本公开涉及一种对象推荐方法、装置、电子设备及存储介质，该方法包括：响应于第一账户的对象推荐请求，获取第一账户的操作日志数据；操作日志数据表征第一账户对应的历史操作对象的历史操作数据；获取多个待推荐对象中每个待推荐对象的多个操作行为对应的多个操作预估数据；根据操作日志数据确定第一账户对应的多个权重信息；多个权重信息与多个操作行为一一对应；基于多个权重信息和每个待推荐对象对应的多个操作预估数据，确定每个待推荐对象对应的排序指标数据；基于每个待推荐对象对应的排序指标数据，对第一账户进行对象推荐。本公开可以实现不同用户的个性化推荐，可以提升推荐效果，提高用户体验和留存。提高用户体验和留存。提高用户体验和留存。
【技术实现步骤摘要】
一种对象推荐方法、装置、电子设备及存储介质
[0001]本公开涉及互联网
，尤其涉及一种对象推荐方法、装置、电子设备及存储介质。
技术介绍
[0002]推荐系统是一种信息过滤系统，通过召回、排序等过程从海量的物料中逐级过滤，选取用户感兴趣的内容进行推荐。相关技术中，在对候选对象进行排序时，通常是基于排序模型给出的多目标预估结果，如有效播放率、长播率、点赞率、关注率等进行排序，而相关技术中的排序方式缺乏对人群的个性化，导致最终的推荐结果不佳，进而影响到用户消费体验和留存。
技术实现思路
[0003]本公开提供一种对象推荐方法、装置、电子设备及存储介质，本公开的技术方案如下：
[0004]根据本公开实施例的第一方面，提供一种对象推荐方法，包括：
[0005]响应于第一账户的对象推荐请求，获取第一账户的操作日志数据；操作日志数据表征第一账户对应的历史操作对象的历史操作数据；
[0006]获取多个待推荐对象中每个待推荐对象的多个操作行为对应的多个操作预估数据；
[0007]根据操作日志数据确定第一账户对应的多个权重信息；多个权重信息与多个操作行为一一对应；
[0008]基于多个权重信息和每个待推荐对象对应的多个操作预估数据，确定每个待推荐对象对应的排序指标数据；
[0009]基于每个待推荐对象对应的排序指标数据，对第一账户进行对象推荐。
[0010]在一些可能的实施例中，根据操作日志数据确定第一账户对应的多个权重信息，包括：
[0011]获取向量空间表征模型；
[0012]将操作日志数据输入向量空间表征模型，得到第一账户对应的特征向量，特征向量表征多个权重信息。
[0013]在一些可能的实施例中，向量空间表征模型的生成方式，包括：
[0014]获取训练样本集合；训练样本集合中的每个训练样本包括第二账户的操作日志数据、向第二账户推荐的历史推荐对象对应的多个操作预估数据，和第二账户针对历史推荐对象执行的实际操作数据；第二账户为访问推荐系统的任一用户账户；
[0015]构建预设机器学习模型；
[0016]将第二账户的操作日志数据输入预设机器学习模型，得到第二账户对应的预测特征向量；预测特征向量包括多个预测权重信息；多个预测权重信息与多个操作预估数据一
一对应；
[0017]根据第二账户的预测特征向量和历史推荐对象对应的多个操作预估数据确定排序指标预测数据；
[0018]基于排序指标预测数据和实际操作数据，对预设机器学习模型进行训练，得到训练后的向量空间表征模型。
[0019]在一些可能的实施例中，历史操作数据包括对应的历史操作对象的标识信息、操作行为信息、对象属性信息中的至少一个。
[0020]在一些可能的实施例中，每个历史操作数据的格式为二进制格式；
[0021]标识信息以第一预设位数的二进制数进行表征，操作行为信息以第二预设位数的二进制数进行表征，对象属性信息以第三预设位数的二进制数进行表征。
[0022]在一些可能的实施例中，基于多个权重信息和每个待推荐对象对应的多个操作预估数据，确定每个待推荐对象对应的排序指标数据，包括：
[0023]将多个操作预估数据中的每个操作预估数据与对应的权重信息相乘后进行求和，得到每个待推荐对象对应的排序指标数据。
[0024]在一些可能的实施例中，基于每个待推荐对象对应的排序指标数据，对第一账户进行对象推荐，包括：
[0025]基于每个待推荐对象对应的排序指标数据，对多个待推荐对象进行排序；
[0026]从排序后的多个待推荐对象中确定目标推荐对象；
[0027]向第一账户对应的终端发送对象推荐反馈；对象推荐反馈包括目标推荐对象的标识信息。
[0028]在一些可能的实施例中，获取多个待推荐对象中每个待推荐对象的多个操作行为对应的多个操作预估数据，包括：
[0029]获取预估模型；
[0030]根据预估模型对每个待推荐对象进行多个操作行为的预估，得到每个待推荐对象对应的多个操作预估数据。
[0031]在一些可能的实施例中，多个操作预估数据包括预估点赞率、预估点击率、预估有效播放率、预估长播率、预估关注率中的至少一个；
[0032]多个权重信息包括与操作预估数据对应的点赞权重、点击权重、有效播放权重、长播权重、关注权重中的至少一个。
[0033]根据本公开实施例的第二方面，提供一种对象推荐装置，包括：
[0034]第一获取模块，被配置为执行响应于第一账户的对象推荐请求，获取第一账户的操作日志数据；操作日志数据表征第一账户对应的历史操作对象的历史操作数据；
[0035]第二获取模块，被配置为执行获取多个待推荐对象中每个待推荐对象的多个操作行为对应的多个操作预估数据；
[0036]第一确定模块，被配置为执行根据操作日志数据确定第一账户对应的多个权重信息；多个权重信息与多个操作行为一一对应；
[0037]第二确定模块，被配置为执行基于多个权重信息和每个待推荐对象对应的多个操作预估数据，确定每个待推荐对象对应的排序指标数据；
[0038]推荐模块，被配置为执行基于每个待推荐对象对应的排序指标数据，对第一账户
进行对象推荐。
[0039]在一些可能的实施例中，第一确定模块，还被配置为执行获取向量空间表征模型；将操作日志数据输入向量空间表征模型，得到第一账户对应的特征向量，特征向量表征多个权重信息。
[0040]在一些可能的实施例中，还包括向量空间表征模型的生成模块，生成模块包括：
[0041]获取子模块，被配置为执行获取训练样本集合；训练样本集合中的每个训练样本包括第二账户的操作日志数据、向第二账户推荐的历史推荐对象对应的多个操作预估数据，和第二账户针对历史推荐对象执行的实际操作数据；第二账户为访问推荐系统的任一用户账户；
[0042]构建子模块，被配置为执行构建预设机器学习模型；
[0043]训练子模块，被配置为执行将第二账户的操作日志数据输入预设机器学习模型，得到第二账户对应的预测特征向量；预测特征向量包括多个预测权重信息；多个预测权重信息与多个操作预估数据一一对应；根据第二账户的预测特征向量和历史推荐对象对应的多个操作预估数据确定排序指标预测数据；基于排序指标预测数据和实际操作数据，对预设机器学习模型进行训练，得到训练后的向量空间表征模型。
[0044]在一些可能的实施例中，多个历史操作数据中每个历史操作数据包括对应的历史操作对象的标识信息、操作行为信息、对象属性信息中的至少一个。
[0045]在一些可能的实施例中，每个历史操作数据的格式为二进制格式；
[0046]标识信息以第一预设位数的二进制数进行表征，操作行为信息以第二预设位数的二进制数进行表征，对象属性信息以第三预设位数的二进制数进行表征。
[0047]在一些可能的实施例中，第二确定模块，还被配本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种对象推荐方法，其特征在于，包括：响应于第一账户的对象推荐请求，获取所述第一账户的操作日志数据；所述操作日志数据表征所述第一账户对应的历史操作对象的历史操作数据；获取多个待推荐对象中每个待推荐对象的多个操作行为对应的多个操作预估数据；根据所述操作日志数据确定所述第一账户对应的多个权重信息；所述多个权重信息与所述多个操作行为一一对应；基于所述多个权重信息和所述每个待推荐对象对应的多个操作预估数据，确定所述每个待推荐对象对应的排序指标数据；基于所述每个待推荐对象对应的排序指标数据，对所述第一账户进行对象推荐。2.根据权利要求1所述的对象推荐方法，其特征在于，所述根据所述操作日志数据确定所述第一账户对应的多个权重信息，包括：获取向量空间表征模型；将所述操作日志数据输入所述向量空间表征模型，得到所述第一账户对应的特征向量，所述特征向量表征所述多个权重信息。3.根据权利要求2所述的对象推荐方法，其特征在于，所述向量空间表征模型的生成方式，包括：获取训练样本集合；所述训练样本集合中的每个训练样本包括第二账户的操作日志数据、向所述第二账户推荐的历史推荐对象对应的多个操作预估数据，和所述第二账户针对所述历史推荐对象执行的实际操作数据；所述第二账户为访问推荐系统的任一用户账户；构建预设机器学习模型；将所述第二账户的操作日志数据输入所述预设机器学习模型，得到所述第二账户对应的预测特征向量；所述预测特征向量包括多个预测权重信息；所述多个预测权重信息与所述多个操作预估数据一一对应；根据所述第二账户的预测特征向量和所述历史推荐对象对应的多个操作预估数据确定排序指标预测数据；基于所述排序指标预测数据和所述实际操作数据，对所述预设机器学习模型进行训练，得到训练后的所述向量空间表征模型。4.根据权利要求1所述的对象推荐方法，其特征在于，所述历史操作数据包括对应的历史操作对象的标识信息、操作行为信息、对象属性信息中的至少一个。5.根据权利要求4所述的对象推荐方法，其特征在于，所述每个历史操作数据...
【专利技术属性】
技术研发人员：王宝慷，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。