被放大的问题。
62.示例的，图3是本公开实施例提供的一种确定命中对象的示意图，如图3所示，按照预设特征填补方式完成填补配置标签上各个预设用户维度上，task1：年龄＝10-30&&性别＝all&&地域＝all，task2：年龄＝10-30&&性别＝女&&地域＝深圳，根据task1和task2建立倒排索引表，该倒排索引表包括倒排key和倒排value_list，当需要筛选投放人群的条件为年龄＝25&&地域＝深圳&&性别＝empty，最后，可以得到召回结果为task1，而正确结果为task1，即，召回结果与正确结果相同。
63.需要说明的是，当用户为推荐系统的新用户，即，该用户不存在对应的配置标签的情况下，为了给该新用户推送投放对象，可以将该新用户各个预设用户维度上的特征信息按照预设特征填补方式来添加对应的补充信息，即，根据该新用户在各个预设用户维度上的补充信息来获得该新用户所包含的各维度特征信息。
64.可选的，本公开实施例中当从投放人群中未找到符合各维度特征信息的目标投放人群时，如图4所示，上述对象投放方法还可以包括：
65.步骤s201、根据所述投放对象对应的种子用户，利用预设相似计算方法确定与所述种子用户相似的扩展用户；所述种子用户是与所述投放对象关联的用户画像相匹配的用户。
66.本公开实施例中，可以是在投放人群中未找到符合各维度特征信息的目标投放人群的情况下，先确定与投放对象关联的用户画像相匹配的种子用户，该种子用户可以是预先设置的与投放对象一一匹配的用户，再利用预设相似计算方法从多个用户中计算用户与种子用户之间相似度符合阈值的扩展用户。预设相似计算方法可以是相似人群扩展(lookalike)技术，通过预设相似计算方法计算其他用户和种子用户的相似程度，从而进行自动化的相似人群动态扩展，这样，一方面能满足不同投放计划对人群定向精准度和覆盖率的不同需求，另一方面，相似人群扩展(lookalike)技术扩展人群的点击通过率(click-through-rate，ctr)和转化率(conversion rate，cvr)都能有比较明显的提升，能优化站内流量的分配，提升流量的溢价和商业变现能力。
67.需要说明的是，利用预设相似计算方法从多个用户中计算用户与种子用户之间相似度符合阈值的扩展用户，本公开实施例可以是采用用户-用户向量(embedding)之间的余弦相似度(cosine similarity)来衡量用户之间的相似度，该余弦相似度可以表示为：
[0068][0069]
其中，sim
cosine
(fi,fj)可以是fi和fj余弦相似度，fi可以表示为投放对象对应的种子用户，fj可以表示为其他用户，fi*fj可以表示为种子用户与其他用户之间的特征向量的乘积，‖fi‖||fj||可以表示为种子用户与其他用户之间特征向量的模的乘积。
[0070]
步骤s202、按照所述投放对象所配置的投放计划数量，从所述扩展用户中选取多个用户与所述种子用户组成符合所述投放计划数量的扩展投放人群。
[0071]
本公开实施例中，由于每一投放
10
对象都可以预先配置需要投放的计划数量，因此，可以按照投放对象所配置的投放计划数量来从扩展用户中选取多个用户，使得选取的多个用户与种子用户的数量之和可以符合投放计划数量，将选取的多个用户与种子用户作为扩展投放人群。
[0072]
步骤s203、根据所述目标用户所包含的所述各维度特征信息，从所述扩展投放人群中确定符合所述各维度特征信息的目标投放人群。
[0073]
本公开实施例中，可以是根据目标用户所包含的各个维度特征信息，若目标用户出现预设用户维度上特征信息为空信息，则按照预设特征填补方式补充该维度上的信息，然后，从扩展投放人群中确定符合各维度特征信息的目标投放人群。这样，经过将各个维度上的特征信息补齐后，在筛选时就会筛选到任务要求的所有定向维度，从而得到正确的召回结果。
[0074]
可选的，本公开实施例中对象推荐模型可以包括第一推荐模型、第二推荐模型和第三推荐模型，上述利用预训练的对象推荐模型计算所述多个命中对象对应的预测分值，来确定所述目标用户匹配的多个待投放对象的操作，如图5所示，可以具体包括：
[0075]
步骤s1021、基于所述目标用户对应的配置标签、所述目标页面上预先配置的投放条件以及所述命中对象包含的属性特征，获取所述目标用户对应的用户侧特征、所述多个命中对象分别对应的内容侧特征以及所述目标用户对每一命中对象对应的内容相关特征。
[0076]
本公开实施例中，可以是根据目标用户对应的配置标签来确定目标用户对应的用户侧特征，根据命中对象包含的属性特征来确定多个命中对象分别对应的内容侧特征，根
据目标用户对应的配置标签、目标页面上预先配置的投放条件以及命中对象包含的属性特征来确定目标用户对每一命中对象对应的内容相关特征。其中，内容相关特征可以是目标用户对命中对象所属类型的内容偏好，点击率、观看时长等等特征。
[0077]
步骤s1022、针对所述每一命中对象，将所述用户侧特征、所述内容相关特征以及所述内容侧特征输入至预训练的第一推荐模型，获得表征所述目标用户对所述命中对象偏好程度的第一输出值；将所述用户侧特征输入至预训练的第二推荐模型，获得表征所述目标用户对应用户特征的第二输出值；将所述内容侧特征输入至预训练的第三推荐模型，获得表征所述命中对象热度值的第三输出值。
[0078]
本公开实施例中，第一推荐模型、第二推荐模型以及第三推荐模型可以是深度推荐模型(deepfm)，具体的，可以将用户侧特征、内容相关特征以及内容侧特征输入至预训练的第一推荐模型，第一推荐模型的输出结果作为表征目标用户对命中对象偏好程度的第一输出值。可以将用户侧特征输入至预训练的第二推荐模型，第二推荐模型的输出结果作为表征目标用户对应用户特征的第二输出值。可以将内容侧特征输入至预训练的第三推荐模型，第三推荐模型的输出结果作为表征命中对象热度值的第三输出值。
[0079]
步骤s1023、对于所述每一命中对象，将所述命中对象对应的第一输出值与偏置输出值之间的差值作为所述命中对象对应的预测分值；所述偏置输出值是根据所述第二输出值与所述第三输出值的乘积确定。
[0080]
本公开实施例中，可以得到针对每一命中对象计算得到第一输出值、第二输出值和第三输出值，将第一输出值、第二输出值和第三输出值输入至预设预测分值公式中，先根据第二输出值与第三输出值的乘积确定偏置输出值，再第一输出值与偏置输出值之间的差值确定命中对象对应的预测分值，预设预测分值公式可以表示如下：
[0081]
y＝y
ui-α*y
bias
＝y
ui-α*y
bias_i
*y
bias_u
[0082]
其中，y可以表示为该命中对象的预测分值，y
ui
可以表示为该命中对象的第一输出值，y
bias
可以表示为该命中对象的偏置输出值，y
bias_i
可以表示为该命中对象的第二输出值，y
bias_u
可以表示为该命中对象的第三输出值，α可以表示为预设经验参数，取值可以为0-1之间。
[0083]
步骤s1024、从所述多个命中对象中选取所述预测分值符合预设分值阈值的命中对象作为所述目标用户匹配的待投放对象。
[0084]
本公开实施例中，针对多个命中对象对应的预测分值，选取预测分值符合预设分值阈值的命中对象，并将所有预测分值符合预设分值阈值的命中对象作为目标用户匹配的待投放对象，预设分值阈值可以是根据实际经验获得值。
[0085]
可选的，本公开实施例中上述将所述用户侧特征、所述内容相关特征以及所述内容侧特征输入至预训练的第一推荐模型，获得表征所述目标用户对所述命中对象偏好程度的第一输出值的操作，可以具体包括：
[0086]
对所述用户侧特征、所述内容相关特征以及所述内容侧特征进行向量转换与拼接，获得所述目标用户对应的用户特征向量；将所述用户特征向量输入至所述预训练的第一推荐模型中，得到输出结果作为所述第一输出值。
[0087]
本公开实施例中，在通过第一推荐模型计算命中对象的第一输出值时，为了提高模型计算的效率，可以将用户侧特征、内容相关特征以及内容侧特征转换为向量转换并进
行向量拼接，得到目标用户对应的用户特征向量，将用户特征向量输入至预训练的第一推荐模型中计算，得到的模型输出结果作为该命中对象的第一输出值。
[0088]
可选的，本公开实施例中上述对象投放方法还可以包括：
[0089]
首先，获取样本用户特征、样本内容相关特征、样本内容侧特征以及对样本对象的真实分值。
[0090]
本公开实施例中，样本用户特征、样本内容相关特征、样本内容侧特征可以是历史用户计算得到的特征，也可以是人工输入的特征，对样本对象的真实分值可以是表征样本用户实际对样本对象的执行操作的真实分值。
[0091]
其次，将所述样本用户特征、所述样本内容相关特征、所述样本内容侧特征作为第一训练样本，将所述样本用户特征作为第二训练样本，将所述样本内容侧特征作为第三训练样本。
[0092]
本公开实施例中，可以是将样本用户特征、样本内容相关特征、样本内容侧特征与真实分值作为第一训练样本，将样本用户特征与真实分值作为第二训练样本，将样本内容侧特征与真实分值作为第三训练样本。
[0093]
最后，利用所述第一训练样本对初始第一推荐模型进行迭代训练，利用所述第二训练样本对初始第二推荐模型进行迭代训练，利用所述第三训练样本对初始第三推荐模型进行迭代训练，以获取输出的训练分值符合所述真实分值的所述预训练的第一推荐模型、所述预训练的第二推荐模型以及所述预训练的第三推荐模型。
[0094]
本公开实施例中，可以是将第一训练样本输入至初始第一推荐模型进行计算处理、将第二训练样本输入至初始第二推荐模型进行计算处理、将第三训练样本输入至初始第三推荐模型进行计算处理，再通过预设预测分值公式计算训练预测分值，通过计算训练预测分值和真实分值之间的损失函数，若损失函数结果不符合预设阈值，则可以调整第一推荐模型、第二推荐模型、第三推荐模型中的训练参数，并重新执行将训练样本输入至初始推荐模型进行计算处理的操作，直至损失函数结果符合预设阈值；若损失函数结果符合预设阈值，即，确定训练预测分值近似于真实分值，则可以将训练所得第一推荐模型作为预训练的第一推荐模型，训练所得第二推荐模型作为预训练的第二推荐模型，训练所得第二推荐模型作为预训练的第二推荐模型。这样，通过不断采用样本特征进行训练以及调整模型的训练参数，可以使模型学习正确计算处理样本特征得到真实预测分值的能力。
[0095]
示例的，图6是本公开实施例提供的一种计算命中对象预测分值的示意图，如图6所示，针对每一命中对象，确定该命中对象的用户侧特征301、内容相关特征302、内容侧特征303，可以将用户侧特征301、内容相关特征302、内容侧特征303进行向量转换和拼接，得到目标用户对应的用户特征向量304，用户特征向量304输入至第一推荐模型305中，得到输出结果第一输出值y
ui
306，将用户侧特征301输入至第二推荐模型307中，得到第二输出值，将内容侧特征303输入至第三推荐模型308中，得到第三输出值，由第二输出值和第三输出值的乘积得到偏置输出值y
bias
309，将第一输出值y
ui
306与偏置输出值y
bias
309的差值作为该命中对象对应的预测分值y310。
[0096]
可选的，本公开实施例中上述按照预设投放策略从所述多个待投放对象中确定所述目标用户对应的目标投放对象的操作，如图7所示，可以具体包括：
[0097]
步骤s1031、对所述多个待投放对象，确定每一待投放对象对应的曝光时间与曝光
次数。
[0098]
本公开实施例中，待投放对象对应的曝光时间与曝光次数可以是指待投放对象投放给用户的时间，以及待投放对象投放给用户的次数。对多个待投放对象，确定每一待投放对象对应的曝光时间与曝光次数，可以是对多个待投放对象，根据每一待投放对象的历史曝光信息确定每一待投放对象对应的曝光时间与曝光次数。
[0099]
步骤s1032、根据所述各个待投放对象对应的所述曝光时间与所述曝光次数，选取所述曝光时间与所述曝光次数小于预设曝光阈值的待投放对象作为所述目标投放对象。
[0100]
本公开实施例中，为了避免投放对象出现马太效应，即，针对流量高的投放对象获得更多的投放次数，而流量低的投放对象难以获得投放机会的问题，因此，可以根据各个待投放对象对应的曝光时间与曝光次数，选取曝光时间与曝光次数小于预设曝光阈值的待投放对象作为目标投放对象，确保更多的投放对象可以获得曝光机会。例如，以用户id为主键，将给用户曝光过的主播id列表及对应的曝光时间戳作为键值，以《k,v》键值对的格式存入数据库(redis)。用户下次请求的时候，可以直接根据用户id从数据库(redis)获取已曝光主播列表进行时间 次数限制的曝光打压。
[0101]
可选的，本公开实施例中在所述以预设投放方式在所述目标页面上将所述目标投放对象推送给所述目标用户之后，还可以包括：
[0102]
监控所述目标用户对所述目标投放对象的反馈信息；若所述反馈信息不符合预设反馈阈值，则调整所述预设投放策略，并按照调整后的投放策略从所述多个待投放对象中重新选取所述目标投放对象。
[0103]
本公开实施例中，为了保证投放系统的效果，监控反馈尤为重要，一方面可以对投放对象的内容质量有一个有效的评估，另一方面也可以有效观测投放计划对流量分发效率的影响，因此，可以监控目标用户对目标投放对象的反馈信息，若反馈信息不符合预设反馈阈值，则调整预设投放策略，并按照调整后的投放策略从多个待投放对象中重新选取目标投放对象，其中，反馈信息可以是用户对投放对象的点击率、转化率等业务指标。例如，基于日志的投放埋点进行数据解析和统计，包括扶持大盘数据、主播扶持明细、扶持场景的流量统计等，并将统计数据配置到了数据可视化平台，生成可视化的数据看板。
[0104]
需要说明的是，本公开实施例提供的对象投放方法，执行主体可以为对象投放装置，或者，或者该对象投放装置中的用于执行加载对象投放方法的控制模块。本公开实施例中以对象投放装置执行加载对象投放方法为例，说明本公开实施例提供的对象投放方法。接下来，参考图8对本公开示例性实施方式的对象投放装置进行描述。
[0105]
图8示意性示出根据本公开实施方式的对象投放装置的方框图，如图8所示，该对象投放装置40可以包括：
[0106]
第一确定模块401，用于响应于目标用户在目标页面上的对象投放请求，根据所述目标用户对应的配置标签以及所述目标页面上预先配置的投放条件，确定符合所述配置标签的投放条件所对应的多个命中对象；
[0107]
计算模块402，用于利用预训练的对象推荐模型计算所述多个命中对象对应的预测分值，来确定所述目标用户匹配的多个待投放对象；所述对象推荐模型是用于确定所述目标用户对所述命中对象的偏好、所述目标用户的特征以及所述命中对象的热度的模型；
[0108]
第二确定模块403，用于按照预设投放策略从所述多个待投放对象中确定所述目
标用户对应的目标投放对象；
[0109]
推送模块404，用于以预设投放方式在所述目标页面上将所述目标投放对象推送给所述目标用户。
[0110]
综上所述，本公开实施例提供的对象投放装置，可以先响应于目标用户在目标页面上的对象投放请求，根据目标用户对应的配置标签以及目标页面上预先配置的投放条件，确定符合配置标签的投放条件所对应的多个命中对象，利用预训练的对象推荐模型计算多个命中对象对应的预测分值，来确定目标用户匹配的多个待投放对象，对象推荐模型是用于确定目标用户对命中对象的偏好、目标用户的特征以及命中对象的热度的模型，按照预设投放策略从多个待投放对象中确定目标用户对应的目标投放对象，以预设投放方式在目标页面上将目标投放对象推送给目标用户。这样，通过用户的配置标签和页面上的投放条件来确定待投放对象，使得选取到的待投放对象更符合目标用户的偏好，从而可以一定程度上提高用户对投放对象点击的命中率，并且，基于预设投放策略来选取目标用户对应的目标投放对象，可以减轻对象推荐时流量分发出现的马太效应，在投放对象符合目标用户偏好的基础上，向目标用户推送更多不同的目标投放对象，从而可以提高投放对象投放的效率。
[0111]
可选的，所述预先配置的投放条件包括投放人群和对应的投放对象，所述第一确定模块401，还用于：
[0112]
基于所述目标用户对应的配置标签，确定所述目标用户所包含的各维度特征信息；
[0113]
根据所述目标用户所包含的各维度特征信息，从所述投放人群中确定符合所述各维度特征信息的目标投放人群；
[0114]
基于所述投放人群与所述投放对象之间的预设映射关系，将所述目标投放人群对应的多个投放对象确定为符合所述配置标签的投放条件所对应的多个命中对象。
[0115]
本公开实施例中，预设映射关系可以是预先设置的投放人群与投放对象之间的匹配映射关系，因此，可以根据预设映射关系来确定目标投放人群对应的各个投放对象，将这多个投放对象作为符合配置标签的投放条件所对应的多个命中对象。
[0116]
可选的，所述第一确定模块401，还用于：
[0117]
根据所述目标用户对应的配置标签，确定所述目标用户在每一预设用户维度上对应的特征信息；
[0118]
若所述配置标签在所述预设用户维度上对应的特征信息为空信息，则按照预设特征填补方式确定所述目标用户在所述预设用户维度上对应的补充信息；
[0119]
根据所述目标用户在各个预设用户维度上的所述特征信息和/或所述补充信息，获得所述目标用户所包含的各维度特征信息。
[0120]
本公开实施例中，根据目标用户在各个预设用户维度上的特征信息和/或补充信息，获得目标用户所包含的各维度特征信息，可以是在各个预设用户维度上均根据配置标签确定对应的特征信息来获得各维度特征信息，或者在各个预设用户维度上一部分根据配置标签确定对应的特征信息、另一部分根据对应的补充信息来获得各维度特征信息，或者在各个预设用户维度上全部根据各个预设用户维度上对应的补充信息来获得各维度特征信息。这样，通过将配置标签对各个预设用户维度上的特征信息补齐后，在匹配时就会匹配
到投放条件所要求的所有预设用户维度，从而得到正确的与配置标签对应的投放对象，避免由于缺少各个预设用户维度的特征信息而导致匹配到的投放对象数量被放大的问题。
[0121]
可选的，当从所述投放人群中未找到符合所述各维度特征信息的目标投放人群时，所述装置40还包括：
[0122]
第三确定模块，用于根据所述投放对象对应的种子用户，利用预设相似计算方法确定与所述种子用户相似的扩展用户；所述种子用户是与所述投放对象关联的用户画像相匹配的用户；
[0123]
选取模块，用于按照所述投放对象所配置的投放计划数量，从所述扩展用户中选取多个用户与所述种子用户组成符合所述投放计划数量的扩展投放人群；
[0124]
第四确定模块，用于根据所述目标用户所包含的所述各维度特征信息，从所述扩展投放人群中确定符合所述各维度特征信息的目标投放人群。
[0125]
本公开实施例中，预设相似计算方法可以是相似人群扩展(lookalike)技术，通过预设相似计算方法计算其他用户和种子用户的相似程度，从而进行自动化的相似人群动态扩展，这样，一方面能满足不同投放计划对人群定向精准度和覆盖率的不同需求，另一方面，相似人群扩展(lookalike)技术扩展人群的点击通过率(click-through-rate，ctr)和转化率(conversion rate，cvr)都能有比较明显的提升，能优化站内流量的分配，提升流量的溢价和商业变现能力。
[0126]
本公开实施例中，可以是根据目标用户所包含的各个维度特征信息，若目标用户出现预设用户维度上特征信息为空信息，则按照预设特征填补方式补充该维度上的信息，然后，从扩展投放人群中确定符合各维度特征信息的目标投放人群。这样，经过将各个维度上的特征信息补齐后，在筛选时就会筛选到任务要求的所有定向维度，从而得到正确的召回结果。
[0127]
可选的，所述对象推荐模型包括第一推荐模型、第二推荐模型和第三推荐模型，所述计算模块402，还用于：
[0128]
基于所述目标用户对应的配置标签、所述目标页面上预先配置的投放条件以及所述命中对象包含的属性特征，获取所述目标用户对应的用户侧特征、所述多个命中对象分别对应的内容侧特征以及所述目标用户对每一命中对象对应的内容相关特征；
[0129]
针对所述每一命中对象，将所述用户侧特征、所述内容相关特征以及所述内容侧特征输入至预训练的第一推荐模型，获得表征所述目标用户对所述命中对象偏好程度的第一输出值；将所述用户侧特征输入至预训练的第二推荐模型，获得表征所述目标用户对应用户特征的第二输出值；将所述内容侧特征输入至预训练的第三推荐模型，获得表征所述命中对象热度值的第三输出值；
[0130]
对于所述每一命中对象，将所述命中对象对应的第一输出值与偏置输出值之间的差值作为所述命中对象对应的预测分值；所述偏置输出值是根据所述第二输出值与所述第三输出值的乘积确定；
[0131]
从所述多个命中对象中选取所述预测分值符合预设分值阈值的命中对象作为所述目标用户匹配的待投放对象。
[0132]
可选的，所述计算模块402，还用于：
[0133]
对所述用户侧特征、所述内容相关特征以及所述内容侧特征进行向量转换与拼
接，获得所述目标用户对应的用户特征向量；
[0134]
将所述用户特征向量输入至所述预训练的第一推荐模型中，得到输出结果作为所述第一输出值。
[0135]
可选的，所述装置40还包括：
[0136]
获取模块，用于获取样本用户特征、样本内容相关特征、样本内容侧特征以及对样本对象的真实分值；
[0137]
第五确定模块，用于将所述样本用户特征、所述样本内容相关特征、所述样本内容侧特征作为第一训练样本，将所述样本用户特征作为第二训练样本，将所述样本内容侧特征作为第三训练样本；
[0138]
训练模块，用于利用所述第一训练样本对初始第一推荐模型进行迭代训练，利用所述第二训练样本对初始第二推荐模型进行迭代训练，利用所述第三训练样本对初始第三推荐模型进行迭代训练，以获取输出的训练分值符合所述真实分值的所述预训练的第一推荐模型、所述预训练的第二推荐模型以及所述预训练的第三推荐模型。
[0139]
本公开实施例中，可以是将第一训练样本输入至初始第一推荐模型进行计算处理、将第二训练样本输入至初始第二推荐模型进行计算处理、将第三训练样本输入至初始第三推荐模型进行计算处理，再通过预设预测分值公式计算训练预测分值，通过计算训练预测分值和真实分值之间的损失函数，若损失函数结果不符合预设阈值，则可以调整第一推荐模型、第二推荐模型、第三推荐模型中的训练参数，并重新执行将训练样本输入至初始推荐模型进行计算处理的操作，直至损失函数结果符合预设阈值；若损失函数结果符合预设阈值，即，确定训练预测分值近似于真实分值，则可以将训练所得第一推荐模型作为预训练的第一推荐模型，训练所得第二推荐模型作为预训练的第二推荐模型，训练所得第二推荐模型作为预训练的第二推荐模型。这样，通过不断采用样本特征进行训练以及调整模型的训练参数，可以使模型学习正确计算处理样本特征得到真实预测分值的能力。
[0140]
可选的，所述第二确定模块403，还用于：
[0141]
对所述多个待投放对象，确定每一待投放对象对应的曝光时间与曝光次数；
[0142]
根据所述各个待投放对象对应的所述曝光时间与所述曝光次数，选取所述曝光时间与所述曝光次数小于预设曝光阈值的待投放对象作为所述目标投放对象。
[0143]
可选的，在所述以预设投放方式在所述目标页面上将所述目标投放对象推送给所述目标用户之后，所述装置40还包括：
[0144]
监控模块，用于监控所述目标用户对所述目标投放对象的反馈信息；若所述反馈信息不符合预设反馈阈值，则调整所述预设投放策略，并按照调整后的投放策略从所述多个待投放对象中重新选取所述目标投放对象。
[0145]
本公开实施例中，为了保证投放系统的效果，监控反馈尤为重要，一方面可以对投放对象的内容质量有一个有效的评估，另一方面也可以有效观测投放计划对流量分发效率的影响，因此，可以监控目标用户对目标投放对象的反馈信息，若反馈信息不符合预设反馈阈值，则调整预设投放策略，并按照调整后的投放策略从多个待投放对象中重新选取目标投放对象，其中，反馈信息可以是用户对投放对象的点击率、转化率等业务指标。
[0146]
在介绍了本公开示例性实施方式的对象投放方法和装置之后，接下来，参考图9对本公开示例性实施方式的存储介质进行说明。
[0147]
参考图9所示，描述了根据本公开的实施方式的用于实现上述方法的存储介质500，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0148]
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0149]
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0150]
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0151]
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如java、c 等，还包括常规的过程式程序设计语言-诸如"c"语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0152]
在介绍了本公开示例性实施方式的存储介质之后，接下来，参考图10对本公开示例性实施方式的电子设备进行说明。
[0153]
图10中所示的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0154]
如图10所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。
[0155]
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述"示例性方法"部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元610可以执行步骤s101、响应于目标用户在目标页面上的对象投放请求，根据所述目标用户对应的配置标签以及所述目标页面上预先配置的投放条件，确定符合所述配置标签的投放条件所对应的多个命中对象；步骤s102、利用预训练的对象推荐模型计算所述多个命中对象对应的预测分值，来确定所述目标用户匹配的多个待投放对象；所述对象推荐模型是用于确定所述目标用户对所述命中对象的偏好、
所述目标用户的特征以及所述命中对象的热度的模型；步骤s103、按照预设投放策略从所述多个待投放对象中确定所述目标用户对应的目标投放对象；步骤s104、以预设投放方式在所述目标页面上将所述目标投放对象推送给所述目标用户。
[0156]
存储单元620可以包括易失性存储单元，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。
[0157]
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0158]
总线630可以包括数据总线、地址总线和控制总线。
[0159]
电子设备600也可以与一个或多个外部设备70(例如键盘、指向设备、蓝牙设备等)通信，这种通信可以通过输入/输出(i/o)接口650进行。电子设备600还包括显示单元640，其连接到输入/输出(i/o)接口650，用于进行显示。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0160]
应当注意，尽管在上文详细描述中提及了对象投放装置和音频分享装置的若干模块或子模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
[0161]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本公开各个实施例所述的方法。
[0162]
上面结合附图对本公开的实施例进行了描述，但是本公开并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本公开的启示下，在不脱离本公开宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本公开的保护之内。